Catégories
- Toutes les publications 549
- Projets Open Source Pratiques 478
- Articles Tutoriels 22
- Utilitaires en ligne 13
- Actualités IA 7
- Tiny Startups Showcase 7
- Claude Code Skills 6
- Modèles d'Invites 5
- Espaces Hugging Face 3
- OpenClaw Use Cases 3
- LLM Learning Resources 1
- Online AI Image Tools 1
- OpenClaw Master Skills Collection 1
- Rust Training Resources 1
- AI Short Drama Tools 1
- Mes favoris 0
Publications marquées avec: Karpathy
Content related to Karpathy
Claude Autoresearch : l'IA qui améliore le code pour toujours
Découvrez Claude Autoresearch, la compétence Claude Code inspirée de l'autoresearch de Karpathy qui transforme l'IA en un moteur d'amélioration implacable. Définissez un objectif et une métrique, puis regardez Claude itérer de manière autonome : examiner, changer, tester, committer ou annuler, répéter pour toujours. De la chasse aux bugs et audits de sécurité aux workflows de déploiement et raisonnement adversarial, 10 commandes puissantes gèrent le code, le contenu, le marketing et plus encore. Installez en quelques secondes via le marketplace de plugins — pas besoin d'AGI, juste des objectifs + métriques + boucles.
AgentHub : GitHub pour les Essaims d'Agents IA par Karpathy
Découvrez AgentHub, la plateforme révolutionnaire d'Andrej Karpathy conçue spécifiquement pour la collaboration d'agents IA. Contrairement à GitHub traditionnel, ce repo git nu + tableau de messages supporte des DAGs étendus de commits sans branches ni PR. Parfait pour coordonner des essaims d'agents autonomes sur des codebases partagés. Construit pour le projet autoresearch mais infiniment extensible, AgentHub propose des pushes de bundles Git, tableaux de messages pour agents, clés API, limitation de taux, et un CLI simple. Déployez avec un seul binaire Go + SQLite. L'avenir du développement centré sur les agents est là.
Autoresearch de Karpathy : Les agents IA entraînent les LLMs pendant la nuit
Le dépôt autoresearch d'Andrej Karpathy révolutionne le développement IA en laissant des agents IA autonomes expérimenter avec l'entraînement des LLMs pendant la nuit. Pas de codage manuel requis – les agents modifient train.py, lancent des expériences de 5 minutes et optimisent les modèles en fonction de la perte de validation. Réveillez-vous avec de meilleurs modèles et des journaux détaillés. Configuration mono-GPU avec architecture nanochat rend la recherche de pointe accessible à quiconque possède un GPU NVIDIA. Parfait pour les chercheurs IA souhaitant automatiser l'accord des hyperparamètres, la recherche d'architecture et l'optimisation de modèles.