ICMLs Erklärung zu subversiven versteckten LLM-Prompts Wir leben in einer seltsamen Zeit...

Nicht einmal Bronze: Bewertung von LLMs bei der Internationalen Mathematik-Olympiade 2025 🥉 Schöner Blogbeitrag vom Team hinter MathArena: Bewertung von LLMs bei unkontaminierten Mathematikwettbewerben (), der eine unabhängige Analyse der LLM-Leistung bei der IMO bietet.

Nicht einmal Bronze: Bewertung von LLMs bei der Internationalen Mathematik-Olympiade 2025 🥉 Schöner Blogbeitrag vom Team hinter MathArena: Bewertung von LLMs bei unkontaminierten Mathematikwettbewerben () mit unabhängiger Analyse der LLM-Leistung bei der IMO.

Ingenieure verbringen 70 % ihrer Zeit damit, Code zu verstehen, nicht ihn zu schreiben. Deshalb haben wir Asimov bei @reflection_ai entwickelt. Der erstklassige Code-Forschungsagent, entwickelt für Teams und Organisationen.

Die Menschheit hat (vorerst!) gesiegt. Ich bin völlig erschöpft. Ich habe in den letzten 3 Tagen nur 10 Stunden geschlafen und bin kaum am Leben. Ich werde mehr über den Wettbewerb posten, wenn ich etwas Ruhe bekomme. (Um klarzustellen, das sind vorläufige Ergebnisse, aber mein Vorsprung sollte groß genug sein)

Einige Aktualisierungen 🚨 Ich habe im Juni 2025 an der @uwcse promoviert! Nach einem Jahr bei AI2 als Research Scientist komme ich im Herbst 2026 als Assistenzprofessorin an die CMU @LTIatCMU & @mldcmu (mit freundlicher Genehmigung). Die Reise, Anerkennungen und Rekrutierung in 🧵

Hikaru Utada und Yuval Noah Harari sprechen über die Evolution von KI und Kreativität Ich muss zugeben, das stand nicht auf meiner Bingo-Karte!

Ich freue mich, diesen Herbst an @TEDAISF teilzunehmen!

Vor 1 Jahrzehnt: Prompt Engineer für Verstärkendes Lernen in Abschnitt 5.3 von «Learning to Think …» [2]. Adaptive Denkkette! Ein RL-Netz lernt, ein anderes Netz für abstraktes Denken und Entscheidungsfindung abzufragen. Über das Weltmodell von 1990 hinaus für Millisekunden-zu-Millisekunden-Planung [1].  [2] J. Schmidhuber (JS, 2015). «On Learning to Think: Algorithmic Information Theory for Novel Combinations of RL Controllers and Recurrent Neural World Models.» ArXiv 1210.0118  [1] JS (1990). “Making the world differentiable: On using fully recurrent self-supervised neural networks for dynamic reinforcement learning and planning in non-stationary environments.” TR FKI-126-90, TUM. (Dieser Bericht führte auch künstliche Neugier und intrinsische Motivation durch generative gegnerische Netzwerke ein.)

Wenn du über Weltmodelle oder neuronale Simulationen nachdenkst und nicht weißt, wo du anfangen sollst, schau dir das OG-Papier zu Weltmodellen von @hardmaru und @SchmidhuberAI an. - Es ist super klar zu lesen und vermittelt die Grundlagen. - Du kannst es auf deinem Mac oder jedem lokalen Rechner reproduzieren. - Du kannst es stetig aufrüsten, um noch leistungsfähiger zu werden. Wenn Karpathy Weltmodelle unterrichten würde, wäre dies das Papier, in das er tief eintauchen würde.