Como revisor, cuando veo una descripción de PR escrita por una máquina, la experiencia no me resulta muy buena. Aunque también pienso que quizá se resuelva si se ajusta bien el prompt..
Sam Altman cerró su propio servicio estilo TikTok. Ayer, OpenAI eliminó por completo Sora. Desapareció no solo la app, sino también las herramientas para desarrolladores e incluso la función de generación de video en ChatGPT.
Hace apenas 6 meses, Sora 2 era una de las apps más populares del mundo. Alcanzó el puesto #1 en la App Store en solo dos días desde su lanzamiento, y 164 mil personas la descargaron antes de que la mayoría siquiera supiera que existía. Bastaba con escribir una frase para generar en minutos un video realista, que luego podía compartirse en un feed parecido a TikTok hecho con IA. Pero en enero, las descargas se desplomaron 45% en solo un mes. Desde el lanzamiento de la app, el gasto total de los usuarios fue de apenas 1.4 millones de dólares. Se espera que OpenAI registre pérdidas por 14 mil millones de dólares este año. Los ingresos acumulados de Sora no alcanzarían ni para cubrir una sola hora de las pérdidas de la empresa.
El acuerdo con Disney también se cayó. En diciembre pasado, Disney invirtió mil millones de dólares en OpenAI y había acordado licenciar más de 200 personajes de Marvel, Pixar y Star Wars para usarlos en Sora. Disney planeaba transmitir en Disney+ una selección curada de videos generados con IA y ofrecer nuevas experiencias a sus suscriptores usando la tecnología de OpenAI. Pero ahora todo eso quedó en nada. Un vocero de Disney dijo que "respeta la decisión de OpenAI de retirarse del negocio de generación de video".
Entonces, ¿por qué eliminar un producto en el que Disney invirtió mil millones de dólares? OpenAI está impulsando una salida a bolsa (IPO) para finales de este año. En febrero pasado, la empresa recibió una inversión de 110 mil millones de dólares con una valoración de 840 mil millones, pero se espera que no sea rentable hasta 2029 o 2030. El responsable de desarrollo de apps en OpenAI les dijo a los empleados que "no pueden distraerse con asuntos secundarios y perderse este momento clave". La generación de video consume una cantidad enorme de poder de cómputo. Si estás quemando miles de millones de dólares al mes y los inversionistas están por revisar tus finanzas por primera vez, tiene sentido concentrar todos los servidores en ChatGPT, el producto que sí genera ingresos.
OpenAI dijo que el equipo de investigación de Sora cambiará de rumbo hacia el desarrollo de robótica. La app para consumidores estuvo en servicio durante 6 meses.
LiteLLM es la única librería de llamadas a proveedores de LLM de DSPy, y CrewAI también la usa como fallback
Airflow, Dagster, http://Unsloth.ai, Polar, nanobot y otros también dependen de LiteLLM
Hay más de 628 proyectos en GitHub que incluyen LiteLLM sin fijar versión
Si por casualidad están usando código relacionado, conviene revisarlo una vez
Creo que, en el momento actual en que las AI TOOLs ya son una realidad, este es un texto bastante realista y con criterio sobre cómo maximizar la capacidad individual.
De ahora en adelante, todo irá exigiendo cada vez más ligereza y mayor velocidad, así que la colaboración basada en ideas anticuadas que hemos venido practicando hasta ahora probablemente se reinicie. Sin embargo, para desarrollar soluciones de nivel enterprise, la colaboración es indispensable.
He hecho algunos compiladores y ahora también estoy trabajando en uno; desde la perspectiva del vibe coding también he intentado con editores, pero los compiladores se sintieron más fáciles. Como dijiste, siento que las especificaciones son menos precisas y que hay muchas más variables por parte de los usuarios. También es más difícil hacer pruebas.
Aunque la especificación se vuelve más importante, desde hace tiempo pienso que es imposible escribirla toda en detalle y cubrir todas las situaciones. También creo que, por ahora, sigue siendo mejor ir puliendo la especificación mientras se trabaja, igual que el código, aunque me pregunto si no se podría hacer que varios agentes hicieran eso entre ellos. Pero, al final, sin intervención humana no pueden salirse de las situaciones y conocimientos con los que fueron entrenados, así que me parece que sería difícil enfrentarse a situaciones y funciones completamente nuevas.
Me da la misma sensación que cuando salieron por primera vez las aspiradoras robot y decían que había que hacer una "limpieza simple" recogiendo las cosas del piso para el robot. Escribir especificaciones detalladas para la IA también es bastante trabajo, y parece que uno termina trabajando para la IA.
Llevo mucho tiempo en este medio observándolo, y me parece que los cambios recientes se deben sobre todo a dos cosas.
Para empezar, el tamaño de la apuesta se volvió enorme. Antes, incluso unos cuantos millones de dólares parecían impresionantes, pero ahora el dinero se mueve en miles de millones. Y, como siempre, donde el olor a dinero es fuerte termina reuniéndose toda clase de gente. A eso se suma que entró en masa gente de ciertos ámbitos culturales, y el ambiente mismo de la industria cambió bastante hacia su estilo característico.
Si uno mira lo de ahora, claramente se siente distinto a la vieja sensibilidad de IT/CS: da la impresión de que la labia y el showmanship son lo que mantiene vivo todo. Antes, cuando se desinflaba la burbuja, habrían salido todos juntos, pero esta vez, como en el centro está el LLM, una "tecnología que habla bien", no parece que esta corriente se vaya a terminar fácilmente. Da la impresión de que este ambiente va a seguir de aquí en adelante.
De hecho, la razón por la que Anthropic hizo un compilador de C como demo probablemente fue también porque los compiladores tienen especificaciones precisas y casos de prueba bien preparados. Al mismo tiempo, también parecen tremendamente difíciles.
Creo que es algo así como la diferencia entre el aprendizaje por refuerzo y el aprendizaje profundo. En los lugares donde no se puede proporcionar un bucle de retroalimentación decisivo, los datos humanos todavía parecen ser un foso defensivo.
En los issues de GitHub, más de 100 cuentas bot dejaron spam,
Y la cuenta de GitHub comprometida está cambiando así la descripción de todos los proyectos que tiene en la cuenta. teampcp owns BerriAI
Personalmente, que hasta le estén metiendo spam a los issues me da una vibra distópica, así que me parece bastante aterrador.
Y no lo recuerdo bien, pero era flake o alguna función así, que en unos lados la llaman best practice, en otros experimental y en otros ambas cosas, y ver que eso lleva años así me dejó clarísimo que me esperaba un camino lleno de sufrimiento..
Claro, la experiencia de poder convertir en código todo el entorno de escritorio sí fue agradable.
Yo también usé NixOS por casi medio año hace tiempo, y un día no pude resolver, por más que buscara en Google, una tarea muy simple que en otros sistemas operativos ni siquiera requiere buscar nada aparte. Entonces vi en un lugar como el foro de NixOS una solución que había dejado registrada algún experto en NixOS, y cuando vi que esa solución hacky de varias decenas de líneas era la que tenía más likes, sentí que mi vida futura con NixOS se veía muy oscura, así que me volví a Arch...
Así como el entrenamiento de AlphaGo se hizo con datos de partidas internas AlphaGo vs. AlphaGo, el entrenamiento de los LLM también se está realizando generando datos con los propios LLM. Con unas pocas muestras de datos ya es fácil crear más datos, así que también es difícil considerar que esto sea un foso defensivo seguro.
Como revisor, cuando veo una descripción de PR escrita por una máquina, la experiencia no me resulta muy buena. Aunque también pienso que quizá se resuelva si se ajusta bien el prompt..
Parece que la personalidad del autor deja mucho que desear.
Opinión en X sobre esto: https://x.com/AnishA_Moonka/status/2036553594569367790?s=20
Sam Altman cerró su propio servicio estilo TikTok. Ayer, OpenAI eliminó por completo Sora. Desapareció no solo la app, sino también las herramientas para desarrolladores e incluso la función de generación de video en ChatGPT.
Hace apenas 6 meses, Sora 2 era una de las apps más populares del mundo. Alcanzó el puesto #1 en la App Store en solo dos días desde su lanzamiento, y 164 mil personas la descargaron antes de que la mayoría siquiera supiera que existía. Bastaba con escribir una frase para generar en minutos un video realista, que luego podía compartirse en un feed parecido a TikTok hecho con IA. Pero en enero, las descargas se desplomaron 45% en solo un mes. Desde el lanzamiento de la app, el gasto total de los usuarios fue de apenas 1.4 millones de dólares. Se espera que OpenAI registre pérdidas por 14 mil millones de dólares este año. Los ingresos acumulados de Sora no alcanzarían ni para cubrir una sola hora de las pérdidas de la empresa.
El acuerdo con Disney también se cayó. En diciembre pasado, Disney invirtió mil millones de dólares en OpenAI y había acordado licenciar más de 200 personajes de Marvel, Pixar y Star Wars para usarlos en Sora. Disney planeaba transmitir en Disney+ una selección curada de videos generados con IA y ofrecer nuevas experiencias a sus suscriptores usando la tecnología de OpenAI. Pero ahora todo eso quedó en nada. Un vocero de Disney dijo que "respeta la decisión de OpenAI de retirarse del negocio de generación de video".
Entonces, ¿por qué eliminar un producto en el que Disney invirtió mil millones de dólares? OpenAI está impulsando una salida a bolsa (IPO) para finales de este año. En febrero pasado, la empresa recibió una inversión de 110 mil millones de dólares con una valoración de 840 mil millones, pero se espera que no sea rentable hasta 2029 o 2030. El responsable de desarrollo de apps en OpenAI les dijo a los empleados que "no pueden distraerse con asuntos secundarios y perderse este momento clave". La generación de video consume una cantidad enorme de poder de cómputo. Si estás quemando miles de millones de dólares al mes y los inversionistas están por revisar tus finanzas por primera vez, tiene sentido concentrar todos los servidores en ChatGPT, el producto que sí genera ingresos.
OpenAI dijo que el equipo de investigación de Sora cambiará de rumbo hacia el desarrollo de robótica. La app para consumidores estuvo en servicio durante 6 meses.
Los detalles se pueden ver en Incidente de compromiso de los paquetes de LiteLLM 1.82.7 y 1.82.8 en PyPI.
Si por casualidad están usando código relacionado, conviene revisarlo una vez
Estaba pensando en probar OpenKylin, pero parece que ni siquiera haría falta usar OpenKylin.
Por lo que estuve viendo, parece que un escáner de seguridad llamado trivy fue comprometido y que, a partir de ese compromiso, se produjo un ataque de segunda etapa.
De cualquier forma, es algo grave.
Creo que, en el momento actual en que las AI TOOLs ya son una realidad, este es un texto bastante realista y con criterio sobre cómo maximizar la capacidad individual.
De ahora en adelante, todo irá exigiendo cada vez más ligereza y mayor velocidad, así que la colaboración basada en ideas anticuadas que hemos venido practicando hasta ahora probablemente se reinicie. Sin embargo, para desarrollar soluciones de nivel enterprise, la colaboración es indispensable.
He hecho algunos compiladores y ahora también estoy trabajando en uno; desde la perspectiva del vibe coding también he intentado con editores, pero los compiladores se sintieron más fáciles. Como dijiste, siento que las especificaciones son menos precisas y que hay muchas más variables por parte de los usuarios. También es más difícil hacer pruebas.
Aunque la especificación se vuelve más importante, desde hace tiempo pienso que es imposible escribirla toda en detalle y cubrir todas las situaciones. También creo que, por ahora, sigue siendo mejor ir puliendo la especificación mientras se trabaja, igual que el código, aunque me pregunto si no se podría hacer que varios agentes hicieran eso entre ellos. Pero, al final, sin intervención humana no pueden salirse de las situaciones y conocimientos con los que fueron entrenados, así que me parece que sería difícil enfrentarse a situaciones y funciones completamente nuevas.
Me da la misma sensación que cuando salieron por primera vez las aspiradoras robot y decían que había que hacer una "limpieza simple" recogiendo las cosas del piso para el robot. Escribir especificaciones detalladas para la IA también es bastante trabajo, y parece que uno termina trabajando para la IA.
Llevo mucho tiempo en este medio observándolo, y me parece que los cambios recientes se deben sobre todo a dos cosas.
Para empezar, el tamaño de la apuesta se volvió enorme. Antes, incluso unos cuantos millones de dólares parecían impresionantes, pero ahora el dinero se mueve en miles de millones. Y, como siempre, donde el olor a dinero es fuerte termina reuniéndose toda clase de gente. A eso se suma que entró en masa gente de ciertos ámbitos culturales, y el ambiente mismo de la industria cambió bastante hacia su estilo característico.
Si uno mira lo de ahora, claramente se siente distinto a la vieja sensibilidad de IT/CS: da la impresión de que la labia y el showmanship son lo que mantiene vivo todo. Antes, cuando se desinflaba la burbuja, habrían salido todos juntos, pero esta vez, como en el centro está el LLM, una "tecnología que habla bien", no parece que esta corriente se vaya a terminar fácilmente. Da la impresión de que este ambiente va a seguir de aquí en adelante.
De hecho, la razón por la que Anthropic hizo un compilador de C como demo probablemente fue también porque los compiladores tienen especificaciones precisas y casos de prueba bien preparados. Al mismo tiempo, también parecen tremendamente difíciles.
Creo que es algo así como la diferencia entre el aprendizaje por refuerzo y el aprendizaje profundo. En los lugares donde no se puede proporcionar un bucle de retroalimentación decisivo, los datos humanos todavía parecen ser un foso defensivo.
Esto sí es realmente grave.
En los issues de GitHub, más de 100 cuentas bot dejaron spam,
Y la cuenta de GitHub comprometida está cambiando así la descripción de todos los proyectos que tiene en la cuenta.
teampcp owns BerriAI
Personalmente, que hasta le estén metiendo spam a los issues me da una vibra distópica, así que me parece bastante aterrador.
Y no lo recuerdo bien, pero era
flakeo alguna función así, que en unos lados la llaman best practice, en otros experimental y en otros ambas cosas, y ver que eso lleva años así me dejó clarísimo que me esperaba un camino lleno de sufrimiento..Claro, la experiencia de poder convertir en código todo el entorno de escritorio sí fue agradable.
Yo también usé NixOS por casi medio año hace tiempo, y un día no pude resolver, por más que buscara en Google, una tarea muy simple que en otros sistemas operativos ni siquiera requiere buscar nada aparte. Entonces vi en un lugar como el foro de NixOS una solución que había dejado registrada algún experto en NixOS, y cuando vi que esa solución hacky de varias decenas de líneas era la que tenía más likes, sentí que mi vida futura con NixOS se veía muy oscura, así que me volví a Arch...
Así como el entrenamiento de AlphaGo se hizo con datos de partidas internas AlphaGo vs. AlphaGo, el entrenamiento de los LLM también se está realizando generando datos con los propios LLM. Con unas pocas muestras de datos ya es fácil crear más datos, así que también es difícil considerar que esto sea un foso defensivo seguro.
Entré a verlo y dice: This project is no longer actively maintained.
Oh... ¡ya veo!
Por cierto, R.I.P. Firebase Studio ;_;
Firebase Studio también usa Nix
Ay, todos van a morir.