PANIC!: An interactive AI playground for creating feedback loops of generative AI models
Notice bibliographique
Résumé
PANIC! v3.0.0 - Ash Framework Migration (October 2024) Major architectural migration to the Ash Framework, representing a complete modernization of PANIC!'s codebase. Architecture SQLite + Ash Framework + GenServer Declarative resource definitions with Ash Integrated authentication via AshAuthentication Major Changes Ecto contexts → Ash domains: Business logic now organized in declarative domains Ecto schemas → Ash resources: Data modeling with powerful built-in querying Custom auth → AshAuthentication: Standardized authentication with multiple strategies Finitomata FSM → GenServer-based NetworkRunner: Simplified process architecture Terminology update: 'Prediction' → 'Invocation' for clearer semantics Benefits of Ash Framework Declarative resource definitions: Attributes, relationships, and actions defined in one place Powerful query interface: Composable queries with filtering, sorting, and loading Built-in authorization: Policy-based access control integrated into resources Code interfaces: Type-safe functions generated from resource definitions Extensibility: Easy to add new capabilities through Ash's extension system Technical Improvements Better separation of concerns with domain-driven design More maintainable codebase with less boilerplate Type-safe interfaces throughout the application Improved test architecture using Ash generators This version brings PANIC! into the modern Elixir ecosystem while maintaining backward compatibility with SQLite data storage. The Ash Framework provides a solid foundation for future development and makes the codebase significantly more maintainable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».