همیشه اعتقاد داشتم تحقیق و هزینه روی مدل‌های تولید عکس و ویدیو یه آنتی‌پترنه: خروجی غیرقابل پیش‌بینی و بی‌روح و sloppy. و بعد از اولین تولید اعمال تغییری که مد نظرته تقریباً غیرممکنه.
این ویدیو رو ببینید. یه پیکسلش هم «تولید» نشده، همه‌ش کده. یعنی میشه عوضش کرد، دیباگش کرد، دقیقاً همونی که می‌خوای بسازی.
فیبل ۵.۵ که بیاد می‌فهمید عکس و ویدیو هم آخرش می‌ره تو شکم LLM.
Fable 5.5 its over for video and image models 🤯
THIS IS PURE CODE
one shotted this video holy shit , how this is more beautiful than ai video models
Two ways to check this yourself:
Ask: “Where did @karpathy go in 2026?” with web search and memory turned off. Only the new Fable knows the answer. Then give it the prompt.
Run the same prompt I used for the test (it’s in the screenshot) and see for yourself.
Don’t rely on Grok for basic reasoning like this. Grok doesn’t have up-to-date knowledge of niche stuff. Either join the community or run the test yourself.
Also, a knowledge cutoff doesn’t mean a model knows everything before that date. Sometimes a model doesn’t know about an event even if it happened before its cutoff. This test shows that too.
Run the same prompt on regular Opus 5.5 and the quality drops. On Fable 5.1 it’s worse.
کاندوم اینترنت، اندازه‌ی خودت.
دیگه اپ بقیه رو استفاده نمی‌کنی. به ایجنتت میگی چی می‌خوای و اون نسخه‌ای از اینترنت می‌سازه که فقط همون ازش رد میشه. باقیش پشت در می‌مونه.
«اوپن‌سورسش کن» هم کم‌کم معنیش عوض میشه: نصبش نمی‌کنی، ایجنتت ازش ایده می‌دزده تا کاندوم «تو» رو بهتر بدوزه.
عصر LLMها داره خیلی مفاهیم رو عوض میکنه. امنیت، هویت، واقعیت. مفاهیمی که ذهن کوچیک‌مون برای هضم تغییرشون زمان می‌خواد.
امنیت تیتر میشه. یه هک بزرگ، یه عدد بزرگ، تموم. هویت و واقعیت تیتر نمی‌شن، چون تغییرشون اتفاق نیست. آهسته و پیوسته و پخشه، جوری که یادمون می‌ره قبلش چطور بود.
دایرکتم پر شده از «روشت رو بگو».
نمی‌گم. آزادی اطلاعات و باز بودن مدل‌ها رو قبول دارم، توزیع ابزار آسیب به آدمایی که نمی‌شناسم رو نه. پشت اکانت هرکسی میتونه باشه
به دو سه نفر تو منشن‌ها که کم‌وبیش می‌شناختم گفتم. پیگیرید، از همونا بپرسید. مسئولیتش با خودتون/خودشون. اینترنتم هست.
چرا به‌جای باز کردن واتس‌اپ و تلگرام و جیمیل و... با فقط با ایجنتم حرف نزنم؟
این هفته تمرکزم رو ایمیل و پیام‌ها بود. تا اینجا ایمیل‌های شخصی و کاری، iMessage، تلگرام و واتس‌اپم رو به ایجنتم وصل کردم. هم میخونه، هم (فقط اگه تایید کنم) میتونه مستقیم جواب بده. proactive ـه و اگه چیزی از دستم در بره به‌موقع یادم میندازه.
و آره، در برابر prompt injectionهای رایجی که میتونه در برابرشون آسیب‌پذیر باشه هم مقاومه.
وایب‌کدینگ فقط اولیش بود. وایب‌مارکتینگ، وایب‌دیزاین، وایب‌تریدینگ، وایب‌هکینگ، همه‌شون الان هستن فقط خیلی اسماشون رو اینجوری نمیگن.
به‌نظرم این الگوی «وایب + فلان + ینگ» شروع هم‌کاری واقعی انسان و هوش مصنوعی بود، و احتمالاً ظرف چند سال به سه‌روزه شدن هفته‌ی کاری تو کشورهای جهان اول ختم میشه.
این ویدیوها و موشن‌گرافیک‌هایی که با Opus 5.5 درست میکنید هنوز تو چشمم نزده. ینی قابل تشخیصه که با Opus 5.5 زدین ولی با این‌حال واسه من هنوز تو کتگوری slop قرار نمی‌گیره. نمی‌دونم skill issue خودمه، یا مسئله‌ی «سلیقه»ی AI داره آروم‌آروم حل میشه.
حالا اون وقتی رو که ایجنت به‌جای من داشت ریفرش می‌کرد چیکار کرده باشم خوبه؟
ریلز. یکسره ریلز.
امروز می‌خواستم از دارک‌وب دراگ بخرم. اولین باری بود که بعد از پرداخت، به‌جای اینکه عین کسخلا صفحه‌ی ترنزکشن مونرو رو منتظر ۱۰ تا کانفرمیشن هی ریفرش کنم، سپردمش به Hermes که هر نیم دقیقه چک کنه و هروقت به ۱۰ تا رسید خبرم کنه.
فعلاً نقش AI تو پروسه‌ی دراگ خریدنم همینقدره. جالبه ببینم یک‌سال دیگه چقدر میشه.
امروز می‌خواستم از دارک‌وب دراگ بخرم. اولین باری بود که بعد از پرداخت، به‌جای اینکه عین کسخلا صفحه‌ی ترنزکشن مونرو رو منتظر ۱۰ تا کانفرمیشن هی ریفرش کنم، سپردمش به Hermes که هر نیم دقیقه چک کنه و هروقت به ۱۰ تا رسید خبرم کنه.
فعلاً نقش AI تو پروسه‌ی دراگ خریدنم همینقدره. جالبه ببینم یک‌سال دیگه چقدر میشه.
کار به جایی میرسه که فرقی بین چیزی که تو به LLM میگی و چیزی که مدیرت به تو می‌گه نمی‌مونه. یه روزی مدیرت مستقیم با مدل حرف می‌زنه. و یه روز بعدش، مدیرِ مدیرت.
مشکلایی که گفتی جفتشون از کانتکسته. tradeoff رو درک نمی‌کنه چون کانتکست کاملی از کدبیس و gotchaهایی که تیم تا اینجای پروژه بهشون خورده نداره. اگه داشته باشه، اتفاقاً خوب هم درک میکنه.
اگه چیزی بخوای که subjectively غلطه و مدل انجامش می‌ده، یعنی environmentی که براش ساختی (که خودش بخشی از کانتکسته) کامل نیست. ruleها و hookها و agents.md و امثالهم طوری ستاپ نشده که مدل قبل از اجرای هر فرمانی ارزیابیش کنه جای اینکه اینکه بدون سوال با هر پرامپتی که بهش بدی گه بزنه به کدبیس.
البته به‌مرور زمان پیشرفت مدل‌ها و هارنس‌ها قطعاً مواجهه با هرکدوم از این مشکل‌هارو آسون‌تر میکنه همینطور.
«مهندس نرم‌افزار وظیفه داره پرامپت درست بده»
الان اونجاییم که اکثر کارهای SWEها قابل اتوماتیک شدنه. یعنی تو یکی‌دو سال کارت تبدیل شده پرامپت دادن. کم‌کم بازار خلوت میشه و فقط خبره‌های پرامپت دادن می‌مونن. که همون‌هایی‌ان که domain expertise دارن تو اون زمینه‌ها. و پرامپت‌هایی که می‌دن همزمان که کار خودشون رو جلو میبره مستقیماً training data مدل‌های بعدی میشه. همونطور که (حداقل) دو ساله میدونیم داره این اتفاق میفته. یکی از همین مدل‌های بعدی دیگه به پرامپتشون نیاز نداره.
همونطور که خیلی از چیزایی که یه سال پیش تو پرامپتت می‌گفتی رو الان دیگه نمی‌گی.
خلاصه حرف کارپتی اینه که اگه با Opus 5.5 کد میزنین تو ۰.۲ درصد بالای هرمید.
Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel.
- Napkin math somewhere around 6B people (~75% of the population) have barely come in contact with LLMs at all.
- Around 1-2B (~20%) are casual and infrequent users of free-tier ChatGPT-like products. This group sees derpy chatbots and treats them a bit like a better Google search, a writing aid, or etc. Maybe an agent tries to book you a flight. I have non-tech friends who (reasonably, imo) say they have not much use for it at all. Even many professionals outside of math&code are in this tier. For example, execs and many other functions spend a lot of their time talking to other people, so while they understand what is happening intellectually, it is still second-hand and a bit abstract.
- Now we get to professional use of frontier-grade LLMs in math&code. Somewhere around 20M people (0.2%) see first-hand that large, complex projects that used to take them weeks/months can now be completed by agents with a prompt. Building apps, copying apps, translating apps, decompiling apps from binaries... This has all happened very quickly and recently - less than 1 year ago, I was writing code manually by hand, typing memorized computer code commands into a code editor character by character, occasionally pressing Tab to autocomplete a little chunk of code.
- And finally we get to the ~5,000 people (~0.00006%) with access to frontier-grade systems internally. The external world has seen the preview. It looks like swarms of thousands of agents collaborating over weeks on software mega projects: minting zero days, running cyber attacks and defenses at machine speeds, discovering new science, advancing the frontier of mathematics. Things that would have taken top professionals in the industry years of work. Meanwhile, human review and comprehension are starting to fall behind. For example, people are still involved in the "archeology" of the OpenAI-HF incident from many months ago. Mathematicians may be poring over the 722 manuscripts on frontier mathematics for a while.
The funnel is driven by a combination of factors:
1. The impact scales with ambition, problem size, and horizon. A question with a paragraph answer barely stresses the system. You need a reservoir of big, difficult problems that you really care about. This aspect drives the consumer / professional dimension of the funnel.
2. The jaggedness of the system (which I have written about a lot separately). Capability peaks in domains that are digital, verifiable and economically valuable. This is because LLM capability emerges from reinforcement learning on verifiable rewards on a curated environment mixture driven by revenue potential. This aspect primarily drives the area (e.g. math&code) dimension of the funnel.
3. Access. Free-tier, paid-tier, internal.
So this is the weirdness of the moment. The general public has mostly not interacted with these systems. When they have, it looks like a derpy chatbot. The majority of professionals still see only a modest uplift. And a small sliver of professionals are experiencing the vertigo of the curve going vertical. And it is all happening at the same time.
۱۰ ماه پیش، وقتی اینارو می‌گفت یه‌سری کسشر میگفتن بهش.
الان رسیدیم به اونجا.
بعد تازه اینا nerf هم میکنن هر چندوقت یه‌بار. مثلاً Fable 5.1 Medium، بعد عرضه‌ی Opus 5.5 دیگه مثل قبل نیست. و بهتره Fable 5.1 High رو جاهایی که قبلاً Mediumش رو کار میزدی کار بزنی.
واسه همینه میگم که تقریباً به‌جز استفاده‌ی مکرر و آزمون و خطا راه قطعی دیگه‌ای نیست.
جز اینکه benchmark suite خودت رو بسازی و هر ۱۵ روز مدل‌هاتو بنچ‌مارک کنی رو effort های مختلف. که از حوصله خارجه و (احتمالاً) پرهزینه.
منتظر سری جدید ظهور استارت‌آپ‌های تِک تو ایران باشید. همین الان داره اتفاق میفته. از داشبورد و CRMهای جدید ساختن واسه بیزنس‌های مختلف و wrapper های رنگارنگ گرفته، تا شرکت‌هایی که فقط چندتا FDE دارن و کارشون automate کردن کارهای خسته‌کننده‌ی بیزنس‌های دیگه و فرو کردن AI بهشونه.
بالای ۹۰ درصدشون زود میمیرن. ولی این ظهور به خودیِ خود پدیده بدی نیست به‌نظرم. به‌شرطی که ردی پول کثیف و سپاه و سپاهی توش نباشه البته. که بعیده معمولاً.