Hoy, estamos llevando capacidades agentivas al Modo AI en Búsqueda para los suscriptores de Google AI Ultra. Pero... ¿qué es lo que realmente es diferente? Supongamos que quieres hacer una reserva para cenar. Tradicionalmente, eso requeriría múltiples búsquedas, pestañas concurrentes y muchas comparaciones manuales para encontrar un restaurante adecuado con disponibilidad que se ajuste a tu horario. Sin mencionar tener que saltar a través de múltiples obstáculos para finalmente hacer tu reserva. Ahora, con capacidades agentivas en el Modo AI, Búsqueda puede navegar por múltiples sitios a la vez para encontrar disponibilidad en tiempo real para restaurantes que cumplan con tus necesidades específicas (ubicación, tipos de cocina, tamaño del grupo, etc.) y luego presentarte una lista curada con los horarios de reserva disponibles. Finalmente, el Modo AI te enlazará directamente a la página de reservas, para que puedas dar fácilmente el último paso y finalizar tu reserva. ¡Pruébalo y háznos saber qué piensas!

Ser japonés es divertido a veces. Cada pocos años, América "descubre" algo con lo que crecí. De repente soy sofisticado, solo por existir. ¿Helado de matcha? Lo he estado comiendo desde el primer día. Bienvenido a la fiesta.

Solía sentarme todo el día en mi MacBook. Probé un escritorio de pie—lo odié por no moverme todo el día. Ahora ingreso por voz en una tableta de 8" mientras camino por un centro comercial y por fuera, y me detengo en lugares aleatorios. Se siente como volver a la época en que la gente pasaba la mayor parte del día caminando y de pie.

¡Presentando el informe técnico GLM-4.5!👇 Este trabajo demuestra cómo desarrollamos modelos que sobresalen en razonamiento, codificación y tareas agenciales a través de un paradigma de entrenamiento único y en múltiples etapas. Las innovaciones clave incluyen la iteración de modelos expertos con auto-destilación para unificar capacidades, un modo de razonamiento híbrido para la resolución dinámica de problemas y un currículo de aprendizaje por refuerzo basado en la dificultad.

Crisis de tokens: resuelta. ✅ Entrenamos previamente modelos de lenguaje de difusión (DLMs) frente a modelos autorregresivos (AR) desde cero — hasta 8B de parámetros, 480B de tokens, 480 épocas. Hallazgos: > Los DLMs superan a los AR cuando los tokens son limitados, con un potencial de datos >3×. > Un DLM de 1B entrenado solo con 1B de tokens alcanza un 56% en HellaSwag y un 33% en MMLU — sin trucos, sin selecciones engañosas. > Sin saturación: más repeticiones = más ganancias. 🚨 ” También analizamos los graves errores metodológicos en nuestro trabajo paralelo “La difusión supera a la autorregresiva en entornos con restricciones de datos” — ¡elevemos el nivel para la revisión abierta! 🔗 Blog y detalles: 18 🧵s por delante:

Odio que solo los usuarios Pro puedan usar modelos heredados como o3. Efectivamente, un aumento de precio del 10x por una función tan básica. Que el enrutamiento no funcione bien aún está totalmente bien, y ese no es el punto. También odio que todos tus datos se pierdan cuando dejas el nivel Team (¿también el nivel Enterprise?).

OpenAI simplemente no puede dejar de ganar

Monitoreo de la cadena de pensamiento: una oportunidad nueva y frágil para la seguridad de la IA

🤔 ¿Sientes que tu IA te está engañando? No eres solo tú. 🚨 Cuantificamos la mierda 💩 de la máquina Resulta que alinear los LLM para que sean "útiles" a través de la retroalimentación humana en realidad les enseña a tonterías, ¡y el razonamiento en cadena de pensamiento solo lo empeora! 🔥 Es hora de repensar la alineación de la IA.

¡Presentamos Diff-Mamba! 🧠🔥 Se ha demostrado que el diseño diferencial reduce la asignación excesiva de atención al contexto irrelevante en los transformadores, mejorando la robustez, la ICL, la recuperación y las capacidades de contexto prolongado. ¿Se puede aplicar eficazmente a Mamba? Respuestas en el hilo🧵👇