🧠 Understanding State Management in React.js

when we are building modern web apps with React.js, the state management is one oof the most important concept. it is the foundation that allows apps to update and react to user interactions and data changes.

🌱 What Is "State" in React?

No need to go deep. in simple words, State is data that is changing over time with time and it affects the content of the screen that user sees.

⚛️ The Two Types of Data in React

Props - data passed in to a component from its parent.
State - data managed inside a components

Props are like inputs and State is like the memory of a component.

🪄 How to Manage State

useState() hook in React used to create and mange local state inside a functional component.

import React, { useState } from "react";

function Counter() {
  const [count, setCount] = useState(0); // Initial state = 0

  return (
    <div>
      <h2>Counter: {count}</h2>
      <button onClick={() => setCount(count + 1)}>Increase</button>
    </div>
  );
}

export default Counter;

When the user clicks Increase, React updates the state and automatically re-renders the component and showing the new count to the user.

🔁 Why State Management Matters

When your app is growing, also growing the complexity of managing states

● Data may need to shared between multiple components.
● Some data might come from API or a database.
● When need to keep the UI synchronized with real-time updates.

Thats where state management becomes important, keeping your app’s data organized, predictable and easy to control.

🧩 Types of State in React

React applications deal with four main types of state

1. Local State - State that belongs to one component only.
2. Global State - Data that multiple components need to access.
3. Server State - Data fetched from a backend server or API.
4. URL State - Information stored in the browser’s URL

🛠 Common Tools for Managing State

● React Context API
● Redux Toolkit
● React Query (TanStack Query)

#ReactJS #StateManagement #ReactHooks #WebDevelopment #FrontendDev #JavaScript #useState #ReactTutorial #CodeNewbie #WebDevCommunity #LearnReact #ProgrammingTips #TechEducation #InfinityAI

✍️ @TheInfinityAI

🔥 Big news for multilingual NLP! Check out this new paper on MMBERT

🌐🤖 Summary: The PDF describes how a modern encoder model (MMBERT) was trained using massive multilingual data. It shows how it achieves better results in language understanding and translation tasks across many languages.

#MMBERT #MultilingualNLP #NLPResearch #AIModels #DeepLearning #BERT #LanguageAI #MachineLearning #ArtificialIntelligence #NLPCommunity #MultilingualAI #TechNews #InfinityAI

🚀 Free Python Full Course (සිංහල Medium)
🔹 Valid Until: November 06
🎓 Beginner Friendly | No Prior Experience Required

මේ Course එකෙන් ZERO to Advanced Python Programming පියවරෙන් පියවර ඉගෙනගන්න පුලුවන්. Variables, Data Types, Operators, Loops, Functions, OOP, Databases, GUI Development වැනි මුලික + ප්‍රායෝගික දේවල් හොදින් explain කරලා තියෙනවා.

💡 Ideal For:
• Programming beginners
• AI / Data Science / Automation learners
• Daily task automation with Python

📚 Course Duration: 15+ Hours
📝 Language: Sinhala
🧠 Simple Examples + Clear Explanations

🔗 Course Link:
https://www.udemy.com/course/python-for-everyone-sinhala-medium

🎁 FREE Access Coupon Code: CODEPROLKPYTHON
⏳ Use Before: November 06
——————————————————————
🔥 Grab It Fast & Save to Your Udemy Library
👨‍💻 Python is Must-Learn Today — Start Now!

🎉 Special Thanks to CodePRO LK for providing this amazing free learning opportunity!
👉 @codeprolk (YouTube)

✍️ @TheInfinityAI

Understanding the Transformer Model in LLMs

Introduction

When you are using ChatGPT, Google Gemini, Claude or any other modern AI Language Model, you are interacting with a transformer. The transformer architecture introduced in 2017 by Google researchers revolutionized the ability of computers to understand and generate human language. This article will walk you through what transformers are and how they work step-by-step. Before transformers, language models looked at one word at a time. It was like reading a book with a flashlight that only shows one word. This made it hard for the model to understand long sentences. As an Example, In the sentence "The bank was steep," the word "bank" could mean a financial bank or a riverbank. To choose the right meaning, the model needs to see the word "steep". Transformers fix this by looking at all words in a sentence at once. This helps the model see how each word connects to the others

Step 01 - Breaking Text Into Tokens

Before the transformer reads the text, it splits it into smaller units called tokens. Each token becomes a number (a vector) that the model understands. This is called tokenization and embedding.
- Input - "I love artificial intelligence"
- Tokens - ["I", "love", "art", "ificial", "intell", "igence"]

Step 02 - Adding Positional Information

Transformers look at all words at once, so they need to know the order. For example, "dog bites man" is very different from "man bites dog." Positional encoding adds order to the tokens. It's like giving page numbers to mixed-up book pages.

Step 03 - Attention Mechanism

This is the key part of transformers. Attention helps the model focus on important words when reading a sentence. Let's try to understand how Attention Works. Let's assume we need to translate "Le chat noir" (the black cat) into English. For this, the model needs to focus on "Le" and "noir" when working on "chat." The model uses three parts for this

01. Query - What word are we looking at now?
02. Key - What other words are there?
03. Value - What meaning do they give?

The model gives attention scores to all words to decide which ones are more important. Transformers use many attention heads at the same time (Multi-Head Attention). Each head looks at different things like grammar, meaning or logic. This helps the model understand better.

Step 04 - Feed-Forward Neural Networks

After attention, the model sends each word's information through a feed-forward neural network. This helps the model learn more and improve its guesses. It’s like asking, “Now that I understand the sentence better, now what else can I figure out about this word?”

Step 05 - Stacking Layers

Transformers use many layers, not just one. Each layer improves the output of the one before it.

Layer 1 - Finds simple word links
Layer 5 - Understands grammar better
Layer 10 - Handles deep meaning
Layer 20+ - Deals with complex ideas and reasoning

It’s like editing a paper many times to make it a better and clearer output.

Step 07 - Training the Model

Transformers learn by reading lots of text. During training:

- The model reads billions of sentences
- It guesses the next word
- If wrong, it makes small changes to improve
- It repeats this many times

This helps the model learn grammar, facts, patterns, and some logic.

Step 8 - How It Writes Text

When you ask a question:

- Your text becomes tokens
- Tokens go through all the layers
- Attention helps the model find meaning
- It guesses the next word
- Adds it to the answer

This will repeat until the answer is complete

Conclusion

Transformers are more powerful because they can read all words at once, understand long texts well, work better with more data and can be used for many tasks. Transformers changed how AI understands language by focusing on what matters and using many layers of learning. It became the core of most modern language models. They are not magic, but they are clever tools that learn from huge amounts of text and help computers understand and create human language better than ever before.

✍️ @TheInfinityAI

🎉 ChatGPT Go Plan – Now Free for 12 Months in India! 🇮🇳

OpenAI is offering the Go plan free for one year to users in India. This plan unlocks faster image generation, expanded file uploads, better memory, and longer context — all powered by GPT-5!

🌍 Live outside India? No problem!

You can still access this amazing offer using an Indian VPN. Just connect, refresh your browser, and upgrade to Go at ₹0/month for the first 12 months.

✨ Don't miss this limited-time opportunity to explore advanced AI features without paying a single rupee!

👉 Yeh, Try it now and supercharge your ChatGPT experience.

#ChatGPTGo #ChatGPTUpdate #OpenAI #AIIndia #GPT5 #TechNews #AIOffers #VPN #AICommunity #ArtificialIntelligence #AIFeatures #InfinityAI

@TheInfinityAI

OpenAI has officially rolled out GPT 5.1 worldwide. Paid users receive access first, with free users expected to join soon.

This release introduces two upgraded models. GPT 5.1 Instant delivers a warmer, more natural tone and follows instructions more smoothly. GPT 5.1 Thinking focuses on deeper reasoning, handling simple questions faster while dedicating more time to complex tasks.

What’s new:

▪️Adaptive reasoning that automatically adjusts thinking time
▪️Tone and personality presets such as Friendly, Professional, and Quirky
▪️Improved performance in math, coding, and logic evaluations
▪️Smoother conversation flow and better contextual memory

#OpenAI #GPT5 #ChatGPTUpdate #AIFeatures #TechNews #ArtificialIntelligence@TheInfinityAI

The biggest change in this new model is that it’s built to work like a "Digital Employee," not just a regular Chatbot.

Anthropic has introduced three main features this time: Effort Parameter, Context Compaction, and Tool Search. Usually, when we ask an AI a question, it just gives a standard answer. But with the Effort Parameter in Opus 4.5, we can decide how long the model should think. If you set it to "High Effort," it thinks much deeper than the old Opus 4.1 to solve coding problems. The amazing thing is, even at "Medium Effort," it performs just as well as the previous Sonnet 4.5 but uses 76% fewer output tokens. That’s a huge win for saving money.

The next most important thing is Context Compaction. We know that with any AI, the "memory" fills up as you keep working, and it forgets what you said at the start. But Opus 4.5 compresses old logs and unnecessary details, keeping only the important stuff in its active memory. Because of this, it can handle coding sessions that last for 30 hours straight. Also, thanks to Tool Search, it can now handle thousands of enterprise tools. It has the ability to search for and find the right tool when needed, just like a human looking up a manual to get work done.

Talking about Benchmarks, Opus 4.5 scored 80.9% on the SWE-bench Verified, which is the industry standard. This is a significant lead over Google Gemini 3 (76.2%) and GPT-5.1 (~76.3%). This isn't just a random number. It shows that Opus 4.5 can now handle bug fixing and feature implementation on its own, just like a Junior Developer. For example, it managed to fix a complex bug in a PostgreSQL extension—something previous models couldn't do—by cloning the repository and checking the internals all by itself.

On the Pricing side, Anthropic has made a big move. The old Opus 4.1 was expensive (around $15 input / $75 output). But the new Opus 4.5 is about 66% cheaper ($5 input / $25 output). Even though it's still a bit pricier than GPT-5.1 ($1.25/$10), Opus 4.5 saves you money in the long run because of its "First-pass reliability." Since it writes the correct code the first time, you don't waste money fixing errors.

In short, Claude Opus 4.5 isn't just another AI update. While Google is focusing on video and fancy features, Anthropic has chosen to focus on Pure Intelligence and Reliability. We can confidently say this is the best tool right now for complex work like Software Engineering and Data Analysis. It’s clear now that by 2026, the world of enterprise software is going to change completely because of these "Agentic" AI models.

@TheInfinityAI

ඔයා දන්නවද Uncensored LLMs ගැන, අපි හැමෝම වගේ ChatGPT, Claude එහෙමත් නැත්නම් Gemini වගේ AI tools පාවිච්චි කරන්න පුරුදු වෙලානේ ඉන්නේ. හැබැයි ඔයාට කවදා හරි හිතිලා තියෙනවද මේවා හිර වෙලා ඉන්න රාමුවෙන් එළියට ගියොත් මොන වගේ වෙයිද කියලා? අන්න එතනදි තමයි මේ Uncensored LLMs කියන මාතෘකාව කරළියට එන්නේ.

සරලවම කිව්වොත්, මේ මාදිලි හරියට 'බෑ' කියන්න දන්නේ නැති AI එකතුවක් වගේ. දැන් බලන්නකෝ, අපි සාමාන්‍ය ChatGPT එකෙන් ටිකක් මතභේදාත්මක හෝ අනතුරුදායක දෙයක් ගැන ඇහුවොත්, ඒක බොහොම ආචාරශීලීව ඒ ඉල්ලීම ප්‍රතික්ෂේප කරනවානේ. ඒකට හේතුව තමයි ඒවාට දාලා තියෙන Safety Guardrails නැත්නම් ආරක්ෂක වැටවල්. හැබැයි මේ Uncensored models වලට එහෙම කිසිම තහංචියක් නෑ. ඕනෑම දෙයක්, ඕනෑම විදියකට කතා කරන්න මේවා ලෑස්තියි. මේක එක පැත්තකින් භයානකයි වගේ පෙනුනට, පර්යේෂණ කරන අයට සහ නිර්මාණාත්මක දේවල් ලියන අයට නම් මෙය මාරම නිදහසක්.

මේවා නිර්මාණය කරන තාක්ෂණයත් හරිම පුදුම හිතෙන සුළුයි. මේ දවස්වල, ඒ කියන්නේ 2025 වෙද්දි ගොඩක් ජනප්‍රිය වෙලා තියෙන්නේ Abliteration කියන ක්‍රමවේදය. ඒ කියන්නේ අර Llama 3 වගේ ප්‍රබල මොඩල් එකක් අරගෙන, Model එකේ තියෙන refusal mechanism එක (ඒ කියන්නේ එපා කියන්න බල කරන කොටස) mathematically අයින් කරන එක. හරියට නිකන් අපේ මොලේ ඔපරේශන් එකක් කරලා බය කියන දේ අමතක කරවනවා වගේ වැඩක්.

දැන් ඔයාට ප්‍රශ්නයක් එන්න පුළුවන්, මොනවද මේ වෙද්දි තියෙන හොඳම Models කියලා.

Code ලියන්නයි, තර්කානුකූලව හිතන්නයි නම් මේ වෙලාවේ හැමෝම කතා වෙන්නේ Dolphin 3.0 එක ගැන. ඒක Llama 3.1 එක පදනම් කරගෙන හදපු හින්දා හරිම වේගවත් වගේම තියුණුයි. අනික නිර්මාණාත්මක දේවල් ලියන්න කැමති අයට Llama-3.2 Dark Champion එක ගොඩක් හොඳයි.

Images එහෙම හදන්න කැමති නම්, Midjourney එකටත් වඩා ලොකු නිදහසක් Flux.1 එකෙන් ලැබෙනවා. මොකද මේකේ Midjourney වගේ 'Banned Words' ලිස්ට් එකක් නෑ. හිතේ තියෙන ඕනම අදහසක් රූපයක් කරන්න මේකට පුළුවන්. ඒ වගේම දැන් වීඩියෝ හදන අයටත් Wan 2.1 සහ Open-Sora වගේ tools ලොකු වාසියක් වෙලා තියෙනවා, මොකද මේවා ඕනම කෙනෙක්ට තමන්ගේ PC එකේම රන් කරන්න පුළුවන් නිසා.

විශේෂම දේ තමයි, අපේ සිංහල භාෂාව හසුරුවන්න පුළුවන් JOSIEFIED-Qwen3 වගේ මාදිලිත් මේ අතර තියෙන එක. ආසියානු භාෂා එක්ක වැඩ කරන්න මේක හරිම දක්ෂයි.

කොහොම වුණත්, මේ තාක්ෂණය හරිම risky. මේකෙදි අපිට ලැබෙන නිදහස එක්කම ලොකු වගකීමකුත් එනවා. මොකද මේක පාවිච්චි කරන කෙනාගේ අරමුණ මත තමයි ඒක තීරණය වෙන්නේ.

@TheInfinityAI

භෞතික විද්‍යාවෙන් උපන් කෘතිම බුද්ධිය (ANN සඳහා නොබෙල් ත්‍යාගය හිමිවූයේ ඇයි?)


​2024 වසරේ භෞතික විද්‍යාව සඳහා වූ නොබෙල් ත්‍යාගය පිරිනමන්නේ ජෝන් හොප්ෆීල්ඩ් (John Hopfield) සහ ජෙෆ්රි හින්ටන් (Geoffrey Hinton) යන විද්වතුන් දෙපළට. පරිගණක විද්‍යාව ට අදාළ යැයි බොහෝ දෙනා සිතන "කෘතිම ස්නායු ජාල" (Artificial Neural Networks - ANN) සඳහා භෞතික විද්‍යා නොබෙල් ත්‍යාගය හිමිවීම බොහෝ දෙනෙක් පුදුමයට පත් කළ කරුණක්.
​ඒත් ඒකට බලපාපු ප්‍රධානතම හේතුව වෙන්නේ අද අප භාවිතා කරන දියුණු AI තාක්ෂණය ගොඩනැගීමට ඔවුන් භෞතික විද්‍යාවේ මූලධර්ම (Physics Principles) භාවිතා කිරීම.

පලවෙනි මාතෘකාව "Spin Glass Systems සහ Hopfield Networks"

2024 නොබෙල් ත්‍යාගය Physics වලින් AI වලට ලැබුණේ ඇයි කියලා බැලුවොත්, ඒකේ ලොකු ක්‍රෙඩිට් එකක් යන්න ඕන John Hopfield ට. එයා කරපු දේ හරිම පුදුම හිතෙන වැඩක්. එයා කළේ භෞතික විද්‍යාවේ තියෙන Spin Glass Systems කියන සංකල්පය පාවිච්චි කරලා, පරිගණකයකට මිනිස් මොළේ වගේ Associative Memory එකක් හදපු එක.

​අපි බලමු මේක වෙන්නේ කොහොමද කියලා.

1. මොකක්ද මේ Spin Glass කියන්නේ?

​Physics වලදී අපි දන්නවා කාන්දම් (Magnets) හැදෙන්නේ පරමාණු (Atoms) වල තියෙන Spins එක පැත්තකට පෙළ ගැසීමෙන් කියලා. සාමාන්‍ය කාන්දමක මේ Spins ඔක්කොම හරිම පිළිවෙලයි (Orderly). ​නමුත් Spin Glass කියන්නේ විශේෂ ලෝහ වර්ගයක් (Alloy). මෙතනදී පරමාණු පිහිටලා තියෙන්නේ Random විදියට. මේ නිසා ඇතුලේ තියෙන Spins වලට ලොකු ප්‍රශ්නයක් එනවා.
- ​සමහර Spins එයාගේ අසල්වැසියා එක්ක එකඟ වෙන්න බලනවා (Align).
- ​තවත් සමහර Spins එයාගේ අසල්වැසියාට විරුද්ධ වෙන්න බලනවා (Anti-align).

​මේ නිසා මේ සිස්ටම් එක ඇතුලේ ලොකු ගැටුමක් ඇති වෙනවා. මේකට Physics වල කියන්නේ Frustration කියලා. මේ Frustration එක නිසා මේ සිස්ටම් එකේ Energy එක වැඩි වෙනවා. සොබාදහමේ නියමයන් අනුව ඕනෑම සිස්ටම් එකක් ට්‍රයි කරන්නේ එයාගේ Energy එක අඩු කරගෙන Stable Equilibrium එකකට එන්න. ඉතින් මේ Spin Glass එකේ Spins ටික එහා මෙහා වෙවී පොරබදමින් අන්තිමට අඩුම ශක්තියක් තියෙන (Low Energy) තැනක ස්ථාවර වෙනවා.

2. Hopfield Network එක වැඩ කරන හැටි

​John Hopfield මේ කන්සෙප්ට් එක කෙලින්ම Artificial Neural Networks වලට ඇප්ලයි කළා.
- ​Atoms/Spins = Neurons: එයා නියුරෝන ගත්තේ 1 හෝ 0 (On/Off) විදියට.
- ​Interactions = Weights: පරමාණු අතර තියෙන බලය, නියුරෝන අතර තියෙන සම්බන්ධතා (Connections) විදියට ගත්තා.

​එයා හදපු මැතමැටිකල් මොඩල් එකේ තියරිය මේකයි:

"අපි නෙට්වර්ක් එකට යම් Pattern එකක් (උදා: පින්තූරයක්) සේව් කළාම ඒක සිස්ටම් එකේ Energy Landscape එකේ තියෙන ගැඹුරු වළක් (Valley) වගේ පිහිටනවා." ​ඔයා මේ සිස්ටම් එකට අසම්පූර්ණ පින්තූරයක් (Input with Noise) දුන්නොත් ඒක හරියට කඳු මුදුනක ඉඳන් බෝලයක් අතහැරියා වගේ වැඩක්.

- ​Input එක දුන්න ගමන් සිස්ටම් එකේ Energy එක High වෙනවා.
- ඊට පස්සේ Hopfield ගේ රූල් එක අනුව නියුරෝන Update වෙමින්, Energy එක අඩු කරගන්න ට්‍රයි කරනවා (Energy Minimization).
- ​අන්තිමට අර බෝලේ පෙරළිලා ගිහින් ළඟම තියෙන වළට (Local Minimum) වැටෙනවා.
- ​අන්න ඒ වළේ තියෙන්නේ අපි කලින් සේව් කරපු Original Image එක.
​
ඒක නිසා, ​Hopfield Network එක තමයි ලෝකයේ මුලින්ම පෙන්නුවේ Physics වල තියෙන Energy Dynamics පාවිච්චි කරලා පරිගණකයකට දේවල් මතක තියාගන්න පුළුවන් බව (Content-Addressable Memory). අපිට දෙයක් අඩුවෙන් මතක් වුණාම (උදා: සින්දුවක තාලේ විතරක් මතක් වුණාම), මුළු සින්දුවම මතක් කරගන්න අපේ මොළේ වැඩ කරන. විදිය ගණිතමය වශයෙන් ඔප්පු කරපු තැන තමයි මේක.

ඔන්න දැන් තමා දෙවෙනි මාතෘකාව, "Boltzmann Machines සහ Statistical Mechanics".

Artificial Intelligence අද තියෙන තැනට එන්න ලොකුම හේතුවක් තමයි Geoffrey Hinton. එයා 2024 නොබෙල් ත්‍යාගය දිනාගත්තේ AI තාක්ෂණයට Statistical Mechanics (සංඛ්‍යානමය යාන්ත්‍ර විද්‍යාව) එකතු කරපු නිසා. මේ ආටිකල් එකෙන් අපි බලමු කොහොමද 19 වන සියවසේ Physics තියරියක්, 21 වන සියවසේ AI වලට පදනම දැම්මේ කියලා.

1. ​මොකක්ද තිබ්බ ප්‍රශ්නය?

​මුල් කාලේ තිබ්බ Neural Networks වල ලොකු අවුලක් තිබුණා. අපි හිතමු සිස්ටම් එකක් යම් ගැටලුවකට උත්තරයක් හොයනවා කියලා. මේක හරියට කඳු සහිත ප්‍රදේශයක තියෙන බෝලයක්, පල්ලෙහාම තියෙන ගැඹුරුම වළ (Best Solution / Global Minimum) හොයාගෙන යනවා වගේ වැඩක්.
​හැබැයි ප්‍රශ්නේ තමයි මේ බෝලේ යන අතරමග තියෙන පොඩි වළක (Local Minimum) හිර වෙන්න පුළුවන්. එතනින් එහාට ඒකට යන්න බැරි වෙනවා. ඒ කියන්නේ AI එක වැරදි උත්තරයක් ළඟ හිරවෙනවා.

2. මොකද්ද මේකට විසදුම? (Statistical Mechanics සහ Boltzmann Distribution)

Hands-On AI_ RAG using LlamaIndex Part 01 to Part 04

Part 01: https://t.me/AIMLDeepThaught/959
Part 02: https://t.me/AIMLDeepThaught/967
Part 03: https://t.me/AIMLDeepThaught/975
Part 04: https://t.me/AIMLDeepThaught/979

1. Introduction

01. Overcome the limitations of LLMs with RAG
02. Limitations of LLMs
03. Use cases for retrieval-augmented generation RAG

2. Getting Started

01. Using GitHub Codespaces
02. Setting up your environment
03. Choosing an LLM and embeddings provider
04. Setting up LLM accounts
05. Choosing a vector database
06. Setting up a Qdrant account
07. Downloading our data

3. Fundamental Concepts in LlamaIndex

01. How LlamaIndex is organized
02. Using LLMs
03. Loading data
04. Indexing
05. Storing and retrieving
06. Querying
07. Agents

Hands-On AI_ RAG using LlamaIndex Part 02

4. Introduction to RAG

01. Components of a RAG system
02. Ingestion pipeline
03. Query pipeline
04. Prompt engineering for RAG
05. Data preparation for RAG
06. Putting it all together
07. Drawbacks of Naive RAG

5. RAG Evaluation

01. Introduction to RAG evaluation
02. Evaluation metrics
03. How to create an evaluation set

Hands-On AI_ RAG using LlamaIndex - Part 03

5. Advanced RAG Pre-Retrieval and Indexing Techniques

01. How we can improve on Naive RAG
02. Optimizing chunk size
03. Small to big retrieval
04. Semantic chunking
05. Metadata extraction
06. Document summary index
07. Query transformation

6. Advanced RAG Post-Retrieval and Other Techniques

01. Node post-processing
02. Re-ranking
03. FLARE
04. Prompt compression
05. Self-correcting

Hands-On AI_ RAG using LlamaIndex - Part 04

7. Modular RAG

01. Hybrid retrieval
02. Agentic RAG
03. Ensemble retrieval
04. Ensemble query engine

8. Conclusion

01. LlamaIndex evaluation
02. Comparative analysis of retrieval-augmented generation technique