>OpenAI reports that roughly 10,000 concurrent agents found the result in about 88 hours, using approximately 130 billion output tokens, followed by Lean verification.

https://github.com/RustedBytes/qualirs

updated this tool to fix some false positives

#rust

Gonna test this with real cases

Memgraph is doing the task very well but alternatives from the Rust ecosystem also need to be reviewed

Chinese person came to one of the chats and I learned from him that there’s https://www.tianyancha.com

It’s an aggregator of Chinese companies

https://github.com/BitingSnakes/binotel-api

#python #telecom

https://openai.com/index/scaling-storage-one-billion-users-part-one/

#rust #backend #ai

Interestingly that Threads has Fediverse support

https://github.com/tombi-toml/tombi

#rust #toml

Every Go module connected to the ecosystem, placed by its dependencies alone.

https://shape-of-go.pages.dev/

There’s a fork: https://github.com/pgsty/silo

#s3

Покращую бібліотеку для нормалізації текстів вже другий день.

Я її початково створив на С++ щоб перевірити те як працює pybind11 для створення python-розширень.

Із проблемних частин - це використання https://github.com/hanickadot/compile-time-regular-expressions який компілюється довго на Windows (2.5 години).

Codex який є великою мовною моделлю працює натурально в задачі перевірки нормалізованих речень щоб знайти крайові приклади, тому оця "доводка" до вигляду коли бібліотека працює стабільно на більшості вхідних речень, потребує часу.

#python #cpp

Якщо хтось не знає, що таке pybind11, рекомендую ознайомитись з цим інструментом тут: https://github.com/pybind/pybind11

У них є документація яка пояснює все для його використання

Завдяки йому можна код на C/C++/ASM загорнути в python-бібліотеку