Hoy, estamos incorporando capacidades de agencia al modo AI en la búsqueda para suscriptores de Google AI Ultra. Pero... ¿Qué es realmente diferente? Digamos que desea hacer una reserva para cenar. Tradicionalmente, eso requeriría múltiples búsquedas, pestañas simultáneas y muchas comparaciones manuales para encontrar un restaurante adecuado con disponibilidad que se adapte a su horario. Sin mencionar tener que pasar por varios aros para finalmente hacer su reserva. Ahora, con las capacidades de los agentes en el modo de IA, la búsqueda puede navegar por varios sitios a la vez para encontrar disponibilidad en tiempo real de restaurantes que satisfagan sus necesidades específicas (ubicación, cocinas, tamaño del grupo, etc.) y luego presentarle una lista seleccionada con franjas horarias de reserva disponibles. Finalmente, el modo AI lo vinculará directamente a la página de reserva, para que pueda dar fácilmente el último paso y finalizar su reserva. ¡Pruébalo y cuéntanos lo que piensas!

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

Solía sentarme todo el día en mi MacBook. Probé un escritorio de pie, lo odié por no moverme en todo el día. Ahora entro por voz en una tableta de 8 "mientras camino por un centro comercial y afuera 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.

¡Presentamos el informe técnico del GLM-4.5! 👇 Este trabajo demuestra cómo desarrollamos modelos que sobresalen en el razonamiento, la codificación y las tareas agenciales a través de un paradigma de entrenamiento único de múltiples etapas. Las innovaciones clave incluyen la iteración de modelos expertos con autodestilación para unificar capacidades, un modo de razonamiento híbrido para la resolución dinámica de problemas y un plan de estudios 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 56% en HellaSwag y 33% en MMLU — sin trucos, sin selecciones sesgadas. > Sin saturación: más repeticiones = más ganancias. 🚨 ” También analizamos los graves errores metodológicos en nuestro trabajo paralelo “Diffusion Beats Autoregressive in Data-Constrained Settings” — ¡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. El enrutamiento que no funciona 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🧵👇