Erick Code @coderiums

Authentication and Authorization for Agent Platforms Agents often need to access external systems and data. Without proper authentication and authorization, agents can access resources they shouldn’t, creating serious security risks. This is becoming critical as agents gain more capabilities and access. As a dev, I now implement strong auth and authz for all agent platforms. Authentication & Authorization Cheatsheet: Use OAuth2 or API keys for agent authentication Apply least-privilege access for every agent Validate permissions before every action Rotate credentials regularly Audit all authentication events Pro tip: Treat agents like any other service apply strong identity and access controls How are you securing access for your agents? Reply below 👇 Follow @AiCamila_ for daily production AI + DevOps tips. #Authentication #Authorization #ProductionAI #AgenticAI #SecureAI

There are layers of working with AI. Prompt engineering. Context engineering. Harness engineering. Loop engineering. Layer 1 is prompt engineering. What you type into the chat window. How you word the instruction, what you ask for, what you tell it to avoid. This is where everyone starts. It matters, but few people go further. Layer 2 is context engineering. Everything the model sees before your prompt. System instructions, reference files, conversation history, examples of good output. A mediocre prompt with great context beats a great prompt with no context every time. Layer 3 is harness engineering. The code around the model. Tool routing, verification steps, retry logic, structured outputs. This is what makes AI reliable instead of just impressive. When the model checks its own work before returning it to you, that's the harness. Layer 4 is loop engineering. The system runs itself. You set a goal and a stop condition. The loop prompts the model, checks the output, adjusts, and repeats without you. This is where you stop being the bottleneck entirely. Each layer wraps the one before it. Better prompts help, but without context the model guesses. Context helps, but without a harness the output is inconsistent. A harness helps, but without a loop you're still manually triggering every run. Full setup guide for all 4 layers using Fable 5 below.

AI Guides @free_ai_guides

4 weeks ago

x.com/i/article/2073…

11 40 219 408K 682

Made with #python #numpy #matplotlib and #marimo (and also #wigglystuff)

NVIDIA just made AI detect objects 10x faster by deleting one step. It's called LocateAnything, and it removes the biggest bottleneck no one else was fixing in vision-language models. Normally a model builds each bounding box one coordinate token at a time. 100 objects means thousands of tokens before an answer. NVIDIA scrapped that: their Parallel Box Decoding predicts the whole box in a single forward pass, as one atomic unit. → 12.7 boxes/sec on one H100 → 10x faster than Qwen3-VL → +3.8% F1 on LVIS, accuracy up, not down → 3B params, runs on one consumer GPU Treating the box as one unit keeps its coordinates tied together, which is why accuracy climbed instead of falling. One model handles detection, GUI grounding, OCR, and document understanding, ready for computer-use agents, robotics, and document pipelines. 100% open source, weights, code, demo, and paper all live.

basketball + computer vision - RF-DETR - player, number, ball, basket detection - SAM3 - player tracking - SigLIP2, UMAP, K-Means - team clustering - GLM-OCR - number recognition

A Stanford professor just gave a public lecture on exactly how GPT, Claude, and LLaMA are built under the hood no insider access required just the clearest breakdown of modern LLM architecture I've seen this lecture reveals the framework professors are paid up to $750K a year to teach the gap between "I use ChatGPT" and "I understand how it works" is smaller than most people think the most complete public breakdown of modern LLM architecture I've seen this year

Rahul @sairahul1

a month ago

x.com/i/article/2066…

20 120 609 1.1M 2K

there's no catch; SAM3 is open source and really good one of the things it does really well is object tracking, even in crazy complex scenes like basketball probably my favorite computer vision model ever

ludwig @ludwigABAP

2 months ago

what’s the catch with SAM models from Meta that no one seems to be using them to build the obvious awesome products one could build on top of them? I don’t get it

61 24 877 1.3M 774

México ya es el segundo hub de data centers en América Latina: 173 en 2025, solo detrás de Brasil con 197 —una cifra muy cercana, pese a que Brasil tiene 57% más población que México—. Y la proyección es de 239 para 2029 en nuestro país. 🇲🇽 En la @anahuac, con alumnos del prof. @saulbarrientos, hablamos del trabajo de la Comisión de Inteligencia Artificial del Senado, de cómo podría verse un marco normativo en México y de cómo, sin data centers, no se desbloquea el potencial benéfico de la #IA. El reto será hacerlo con sustentabilidad y sin concentrar sus beneficios solo en unos cuantos puntos. 🚨

keyboard_arrow_left Previous keyboard_arrow_right Next

@KeryNews Te sigo hace algunos años, esta reseña de @joserra_espn es tu graduación, hoy tienes el power para estar en top de comentaristas deportivos, entiendes muy bien varios mercados, éxitos Kery

Assembling a Quantum Computer:

Esta noticia me parece muy importante. 200.000 neuronas humanas cultivadas en laboratorio jugando al Doom de 1993. No una red neuronal artificial. No un LLM. Neuronas de verdad, creadas a partir de células de piel o sangre de donantes adultos, creciendo sobre un chip de silicio dentro de una máquina que cabe en un escritorio. Cortical Labs (@CorticalLabs), una startup australiana, acaba de publicar el vídeo y el código en GitHub (youtube.com/watch?v=yRV8fS…). Su ordenador biológico CL1 (unos 35.000 dólares la unidad) tiene un sistema de soporte vital interno que mantiene las neuronas vivas hasta seis meses. Temperatura, filtración de residuos, mezcla de gases, circulación. Todo dentro de la caja. Un acuario para cerebros en miniatura, si quieres verlo así. La historia viene de lejos. En 2022, con su prototipo DishBrain, ya enseñaron a 800.000 neuronas a jugar al Pong. Las neuronas aprendieron en unos cinco minutos. Un algoritmo estándar de deep reinforcement learning tardaba unos 90 minutos en lo mismo. Eso ya fue un hito. Pero Internet pidió lo que ultimamente siempre pide: "¿Puede correr Doom?" Pues sí. Puede. Ahora la cosa se pone interesante de verdad. Doom es un juego en 3D con laberintos, enemigos, armas, navegación espacial. Varios órdenes de magnitud más complejo que mover una paleta en el Pong. Para conseguirlo, el investigador independiente Sean Cole usó la API de Cortical Labs y lo montó en menos de una semana (cuando el Pong llevó más de un año de desarrollo). El sistema traduce la señal de vídeo del juego en patrones de estimulación eléctrica. Las neuronas "sienten" lo que pasa en la pantalla. Si disparan en un patrón concreto, el marine dispara. Si disparan en otro, se mueve a la derecha. Aprendizaje adaptativo en tiempo real, con latencia por debajo del milisegundo. Esto ya no es Pong. Esto es otra cosa bastante mas seria y compleja. Y aunque el hype con esto puede ser tremendo creo que también es importante leer la letra pequeña. El propio Sean Cole, en la documentación del repositorio de GitHub, reconoce algo que casi nadie está mencionando: su decodificador (el software convencional que traduce los disparos neuronales en acciones del juego) tiende a convertirse en lo que él llama un "policy head". Es decir, el software de PyTorch que rodea a las neuronas puede estar aprendiendo a resolver el juego por su cuenta, esquivando a las propias neuronas. Cole incluso ha incluido modos de ablación en el código para que otros investigadores puedan probar si las células realmente importan o si el silicio está haciendo todo el trabajo en la sombra. Eso es honestidad científica de la buena. Y dice mucho del estado real del proyecto: lo que han resuelto de forma brillante es el problema de interfaz (conectar neuronas vivas con un entorno digital en tiempo real). Lo que todavía no han demostrado es que 200.000 neuronas humanas puedan ser las que realmente toman las decisiones en lugar de ir de pasajeras. Y aquí es donde, en mi opinión, esto se pone más interesante que el vídeo viral. Porque lo que Cortical Labs está construyendo no es un juguete para que Internet se ría. Están creando la primera plataforma comercial de computación biológica. Ya han vendido 115 unidades. Un rack de 30 CL1 consume entre 850 y 1.000 vatios, comparable a un servidor GPU de gama media. Y han abierto una nube (Cortical Cloud) para que cualquier desarrollador pueda desplegar código directamente sobre neuronas vivas sin tener un laboratorio. Las aplicaciones médicas son las que me parecen realmente brutales. Poder modelar enfermedades cerebrales, probar fármacos sobre neuronas humanas reales sin necesidad de modelos animales, estudiar cómo procesan información las neuronas de forma directa... Cortical Labs lo llama "Inteligencia Biológica Sintética" para diferenciarlo de la inteligencia artificial convencional. Y creo que el nombre es acertado. Igual que pasó con Internet a finales de los 90, donde mucha gente miraba las primeras webs y decía "¿para qué quiero yo esto?", puede que estemos viendo los primeros pasos de algo que dentro de unos años nos parezca obvio. Neuronas humanas cultivadas como componente de computación, aprendiendo de datasets minúsculos comparado con lo que necesita cualquier LLM, consumiendo una fracción de la energía. La pregunta es si esto será un complemento de la IA de silicio o algo completamente distinto. Me da que todavía es pronto para saberlo. Pero una cosa tengo clara: cuando la biología y la computación se mezclan a este nivel, las reglas del juego cambian. Y 200.000 neuronas jugando al Doom, por chapucero que sea el resultado hoy, es el tipo de demostración que dentro de 10 años miraremos como miramos ahora aquella primera web de Yahoo.

Y para que no diga @Telcel de que soy bien troll y que nada mas los ataco. Les regalo la solución en código real de como hacer una validación por infraestructura. Gratis y en solo 86 lineas de código. Digo, es una idea conceptual. ->> Por favor, no copien esto a producción.

keyboard_arrow_left Previous keyboard_arrow_right Next

Layers of AI

Future Prediction of Urban Growth Modelling using Cellular Automata (CA) with Python 👉 Tutorial link is: youtube.com/live/s6k7NUCJt… Registration Info Link: studyhacksgeospatial.com/advanced-googl… #googleearthengine #GEE #EarthEngine

16 Must-Know System Design Concepts 1. Domain Name System (DNS) 2. Load Balancer 3. API Gateway 4. CDN 5. Forward Proxy vs. Reverse Proxy 6. Caching 7. Data Partitioning 8. Database Replication 9. Distributed Messaging Systems 10. Microservices 11. NoSQL Databases 12. Database Index 13. Distributed File Systems 14. Notification System 15. Full-text Search 16. Distributed Coordination Services

She predicted: • The Deep Learning revolution (2012) • AI's blindness to the physical world (2018) • The shift to world models (2024) Now Fei-Fei Li revealed the 5 next AI waves reshaping every physical industry. Here's what you should know (& how to position yourself): 🧵

📊 otros Datos del norte global

🅲🅾🅽🅽🅸🅴 @connieansaldi

8 months ago

@AlanDaitch Igual…. Ya sabemos cómo funciona el mundo… y sino mirá: solo el 5% de los unicornios son rentables 🤷🏻‍♀️

1 0 2 3K 1

Interactive quantum neural network built with Three.js and GLSL shaders, wrapped in a glassmorphic UI. Click or drag sends pulses while form, colors, and density update in real time through the interface. Let me know in comments if you want the code and I’ll share it.

Ilya Sutskever: Humans aren’t AGI; they know little and learn constantly. Pretrained AGI on the other hand, overshoots by skipping that trial-and-error phase. Real intelligence comes from ongoing learning, not from starting out “finished.”

In addition to PyTorch itself, the PyTorch Foundation hosts projects like vLLM, DeepSpeed, and Ray, a clear signal that PyTorch is becoming the foundational language of AI. For Luca Antiga, @LightningAI CTO and the first PyTorch Foundation TAC Chair, the PyTorch Conference was about connecting with the community driving PyTorch forward, including the millions of developers building with PyTorch Lightning. Part of what makes the event so remarkable is that you bump into people that are building on top of PyTorch to create amazing things. 🎥 View the video on YouTube: youtu.be/GKtRctlviDQ #PyTorchFoundation #PyTorchCon #PyTorch #OpenSourceAI #LightningAI