Le Masque

Le Roi D'la Floride

[kalala666 @1pasdeux75]

Ils font tout pour éviter que le peuple ne se rende compte qu’on vit dans une simulation comme dans Truman ils sont prêts à investir des milliards pour duper le peuple et ça marche les éveillés prenez conscience de la chance que vous avez de tout comprendre

[CTFTHEORY @mathmaticulous]

For thousands of years, the number 144,000 has been a deep mystery, famously appearing in ancient texts like the Book of Revelation.

what if it wasn’t just a spiritual metaphor? What if it was an advanced mathematical blueprint?

To understand it, we look to Buckminster Fuller, the famous architect who popularized the geodesic dome (think of the giant sphere at EPCOT).

Fuller found a simple formula to count the exact number of intersecting points (nodes) on a spherical grid , 10 times the "frequency" squared.

Frequency is just how many times you slice up the triangles to make the sphere smoother. If we use a frequency of exactly 120, something cool happens.

Why 120? In math, 120 is "5 factorial" (written as 5!, which just means 5 x 4 x 3 x 2 x 1). It is a highly foundational number that also represents the exact number of perfect symmetries in a 20-sided 3D shape.

Plug 120 into Fuller's formula: 120 squared is 14,400. Multiply that by 10, and you get exactly 144,000 points.

This specific 144,000-node sphere does the impossible. It unifies the two fundamental "languages" of the universe.

Normally, the math of adding (like the Golden Ratio) and multiplying (like Prime numbers) do not align. They are two different grids.

But at this exact 144,000-node geometry, they perfectly overlap. The physical coordinates of the sphere land flawlessly on a Golden Ratio grid, while the overall structure perfectly obeys the complex laws of prime numbers.

They didn't just pick a big number to sound impressive. 144,000 is a mathematical singularity where geometry and number theory become one.

The Golden Geodesic Fibonacci Structure in the 144,000-Node CTF Manifold
https://t.co/uCfnYrMMIc

The Prime Lattice Coherence Framework: A Unified Master Document
https://t.co/DwBbibESHA

https://t.co/zEPR9Ku75k

[ali @waterloo_intern]

it took 1 intern 3 months of continuous work, but eventually, a quantization method that beat every other algo in the market, including @nvidia's official modelopt

to explain why this matters, i ask for exactly 69 seconds of your attention (275 words @ avg reading speed of 238 wpm):

frontier models (like glm52) are huge (~0.8T params). as released, each parameter takes 2 bytes (bf16), so overall size is about 1.6 tb

a b200 has 180gb of memory. a node of 8 gives you 1.44 tb, barely fits weights, much less activations / kv cache

must quantize the model (reduce the size of each individual parameters) to serve. fp8 quantization means each parameter takes 1 byte (fits in 0.8 tb), fp4 takes 1/2 a byte (fits in 0.4 tb)

cutting the model to a quarter its original size is necessary for it to run a) cheap b) fast, and every lab serving models does this.

but, quantization lobotomizes the model if not done correctly (this is why you see people complain about @AnthropicAI nerfing claude or @OpenAI nerfing codex)

there are currently several algorithms (like Nvidia's official model-opt) that attempt to figure how to quantize a model with the least amount of damage.

they find the redundant layers that can be slashed, and sensitive/important layers that need to stay in full-precision.

these algo's have two drawbacks:
1) they take a long time to run
2) they quite often result in a sub-optimal configuration

for the past 3 months, a research (and, as always, waterloo) intern on our model perf team (@the_joshua_hill) came up with a new quant algorithm.

it consistently finds the optimal configuration:
a) in less time than SOTA
b) with more aggressive quant than SOTA
c) scoring higher on benchmarks than SOTA

achieving just one of the above is a feat on its own.

all three...excited for the paper to come out this week

[Nostra @NostraaPro]

Même les non affiliés mettez vos pseudos je veux voir quelque chose

[Le Masque @BahCestBalauw]

@NostraaPro PorQueHombre

[Le Masque @BahCestBalauw]

@Borg_Cryptos France 2:1 Maroc

[Borg @Borg_Cryptos]

🚨 REMINDER

$2,000 to 5 people who predicts exact score

Ends in 12 hours

[Crypto Beast @cryptobeast]

🚨 LAST CHANCE

$1,200 to 3 people who predicts exact score

Ends in 12 hrs

[Le Masque @BahCestBalauw]

@cryptobeast France 3:1 Maroc

[Galactic Troubadour @NousHenosis]

Everyone should stop what they’re doing and go read this right now. I’m so serious

[Tristen Gelrud @TRSTNGLRD]

Every subject will soon be mapped, and Colleges will become research centers that hosts workshops

All learning will soon take place locally, on your own, and will be optimized to best fit your learning style, emphasizing derivation and understanding over memorization

@_MathAcademy_ is the first proof of concept of this, and the coming years will only bring us closer to a complete map of education

One of the world’s greatest debt-generators, wiped out in an instant while simultaneously growing collective intelligence ten-fold

[All day Astronomy @forallcurious]

JUST IN🚨: Leading scientists and military personnel were given a 'secret workbook' from 1977 by the CIA containing instructions on how people could access extra strength and speed with the power of their minds.

[Defend Intelligence (Anis Ayari) @DFintelligence]

Ah purée yes !!! Je peux enfin vous en parler. J'ai utilisé 5.6 Sol pendant des mois.

Et je peux donc vous expliquer que, oui, c'est lui qui m'a aidé à faire mon unity-like que vous voyez dans ma dernière vidéo.

Je vais vous publier des comparatifs avec Fable 5 et 5.5.

Vous voulez voir quoi ?

[Crown 👑 @ciruai]

Unsloth UD-Q8_K_XL DeepSeek-V4-Flash full precision lossless is only 162GB. That means the new AMD Ryzen AI MAX 400 "Gorgon Halo" with 192GB is about to make full quality v4 flash possible from home on an x86 computer at under 120w.

Incredible

@AMDRyzen @AMD

[Hidden Epoch @HiddenEpochH]

Your Bible has 66 books. Ethiopia's has 81. Their church never let Rome or the Reformation touch its canon, and the 15 extra books include one that names the angels who taught humans forbidden knowledge. Tomorrow morning I'm opening the list.

[m_ric @AymericRoucher]

Je suis d'accord avec Le Cun là dessus, et c'est orthogonal à l'étude d'Anthropic sur le J-space.

On sait (cf papier en commentaire) qu'un LLM est limité par sa profondeur (nombre de layers) à une certaine complexité maximale de problèmes.
En gros, pour un problème qui demande de panser à N coups d'avance (par exemple un "mat en N coups" ou le problème des tours de Hanoi), si la profondeur de ton LLM n'est pas supérieure à une fonction polynomiale de N, il n'y arrivera pas du tout.

C'est pour ça que Chain-of-Thought a tant explosé les scores et, après avoir commencé comme un gadget "let's think step-y-step" en 2023, est devenu un mécanisme fondamental de TOUS les LLM auourd'hui: CoT est un excellent moyen pour le LLM de loop sur un input. Les LLM passe une fois sur l'input, en déduit un token, repasse sur l'input +1 token, en déduit un autre...
ça débloque toutes les classes de problèmes. C'est expliqué plus rigoureusement dans le papier en commentaire.

Maintenant, si on accepte ce framework de "les transformers son naturellement limités en complexité, et le CoT est un moyen de loop"
Alors la loop est en effet un peu pauvre, on ne passe que quelques bits d'info à chaque l'itération suivante. C'est d'ailleurs un problème que des architectures de Recurrent Transformers dont HRM ou TRM pourraient résoudre en passant de vrais vecteurs.

De son côté, le papier d'Anthropic porte seulement sur "comment se passe une forward pass", pas sur la CoT. Ils y voient des représentations vectorielles complexe, mais ça ne dit rien sur l'efficacité ou pas de la CoT.

[Nostra @NostraaPro]

100€ like/rt

[Frenchie @Frenchie_]

🤖 “La main est la partie la plus difficile” - Elon Musk

J’ai essayé de mapper la supply chain de la main robotique
~30 fournisseurs, répartis sur 6 briques clés

Tout n'est pas côté donc a mon sens, voici les 5 sociétés cotées qui peuvent le plus encaisser si les robots humanoïdes explosent :

Layer 1 — Force & Tactile Sensing

Vishay Precision Group $VPG
MCAP : ~$1.7B
YTD : ~+215%

Les jauges de contrainte restent l’un des standards les plus robustes pour mesurer force, pression et couple.
Dans une main humanoïde, il faut mesurer ce qui se passe dans chaque doigt, chaque articulation, chaque contact.

Q1 2026 :
book-to-bill de 1.36 sur les Sensors
$1M de commandes humanoïdes déjà bookées
un 4e client en discussion

Les clients ne sont toujours pas confirmés publiquement, et c’est là que se situe l’asymétrie.
Si Figure, Tesla ou un autre gros intégrateur est validé, le rerating peut continuer. À l’inverse, le marché a déjà pricé de gros noms. Si les clients sont plus petits ou moins stratégiques, le repricing peut être violent.

Layer 2 — Edge Control / MCU / Motion Control

2. STMicroelectronics $STM 🇫🇷
MCAP : ~$65B
YTD : ~+180%

Le STM32 est quasiment devenu le MCU par défaut de beaucoup d’applications robotiques.
Une main dextre a besoin de contrôle embarqué, des drivers moteurs, des IMU MEMS, des capteurs, de la communication locale.
Une main robotique avancée peut embarquer des dizaines de puces ST, peu importe l’intégrateur final.
Ce qui me dit qu'il y a un coup à jouer c'est que ST a intégré ses solutions dans le pari NVIDIA Physical AI, notamment via Holoscan Sensor Bridge, Isaac Sim et les plateformes Jetson.
L’objectif annoncé est de simplifier la connexion des capteurs et actionneurs ST aux plateformes Jetson, en particulier pour les humanoid robots.
C’est aussi l’un des rares moyens d’avoir une exposition robotique cotée à Paris, éligible PEA.

Layer 3 — Precision Transmission

4. Harmonic Drive Systems $6324.T 🇯🇵
MCAP : ~$5.8B
YTD : ~+135%
Le réducteur harmonique est l’une des pièces les plus critiques d’une articulation robotique.

Harmonic Drive reste la référence mondiale du haut de gamme, avec des décennies de domination dans les robots industriels et le semicap.

Si les humanoïdes scalent, ce n’est pas un nouveau marché à inventer pour eux, c’est un marché incrémental sur une compétence déjà maîtrisée et pour moi le péage obligatoire de la robotique hors Chine.

Layer 4 — Position Feedback/Magnetic Encoders

3. Melexis $MELE 🇧🇪MCAP : ~€3.1B YTD : ~+15%
Chaque articulation doit savoir précisément où elle est, en permanence.
C’est le rôle des capteurs de position, notamment magnétiques.
Melexis est très fort sur ce segment avec sa gamme Triaxis. Aujourd’hui, l’entreprise reste surtout exposée à l’auto, avec un cycle encore déprimé.
C’est justement ce qui rend le dossier intéressant, en gros la robotique n’est pas encore vraiment pricée

Layer 5 — Flex Interconnect / FPC

Zhen Ding 🇹🇼
MCAP : ~$22B
YTD : ~+200%

Une main robotique à besoin de 20+ degrés de liberté, en gros c'est une horreur de cablage partout...
L'ensemble de ce qu'on a cité plus haut, capteurs, moteurs, encodeurs, contrôle, retour d’information, tout doit transiter dans un espace extrêmement compact.

Le FPC devient donc une brique invisible mais indispensable.

Zhen Ding est le n°1 mondial du PCB, dans la galaxie Foxconn, avec un historique très fort chez Apple.
La société n’a pas besoin des humanoïdes pour vivre.
Mais chaque main robotique vendue devient du revenu incrémental.

TLDR :
Ce ne sont pas forcément les noms les plus sexy
Mais si les humanoïdes scalent vraiment, ce sont les fournisseurs que toute la chaîne devra payer

Je précise que je suis positionné depuis Janvier et qu'actuellement tout le monde à le mot robotique à la bouche, j'attendrai potentiellement que le flux retail passe.

Concernant la Chine, c'est un marché complexe qui a aussi ses avantages mais peu d'exposition claire pour un occidental. Ils ont actuellement une industrie SOLIDE et sont largement sous estimés

[willo2 @willo2_Poly]

1 month ago, Polymarket scammed me for $500K, with 1,868 traders losing a total of $6.5M.

Now we're taking Polymarket to court.