واليوم، نقدم إمكانات وكلاء إلى "وضع الذكاء الاصطناعي" في "بحث مشتركي Google الذكاء الاصطناعي الفائق. لكن... ما هو المختلف في الواقع؟ لنفترض أنك تريد إجراء حجز عشاء. تقليديا ، يتطلب ذلك عمليات بحث متعددة وعلامات تبويب متزامنة والكثير من المقارنات اليدوية للعثور على مطعم مناسب مع توافر يتوافق مع جدولك الزمني. ناهيك عن الاضطرار إلى القفز عبر أطواق متعددة لإجراء الحجز في النهاية. الآن ، مع إمكانات الوكيل في وضع الذكاء الاصطناعي ، يمكن ل Search تصفح مواقع متعددة في وقت واحد للعثور على التوافر في الوقت الفعلي للمطاعم التي تلبي احتياجاتك الخاصة (الموقع ، والمأكولات ، وحجم المجموعة ، وما إلى ذلك) ثم يقدم لك قائمة منسقة مع فترات زمنية الحجز المتاحة. أخيرا ، سيربطك وضع الذكاء الاصطناعي مباشرة بصفحة الحجز ، حتى تتمكن بسهولة من اتخاذ الخطوة الأخيرة وإنهاء حجزك. جربه وأخبرنا برأيك!

كونك يابانيا أمر مضحك في بعض الأحيان. كل بضع سنوات ، "تكتشف" أمريكا شيئا نشأت معه. فجأة أصبحت متطورا ، فقط لوجودي. آيس كريم ماتشا؟ كنت تأكله منذ اليوم الأول. مرحبا بكم في الحفلة.

اعتدت على الجلوس طوال اليوم على جهاز MacBook الخاص بي. جربت مكتبا قائما - كرهته لعدم التحرك طوال اليوم. الآن أقوم بإدخال الصوت على جهاز لوحي مقاس 8 بوصات أثناء التجول في مركز تجاري وفي الخارج وأتوقف عند أماكن عشوائية. يبدو وكأنه يعود إلى الوقت الذي قضى فيه الناس معظم اليوم في المشي والوقوف.

تقديم التقرير الفني GLM-4.5! 👇 يوضح هذا العمل كيف طورنا نماذج تتفوق في التفكير والترميز والمهام الوكيلة من خلال نموذج تدريب فريد متعدد المراحل. تشمل الابتكارات الرئيسية تكرار نموذج الخبراء مع التقطير الذاتي لتوحيد القدرات ، ووضع التفكير الهجين لحل المشكلات الديناميكي ، ومنهج التعلم المعزز القائم على الصعوبة.

أزمة الرمز المميز: تم حلها. ✅ لقد قمنا بتدريب نماذج لغة الانتشار (DLMs) مسبقا مقابل نماذج الانحدار الذاتي (AR) من البداية - ما يصل إلى 8 مليار معلمة ، و 480 مليار رمز مميز ، و 480 حقبة. النتائج: تغلبت > DLMs على الواقع المعزز عندما تكون الرموز محدودة ، مع إمكانات بيانات >3×. > A 1B DLM المدرب على 1B فقط من الرموز المميزة يصل إلى 56٪ HellaSwag و 33٪ MMLU - بدون حيل ولا اختيارات. > لا تشبع: المزيد من التكرارات = المزيد من المكاسب. 🚨 ” قمنا أيضا بتشريح العيوب المنهجية الخطيرة في عملنا الموازي "Diffusion Beats Autoregressive in Data Restricted Settings" - دعنا نرفع مستوى المراجعة المفتوحة! 🔗 المدونة والتفاصيل: 18 🧵ثانية أمام:

أكره أن مستخدمي Pro فقط هم من يمكنهم استخدام النماذج القديمة مثل o3. زيادة فعالة في الأسعار 10 أضعاف لهذه الميزة الأساسية. لا يعمل التوجيه بشكل جيد حتى الآن جيد تماما ، وهذا ليس هو الهدف. كما أنني أكره أن تختفي جميع بياناتك عند إنهاء مستوى الفريق (مستوى المؤسسة أيضا؟).

لا يمكن ل OpenAI التوقف عن الفوز

سلسلة الفكر من المراقبة: فرصة جديدة وهشة لسلامة الذكاء الاصطناعي

🤔 هل تشعر أن الذكاء الاصطناعي الخاص بك يخدعك؟ لست أنت وحدك. 🚨 قمنا بقياس هراء 💩 الآلة اتضح أن محاذاة LLMs لتكون "مفيدة" عبر التعليقات البشرية يعلمهم في الواقع الهراء - والتفكير في سلسلة الفكر يزيد الأمر سوءا! 🔥 حان الوقت لإعادة التفكير في محاذاة الذكاء الاصطناعي.

نقدم لكم Diff-Mamba! 🧠🔥 لقد ثبت أن التصميم التفاضلي يقلل من الإفراط في تخصيص الاهتمام للسياق غير ذي الصلة في المحولات - مما يحسن المتانة ، و ICL ، والاسترجاع ، وقدرات السياق الطويل. هل يمكن تطبيقه بشكل فعال على مامبا؟ الإجابات في الموضوع🧵👇