Тэкс, ну короче гайз как вы знаете я занимаюсь некрофилией поебывая свой давно у

Тэкс, ну короче гайз как вы знаете я занимаюсь некрофилией поебывая свой давно уже отрафированный вайбкодингом мозг уже как говорят историки "с незапамятных времен".

Сегодня я хвастался сам перед собой воистину грандиозным прорывом: я добился такого качества маркет скана, которое выше чем то что я когда-либо делал собственными руками. Я даже за 100к долларов не смог бы потратить достаточно времени и когнитивных усилий чтобы сделать такое качество такой ширины за год работы, которое теперь маркет скан способен сделать вообще без моего участия, без нажатия мной единой кнопки или даже бытия в курсе что он происходит.

Это ровно то что мне нужно для того чтобы в ближайшем будущем зарелизить мой self-serve SLSBMB AI, к чему я так яростно стремлюсь последние несколько месяцев.

Сказать что я неоднократно запускал тесты на разные модели чтобы понять на каких моделях маркет скан отрабатывает лучше всего - ничего не сказать. Думаю что я спалил десятки миллиардов токенов на эти эксперименты.

В пике безумие доходило до того что один маркет скан ДЛЯ ОДНОГО ПРОДУКТА использовал ~290-500 ПОСЛЕДОВАТЕЛЬНЫХ СЕССИЙ БЛЯДЬ. Рекордный такой ран занимал изи 2.5 дня.

В итоге мне удалось зарефайнить макулатуру на которой живет маркет скан и все раны таким образом, что достаточно 4 последовательных сессий: Research (до 50 минут), Writer (до 50 минут), Market Arms (как называются типы компаний и должности кторым будем писать, до 50 минут), и судья (проверяет всё сделанное 3мя предыдущими сессиями по гигантскому чеклисту, и может отдельные куски отправлять на доработку).

Я уже сказал что я делаю конкретно эту систему несколько месяцев, и она выпила всю мою кровь, а так же сперму, пропитку тканей слезных желез, и секрет простаты.

Я занимаюсь этим круглосуточно, и меня это порядком заебало.

Но я не сдаюсь.

И вот сегодня я получил колоссальные результаты, и осталось В КОТОРЫЙ СУКА РАЗ провести эксперимент не на конкретном сете моделей в которые я верю, а на разных моделях, и сравнить каждый сегмент меж собой, чтобы понять какой из раннеров пускать на какой модели для максимальной комбинаторной эффективности.