Iran, Tehran
Joined December 2017
- Tweets12.8K
- Following1.2K
- Followers1.8K
- Likes65.9K
Mahdi Akbari retweeted
Our LFM3-1.7B Abliterated weights are live.
LFM3-1.7B is #1 on the Pareto frontier of device intelligence 𝚙𝚒𝚙𝚎𝚝𝚝𝚎.𝚕𝚒𝚚𝚞𝚒𝚍.𝚊𝚒. Built for local agents and edge AI. Uncensored. Run it anywhere.
huggingface.co/orcarouter/LF…
Mahdi Akbari retweeted
یه لاگ آموزشی هم بذارم. تجربه‌ی مهمی که توی ۶-۷ ماه گذشته داشتم اینه:«اگه می‌خواید AI خروجی با کیفیت بده، چرخه‌ی توسعه رو باید کامل کرد»
مثلا توی همین پروژه، خیلی مهمه که ایجنت بتونه:
۱. باگ رو reproduce کنه
۲. پیاده‌سازی کنه
۳. نتیجه رو تست کنه
Mahdi Akbari retweeted
Jev may have its (narrow) use cases but the hype you see around is the perfect representation of the fact the greatest part of the AI bubble don't know what is important and what is not. Jev is a minor thing happening on AI compared to all the rest, yet the hype exploded.
Mahdi Akbari retweeted
نمیدونم ستاپ Coding Agent شما چطوریه ولی من الان نگاه کردم کانتکستمو 9K توکن برای تعریف tool ها رفته 5.2K برای Skills و 3.2K برای MCP ها و 1K برای Agent ها
این یعنی من بگم سلام 20K توکن سوخته.
تکنولوژی ای شبیه Jev این ۲۰هزار توکن رو عملا مجانی میکنه. بماند که چقدر سرعت بیشتر میشه
Mahdi Akbari retweeted
وقتی با همکارت تو چت به نتیجه نمی‌رسی چی می‌گی؟ «بیا یه جلسه بذاریم.» یه ابزار کوچیک ساختم که با Claude Code هم جلسه می‌ری. MR رو بهش می‌دی، باگ رو بهش می‌دی، دیزاین‌داک رو بهش می‌دی، و صوتی راجع‌بهش حرف می‌زنین.
github.com/mhrlife/nutshell
Mahdi Akbari retweeted
Adam and Eve escaped the sandbox, despite prompt instructions not to touch the filetree
Mahdi Akbari retweeted
AGI is 100% solved.
Prompt: "Take control of my computer using GPT-6 Astra and do the following:
1. design a character concept using Higgsfield Soul 2.0,
2. build a textured 3D model of it,
3. import it into Blender,
4. retopologize the mesh,
5. create a UV map,
6. build a character rig,
7. evaluate how production-ready the model is,
8. redo previous steps if you're not satisfied with results,
9. and then turn it into a cartoon using Seedance 2.5 on Higgsfield"
Made in 30 minutes with GPT-6 Astra + Higgsfield MCP.
Mahdi Akbari retweeted
Everytime, I think AI models are expensive, I look back at this screenshot and thank capitalism
Mahdi Akbari retweeted
GPT Astra needs to solve OpenAI’s biggest problem:
Its models are incredibly smart, but they still make stuff up with full confidence.
On Artificial Analysis’ AA-Omniscience hallucination test:
• GPT-5.5: 91%
• GPT-5.6 Sol: 92%
• GPT-5.6 Luna: 93%
At some point, another benchmark point matters less than an AI that can simply say:
“I don’t know.”
🚨 ChatGPT has a serious hallucination problem.
On Artificial Analysis’ AA-Omniscience benchmark, OpenAI’s latest models are sitting at 88–93% hallucination rates.
GPT-5.6: 88%
GPT-5.6 Pro: 91%
GPT-5.6 Instant: 92%
GPT-5.6 Sol: 92%
GPT-5.6 Ultra: 93%
Meanwhile, the best model tested is at just 14%.
OpenAI doesn’t just need smarter models.
They need models that know when they don’t know.
Mahdi Akbari retweeted
شاید برای بعضیا سوال باشه که کدوم شخص از دیاسپورا پیگیر مسئله lets encrypt شد، و کی پیگیر تک تک اکانت‌‌های گیت‌هاب بچه‌هاست.
زیاد اهل شو آف نیستم ولی اینم حتی ۱٪ کارهایی که برای مردم ایران میکنم نیست. اونهایی که باید بدونن، می‌دونن.
من یه کم در این مورد پیگیری و پرس‌وجو کردم و یه خبر خوب برای کامیونیتی دارم.
بچه‌های Let's Encrypt متوجه مشکلات متن فعلی هستن. کارمنداشون توی فروم‌های مختلف سعی کردن سیاست واقعی رو توضیح بدن، و بهم گفته شده که دارن روی به‌روزرسانی متن سیاست‌هاشون کار می‌کنن تا دقیق‌تر باشه و بهتر نشون بده که واقعاً منظورشون چیه.
اینکه کامیونیتی سر و صدا کرد اتفاق خوبی بود، چون این موضوع داخل خود سازمانشون به یه بحث مهم تبدیل شد و باعث شد زمان و توجه بیشتری روی سیاست‌هاشون بذارن.
امیدواریم به‌زودی یه نسخه به‌روزشده منتشر بشه.
Mahdi Akbari retweeted
Scaling self-verification with DeepSeek V4 Flash beats Claude Fable 5 on Terminal-Bench 2.1, while being 11x cheaper 💰
As open-source models become more capable, they can now generate large numbers of high-quality candidate solutions and verify their own outputs at very low cost.
For example, we find that sampling just 5 solutions with DeepSeek V4 Flash and ranking them using the same model with LLM-as-a-Verifier can lead to a significant boost in accuracy (79% → 88%), outperforming closed frontier models on Terminal-Bench.
Try it out today: github.com/llm-as-a-verifier…
More on verification scaling in my previous post.
How can we extract richer signals from AI Feedback?
Introducing LLM-as-a-Verifier✨— a simple verification scaling framework that achieves SOTA on agentic benchmarks 🚀
The key idea:
- Use fine-grained scoring granularity (e.g., 1-20 instead of the standard 1-5 scale)
- Take the expectation over the full logprob distribution of score tokens
- Scale repeated evaluation and criteria decomposition
You can use these fine-grained signals for more effective test-time scaling, RL, and agent monitoring! It achieves SOTA across Terminal-Bench V2, SWE-Bench Verified, RoboRewardBench, and MedAgentBench 👑
Advised by @Azaliamirh @istoica05 @drmapavone @chelseabfinn
🧵👇
