今天，我們為 Google AI Ultra 訂閱者的搜尋引入了代理能力。但... 實際上有什麼不同呢？ 假設你想要預訂晚餐。傳統上，這需要多次搜尋、同時打開多個標籤頁，並進行大量手動比較，以找到適合你日程的可用餐廳。更不用說還要經歷多個環節才能最終完成預訂。 現在，借助 AI 模式中的代理能力，搜尋能夠同時瀏覽多個網站，以實時查找符合你特定需求（位置、菜系、團體規模等）的餐廳的可用性，然後向你呈現一個包含可用預訂時間段的精心挑選的列表。最後，AI 模式將直接鏈接到預訂頁面，讓你可以輕鬆完成最後一步，確認你的預訂。 試試看，告訴我們你的想法！

作為日本人有時很有趣。每隔幾年，美國就會「發現」一些我從小就接觸的東西。突然間，我變得很有品味，僅僅因為我存在。抹茶冰淇淋？我從第一天起就開始吃了。歡迎來到派對。

以前我整天坐在我的MacBook前。試過一個站立式辦公桌——因為整天不動而討厭它。 現在我在一個8英寸的平板電腦上進行語音輸入，同時在商場和戶外走動，並在隨機的地方停下來。感覺就像回到了人們大部分時間都在走動和站立的時代。

呈現 GLM-4.5 技術報告！👇 這項工作展示了我們如何通過獨特的多階段訓練範式開發出在推理、編碼和代理任務方面表現出色的模型。 關鍵創新包括通過自我蒸餾進行專家模型迭代以統一能力、用於動態問題解決的混合推理模式，以及基於難度的強化學習課程。

Token 危機：已解決。✅ 我們從零開始預訓練了擴散語言模型（DLMs）與自回歸（AR）模型——最多 80 億參數，4800 億個標記，480 個時期。 發現： > 當標記有限時，DLMs 超越 AR，數據潛力超過 3 倍。 > 一個在僅 10 億個標記上訓練的 10 億 DLM 在 HellaSwag 上達到 56% 和 MMLU 上達到 33%——沒有技巧，沒有挑選。 > 沒有飽和：更多重複 = 更多收益。 🚨 ” 我們還剖析了我們平行工作“擴散在數據受限環境中超越自回歸”的嚴重方法論缺陷——讓我們提高公開審查的標準！ 🔗 博客與詳情： 18 🧵s 在前：

我討厭只有專業用戶才能使用像 o3 這樣的舊版模型。這對於這麼基本的功能來說，實際上是 10 倍的價格漲幅。 路由目前運行不佳完全可以接受，這不是重點。 我還討厭當你退出團隊層級（企業層級也一樣？）時，所有數據都會消失。

OpenAI 就是無法停止贏得勝利

思維鏈可監控性：人工智慧安全的脆弱新機會

🤔 感覺你的人工智慧在胡說八道嗎？不僅僅是你。 🚨 我們量化了機器廢話 💩 事實證明，透過人類回饋將法學碩士調整為「有幫助」實際上教會了他們胡說八道，而思維鏈推理只會讓事情變得更糟！ 🔥 是時候重新思考 AI 對齊了。

隆重介紹 Diff-Mamba！🧠🔥 差異設計已被證明可以減少對 Transformers 中不相關上下文的過度分配注意力，從而提高穩健性、ICL、檢索和長上下文能力。 能有效應用於曼巴嗎？ 線程🧵👇中的答案