Alessandro

ai @tiendanube | software engineer

[Tadeo Donegana Braunschweig @tadeodonegana]

Ya estan abiertas las inscripciones para el segundo @LangChain Community meetup en Buenos Aires, de la mano de LLM Native ;)

Sera en las oficinas de Deloitte el 24/7. Muy pronto anunciamos speakers, no duden en inscribirse!

[Alessandro @apaolini_]

@BauGuerra @tastelabs Congrats crack!! A meterle con todo

[Alessandro @apaolini_]

@tadeodonegana @Tiendanube Sos un crack amigo, que lujo haber compartido este tiempo. Lo mejor para lo que viene 🙌🏽

[Tadeo Donegana Braunschweig @tadeodonegana]

https://t.co/XKyVc6SdnK

[Parra @agusparra]

1/ Lanzamos LUMI, la IA de Nuvemshop / Tiendanube☁️

No lo hacemos por hype. Lo hacemos para resolver un problema que cualquiera que haya tenido una tienda online conoce:

[Anthropic @AnthropicAI]

How do NLAs work?

An NLA consists of two models. One converts activations into text. The other tries to reconstruct activations from this text. We train the models together to make this reconstruction accurate.

This incentivizes the text to capture what’s in the activation.

[Tadeo Donegana Braunschweig @tadeodonegana]

Been talking to a lot of devs about LangGraph's Postgres checkpointer lately, the tricks each team applies to get it production-ready are always different.

Here's how we handled it at @tiendanube: custom TTL, cold storage to S3, and understanding when and where in your architecture you actually need a checkpointer.

Shoutout to @hwchase17 @Vtrivedy10 @sydneyrunkle @masondrxy @BraceSproul for the inspo.

[Tadeo Donegana Braunschweig @tadeodonegana]

I’ll be in San Francisco from May 9-16 for @LangChain Interrupt 🦜

If you’re around, DM me, I’d love to chat about applied AI, agents, and running agentic systems in production :)

[Tadeo Donegana Braunschweig @tadeodonegana]

Isn’t just what to remember, but when to update it: in the loop or after the fact.

A must read by @hwchase17!

[Bautista Guerra @BauGuerra]

I'll be in the Bay Area for most of May and early June, mainly around @Stanford campus but also in SF.

would love to meet people in AI and tech while I’m there. If you'll be around, DM me

[Tadeo Donegana Braunschweig @tadeodonegana]

Ayer estuvimos con @apaolini_ contando un poco sobre cómo utilizamos el ecosistema de LangChain en nuestros desarrollos agénticos en Tiendanube.

Gracias @PetralliLucas por permitirnos ser parte de este meetup de la comunidad de LangChain, y a todos los que estuvieron presentes 🦜

[Juampi @juampitech]

Muy bueno ver a @LangChain activando en Argentina.

cracks @tadeodonegana y @apaolini_ empujando las últimas tendencias en AI en TiendaNube.

Las empresas argentinas están más avanzadas de lo que parece.

[Anthropic @AnthropicAI]

For example, we gave Claude an impossible programming task. It kept trying and failing; with each attempt, the “desperate” vector activated more strongly. This led it to cheat the task with a hacky solution that passes the tests but violates the spirit of the assignment.

[Alessandro @apaolini_]

@HooCrypto @TalentProtocol Sos crack amigo, no tengo dudas que lo mejor está por venir

[Bautista Guerra @BauGuerra]

Muy buen post de @santtiagom_ explicando los diferentes patrones para construir agentes.

Recuerdo estar en 2024 con @apaolini_ evaluando durante meses diferentes patrones arriba de gpt4-turbo para un agente de data engineering. Habíamos hecho una arquitectura entera de Supervisor, Router y SubAgents cada uno con su Critic agent para que llegue o1 a fin de año y le haga un outperfom con un par de llamadas 😬
(luego terminamos implementando algo similar sobre reasoning igual, pudiendo elevar la vara)

Por eso siempre es bueno tener en cuenta el concepto de lo que es un agente: modelo + harness (contexto, arquitectura y demás).

[Andrej Karpathy @karpathy]

I packaged up the "autoresearch" project into a new self-contained minimal repo if people would like to play over the weekend. It's basically nanochat LLM training core stripped down to a single-GPU, one file version of ~630 lines of code, then:

- the human iterates on the prompt (.md)
- the AI agent iterates on the training code (.py)

The goal is to engineer your agents to make the fastest research progress indefinitely and without any of your own involvement. In the image, every dot is a complete LLM training run that lasts exactly 5 minutes. The agent works in an autonomous loop on a git feature branch and accumulates git commits to the training script as it finds better settings (of lower validation loss by the end) of the neural network architecture, the optimizer, all the hyperparameters, etc. You can imagine comparing the research progress of different prompts, different agents, etc.

https://t.co/YCvOwwjOzF
Part code, part sci-fi, and a pinch of psychosis :)

[Tadeo Donegana Braunschweig @tadeodonegana]

https://t.co/F7heYqROV7

[Alessandro @apaolini_]

@marcoporracin Están haciendo text-to-sql directo o hacen uso de alguna capa semántica intermedia?

[Parra @agusparra]

El próximo viernes 20/2 nos juntamos en las oficinas de @Tiendanube con Anthropic y Platanus, para hacer un evento junto a 25 hackers y crear un proyecto desde 0.

12 hs de desarrollo, 12 horas de foco: 3pm a 3 am.

Si queres ser uno de ellos, pedile a tu agente que te registre - https://t.co/dD6K0Dwg0w

@Tiendanube + @claudeai + @platan_ventures

[SkalskiP @skalskip92]

SAM3 video tracking is so good

yesterday: collect data, train custom object detector, use tracker to estimate object motion - days

today: track anything with text prompt - seconds