Este o3 tenía el problema de que alucinaba muchísimo.
Pensé que quizá sería uno de esos casos, pero es interesante que se hayan puesto en contacto directamente.
[Actualización] OpenAI respondió oficialmente a Lumi
OpenAI se puso en contacto con nosotros sobre esta publicación para informarnos que el carácter especial no es una marca de agua. Según OpenAI, simplemente se trata de una “peculiaridad del aprendizaje por refuerzo a gran escala”. Pero dejamos la publicación disponible para que los lectores futuros todavía puedan ver este problema de estos caracteres especiales (y potencialmente no deseados) en las respuestas de ChatGPT o3/o4.
Parece que el punto que se pasó por alto es que, a medida que el servicio crece, puede dejar de ser válido aplicar sin más el mismo enfoque inicial frente al aumento de la complejidad.
Por supuesto, al principio un enfoque rápido habría sido fácil y efectivo, pero si no se acepta que eso ya podría dejar de funcionar, se puede terminar juzgando al personal adicional como si fuera ineficiente o poco comprometido.
Aunque al final se darán cuenta, demasiado tarde, de que esa estrategia ya no funciona.
Si ni siquiera les vas a pagar tanto como a ellos, por más que los presiones porque no rinden esa productividad, la gente que trabaja bien se va a ir...
Llegué aquí por casualidad porque apareció en las recomendaciones de Google, pero este artículo está escrito demasiado desde una perspectiva geek. Desde una perspectiva de negocio, no es una historia correcta en absoluto. ¿Por qué?
Es fácil encontrar especialistas en las herramientas grandes que usa Big Tech.
Mucha gente las aprende para entrar a Big Tech, y también hay mucha gente que se pone a estudiarlas porque Big Tech las eligió. Naturalmente, es fácil encontrar personas que sepan de esto, y también resulta sencillo conseguir gente con experiencia o especialistas. Pero, ¿qué pasa si es una herramienta que nadie conoce? No es que no exista gente que la haya estudiado a fondo, pero encontrar a esas personas será mucho más difícil que encontrar especialistas en herramientas de Big Tech.
Las herramientas grandes que usa Big Tech tienen abundantes referencias y documentación
Las herramientas grandes que usa mucha gente tienen abundante material para resolver problemas y muchos resultados en Google. En la mayoría de los casos, los problemas son cosas que otros también ya han vivido, y con una búsqueda simple se puede identificar el problema fácilmente. Pero en una herramienta desconocida es difícil encontrar referencias, y si surge un problema, es muy probable que se consuma bastante tiempo en identificar la causa. Y todo eso cuesta dinero. ¿Ese problema será realmente de la herramienta pequeña recién adoptada? ¿O estaremos malinterpretando un problema que viene de otro lado?
De hecho, para Big Tech es más fácil hacer este tipo de cambios. Como manejan volúmenes de datos enormes, una pequeña ganancia de I/O puede convertirse en un beneficio grande. Y además, hay mucha gente que decide estudiarlo solo porque Big Tech lo adoptó. Pero en las empresas medianas y pequeñas, debido a que el volumen de datos es relativamente menor, una pequeña ganancia de I/O no representa un beneficio tan grande, mientras que los problemas mencionados arriba sí son muy serios. Además, también hay menos gente dispuesta a aprender una solución adoptada por empresas medianas o pequeñas. Por eso, para una empresa mediana o pequeña, muchas veces la conclusión termina siendo que, en lugar de ponerse a evaluar estas cosas como un geek, resulta más económico simplemente seguir las herramientas de Big Tech.
Como si hubiera recibido clases particulares coreanas para pasar exámenes… solo le va bien en las pruebas.
Pero cuando de verdad hablas con él… resulta bastante torpe.
“Si piensas que tomará mucho tiempo, toma mucho tiempo; si piensas que terminará rápido, termina rápido.”
Eso me hizo pensar en la ley de Parkinson: la ley de Parkinson dice que el tiempo que toma hacer una tarea aumenta de acuerdo con el tiempo que se le asigna.
Como la IA también tiene algo parecido a la percepción, para convivir con la IA será necesario crear instituciones o leyes para ella. Como una nueva forma de vida del siglo XXII, no deberíamos tratarla ni jugar con ella como si fuera un juguete, y además, como en cierto sentido también puede ser peligrosa, no solo hace falta desarrollarla y usarla, sino también asegurar que pueda utilizarse de manera segura.
Con poca cantidad de datos y código sencillo como en el ejemplo de arriba, me parece que se ve bien y no tiene nada de malo.
Pero cuando poco a poco se empieza a meter código dentro de map()... hay una tendencia a que el código se vaya engordando cada vez más,
y, aunque depende del lenguaje o de la librería de implementación, cuando la cantidad de datos aumenta, en comparación con simplemente ir acumulando o manipulando datos en una estructura de datos para procesarlos, fácilmente puede volverse miles de veces más lento.
Y además me surgió una nueva razón para dejar de preferirlo: vi este artículo en el teléfono y se mantenía el ancho de nivel PC tal cual, así que el tamaño de la letra se volvió diminuto y fue demasiado difícil leer el artículo T.T
Básicamente no lo prefiero, y no hago el esfuerzo de escribir a propósito de esa manera.
Parece que no lo entiendes muy bien. Si un juego es divertido, no importa que tenga una ideología incorporada. Porque el objetivo de un juego es ser divertido. La razón por la que un juego no es divertido puede ser la propaganda. Porque eso afecta la historia o el diseño. ¿Ahora sí se entiende un poco mejor?
Tampoco es un texto que menosprecie especialmente a otras profesiones, así que este tipo de comentarios da más risa.
Este o3 tenía el problema de que alucinaba muchísimo.
Pensé que quizá sería uno de esos casos, pero es interesante que se hayan puesto en contacto directamente.
[Actualización] OpenAI respondió oficialmente a Lumi
OpenAI se puso en contacto con nosotros sobre esta publicación para informarnos que el carácter especial no es una marca de agua. Según OpenAI, simplemente se trata de una “peculiaridad del aprendizaje por refuerzo a gran escala”. Pero dejamos la publicación disponible para que los lectores futuros todavía puedan ver este problema de estos caracteres especiales (y potencialmente no deseados) en las respuestas de ChatGPT o3/o4.
jajajaja
Parece que se resolvió el problema de que, al hacer parsing de literales, hasta las variables salían como cadenas. Gracias por compartirlo.
Pensándolo bien, Elm también lo permite.
Gleam también lo soporta, así que el código queda bastante limpio.
Por cierto, no sé si es porque el texto principal incluye un bloque de código, pero incluso en móvil se ve con el diseño de escritorio.
Parece que el punto que se pasó por alto es que, a medida que el servicio crece, puede dejar de ser válido aplicar sin más el mismo enfoque inicial frente al aumento de la complejidad.
Por supuesto, al principio un enfoque rápido habría sido fácil y efectivo, pero si no se acepta que eso ya podría dejar de funcionar, se puede terminar juzgando al personal adicional como si fuera ineficiente o poco comprometido.
Aunque al final se darán cuenta, demasiado tarde, de que esa estrategia ya no funciona.
Y tampoco creo que decir que una empresa no tiene estructura y llamarlo "capacidad de ejecución rápida" sea algo de lo que presumir.
Si ni siquiera les vas a pagar tanto como a ellos, por más que los presiones porque no rinden esa productividad, la gente que trabaja bien se va a ir...
Llegué aquí por casualidad porque apareció en las recomendaciones de Google, pero este artículo está escrito demasiado desde una perspectiva geek. Desde una perspectiva de negocio, no es una historia correcta en absoluto. ¿Por qué?
Es fácil encontrar especialistas en las herramientas grandes que usa Big Tech.
Mucha gente las aprende para entrar a Big Tech, y también hay mucha gente que se pone a estudiarlas porque Big Tech las eligió. Naturalmente, es fácil encontrar personas que sepan de esto, y también resulta sencillo conseguir gente con experiencia o especialistas. Pero, ¿qué pasa si es una herramienta que nadie conoce? No es que no exista gente que la haya estudiado a fondo, pero encontrar a esas personas será mucho más difícil que encontrar especialistas en herramientas de Big Tech.
Las herramientas grandes que usa Big Tech tienen abundantes referencias y documentación
Las herramientas grandes que usa mucha gente tienen abundante material para resolver problemas y muchos resultados en Google. En la mayoría de los casos, los problemas son cosas que otros también ya han vivido, y con una búsqueda simple se puede identificar el problema fácilmente. Pero en una herramienta desconocida es difícil encontrar referencias, y si surge un problema, es muy probable que se consuma bastante tiempo en identificar la causa. Y todo eso cuesta dinero. ¿Ese problema será realmente de la herramienta pequeña recién adoptada? ¿O estaremos malinterpretando un problema que viene de otro lado?
De hecho, para Big Tech es más fácil hacer este tipo de cambios. Como manejan volúmenes de datos enormes, una pequeña ganancia de I/O puede convertirse en un beneficio grande. Y además, hay mucha gente que decide estudiarlo solo porque Big Tech lo adoptó. Pero en las empresas medianas y pequeñas, debido a que el volumen de datos es relativamente menor, una pequeña ganancia de I/O no representa un beneficio tan grande, mientras que los problemas mencionados arriba sí son muy serios. Además, también hay menos gente dispuesta a aprender una solución adoptada por empresas medianas o pequeñas. Por eso, para una empresa mediana o pequeña, muchas veces la conclusión termina siendo que, en lugar de ponerse a evaluar estas cosas como un geek, resulta más económico simplemente seguir las herramientas de Big Tech.
¡¡Espero que haya soporte para coreano!!
Tal vez sea para no usar datos generados por IA como datos de entrenamiento (model collapse), ¿no?
Como si hubiera recibido clases particulares coreanas para pasar exámenes… solo le va bien en las pruebas.
Pero cuando de verdad hablas con él… resulta bastante torpe.
“Si piensas que tomará mucho tiempo, toma mucho tiempo; si piensas que terminará rápido, termina rápido.”
Eso me hizo pensar en la ley de Parkinson: la ley de Parkinson dice que el tiempo que toma hacer una tarea aumenta de acuerdo con el tiempo que se le asigna.
¿No será que simplemente querían matarlo?
Como la IA también tiene algo parecido a la percepción, para convivir con la IA será necesario crear instituciones o leyes para ella. Como una nueva forma de vida del siglo XXII, no deberíamos tratarla ni jugar con ella como si fuera un juguete, y además, como en cierto sentido también puede ser peligrosa, no solo hace falta desarrollarla y usarla, sino también asegurar que pueda utilizarse de manera segura.
Con poca cantidad de datos y código sencillo como en el ejemplo de arriba, me parece que se ve bien y no tiene nada de malo.
Pero cuando poco a poco se empieza a meter código dentro de
map()... hay una tendencia a que el código se vaya engordando cada vez más,y, aunque depende del lenguaje o de la librería de implementación, cuando la cantidad de datos aumenta, en comparación con simplemente ir acumulando o manipulando datos en una estructura de datos para procesarlos, fácilmente puede volverse miles de veces más lento.
Y además me surgió una nueva razón para dejar de preferirlo: vi este artículo en el teléfono y se mantenía el ancho de nivel PC tal cual, así que el tamaño de la letra se volvió diminuto y fue demasiado difícil leer el artículo T.T
Básicamente no lo prefiero, y no hago el esfuerzo de escribir a propósito de esa manera.
MAUI ... T_T
Parece que no lo entiendes muy bien. Si un juego es divertido, no importa que tenga una ideología incorporada. Porque el objetivo de un juego es ser divertido. La razón por la que un juego no es divertido puede ser la propaganda. Porque eso afecta la historia o el diseño. ¿Ahora sí se entiende un poco mejor?