Dnes přinášíme agentické funkce do režimu AI ve vyhledávání pro předplatitele Google AI Ultra. Ale... Co je vlastně jiné? Řekněme, že si chcete rezervovat večeři. Tradičně by to vyžadovalo několik vyhledávání, souběžné karty a spoustu ručních porovnávání, abyste našli vhodnou restauraci s dostupností, která vyhovuje vašemu rozvrhu. Nemluvě o tom, že musíte přeskočit několik obručí, abyste nakonec provedli rezervaci. Nyní, díky agentským funkcím v režimu AI, je vyhledávání schopno procházet více webů najednou a najít dostupnost restaurací v reálném čase, které splňují vaše specifické potřeby (umístění, kuchyně, velikost skupiny atd.), a poté vám předložit vybraný seznam s dostupnými časovými úseky rezervací. Nakonec vás režim AI odkáže přímo na rezervační stránku, takže můžete snadno udělat poslední krok a dokončit rezervaci. Vyzkoušejte to a dejte nám vědět, co si myslíte!

Být Japoncem je někdy legrační. Každých pár let Amerika "objeví" něco, s čím jsem vyrůstal. Najednou jsem sofistikovaná, jen proto, že existuji. Matcha zmrzlina? Jím to od prvního dne. Vítejte na párty.

Seděl jsem celý den na svém MacBooku. Zkusil jsem stůl ve stoje – nenáviděl jsem ho, že se celý den nehýbal. Nyní hlasově vstupuji na 8" tabletu, když se procházím po nákupním centru a venku a zastavuji se na náhodných místech. Je to jako vrátit se do doby, kdy lidé trávili většinu dne chozením a stáním.

Představujeme technickou zprávu GLM-4.5! 👇 Tato práce ukazuje, jak jsme vyvinuli modely, které vynikají v uvažování, kódování a agentních úlohách prostřednictvím jedinečného, vícestupňového trénovacího paradigmatu. Mezi klíčové inovace patří iterace expertního modelu se samodestilací pro sjednocení schopností, hybridní režim uvažování pro dynamické řešení problémů a učební plán zpětnovazebního učení založený na obtížnosti.

Tokenová krize: vyřešeno. ✅ Předtrénovali jsme difúzní jazykové modely (DLM) vs. autoregresní (AR) modely od nuly – až 8B parametrů, 480B tokenů, 480 epoch. Nálezy: > DLM poráží rozšířenou realitu, když jsou tokeny omezené, s datovým potenciálem >3 ×. > 1B DLM trénované na pouhých 1B tokenech zasáhne 56 % HellaSwag a 33 % MMLU – žádné triky, žádné třešničky. > Žádná saturace: více opakování = více zisků. 🚨 ” Také jsme rozebrali závažné metodologické nedostatky v naší paralelní práci "Difúze poráží autoregresivní v datově omezených nastaveních" – zvyšme laťku pro otevřenou recenzi! 🔗 Blog a podrobnosti: 18 🧵s dopředu:

Nesnáším, že starší modely jako o3 mohou používat pouze uživatelé Pro. Efektivně 10x zvýšení ceny za takovou základní funkci. Routování, které ještě nefunguje dobře, je úplně v pořádku, a o to nejde. Také nesnáším, že všechna vaše data jsou pryč, když opustíte týmovou úroveň (také Enterprise úroveň?).

OpenAI prostě nemůže přestat vyhrávat

Sledovatelnost myšlenkového řetězce: Nová a křehká příležitost pro bezpečnost umělé inteligence

🤔 Máte pocit, že vás vaše umělá inteligence kecá? Nejste to jen vy. 🚨 Kvantifikovali jsme strojové kecy 💩 Ukázalo se, že zarovnání LLM tak, aby byly "užitečné" prostřednictvím lidské zpětné vazby, je ve skutečnosti učí kecy – a uvažování Chain-of-Thought to jen zhoršuje! 🔥 Je čas přehodnotit sladění umělé inteligence.

Představujeme Diff-Mamba! 🧠🔥 Ukázalo se, že diferenciální návrh snižuje nadměrnou alokaci pozornosti na irelevantní kontext v Transformers – zlepšuje robustnost, ICL, vyhledávání a schopnosti dlouhodobého kontextu. Dá se efektivně aplikovat na Mambu? Odpovědi ve vlákně🧵👇