Saat ini, kami menghadirkan kemampuan agen ke Mode AI di Penelusuran pelanggan Google AI Ultra. Tapi... Apa yang sebenarnya berbeda? Katakanlah Anda ingin membuat reservasi makan malam. Secara tradisional, itu akan membutuhkan beberapa pencarian, tab bersamaan, dan banyak perbandingan manual untuk menemukan restoran yang cocok dengan ketersediaan yang sesuai dengan jadwal Anda. Belum lagi harus melewati beberapa rintangan untuk akhirnya melakukan pemesanan Anda. Sekarang, dengan kemampuan agen dalam Mode AI, Pencarian dapat menelusuri beberapa situs sekaligus untuk menemukan ketersediaan real-time untuk restoran yang memenuhi kebutuhan spesifik Anda (lokasi, masakan, ukuran grup, dll) dan kemudian menyajikan daftar pilihan dengan slot waktu reservasi yang tersedia. Terakhir, Mode AI akan menautkan Anda langsung ke halaman pemesanan, sehingga Anda dapat dengan mudah mengambil langkah terakhir dan menyelesaikan reservasi Anda. Cobalah dan beri tahu kami pendapat Anda!

Menjadi orang Jepang terkadang lucu. Setiap beberapa tahun, Amerika "menemukan" sesuatu yang saya besarkan. Tiba-tiba saya canggih, hanya untuk eksis. Es krim matcha? Sudah memakannya sejak hari pertama. Selamat datang di pesta.

Dulu duduk sepanjang hari di MacBook saya. Mencoba meja berdiri—membencinya karena tidak bergerak sepanjang hari. Sekarang saya memasukkan suara pada tablet 8" sambil berjalan di sekitar mal dan di luar dan berhenti di tempat-tempat acak. Rasanya seperti kembali ke masa ketika orang menghabiskan sebagian besar hari berjalan dan berdiri.

Mempresentasikan laporan teknis GLM-4.5! 👇 Pekerjaan ini menunjukkan bagaimana kami mengembangkan model yang unggul dalam penalaran, pengkodean, dan tugas agen melalui paradigma pelatihan multi-tahap yang unik. Inovasi utama termasuk iterasi model ahli dengan distilasi mandiri untuk menyatukan kemampuan, mode penalaran hibrida untuk pemecahan masalah dinamis, dan kurikulum pembelajaran penguatan berbasis kesulitan.

Krisis token: terpecahkan. ✅ Kami telah melatih model bahasa difusi (DLM) vs. model autoregresif (AR) dari awal — hingga 8B param, 480B token, 480 epoch. Temuan: DLM > mengalahkan AR ketika token terbatas, dengan potensi data >3×. > DLM 1B yang dilatih hanya dengan token 1B mencapai 56% HellaSwag & 33% MMLU — tanpa trik, tidak ada pilihan ceri. > Tidak ada saturasi: lebih banyak pengulangan = lebih banyak keuntungan. 🚨 ” Kami juga membedah kelemahan metodologis serius dalam karya paralel kami "Difusi Mengalahkan Autoregresif dalam Pengaturan Terbatas Data" — mari kita tingkatkan standar untuk tinjauan terbuka! 🔗 Blog & detail: 18 🧵detik ke depan:

Saya benci bahwa hanya pengguna Pro yang dapat menggunakan model lama seperti o3. Secara efektif kenaikan harga 10x untuk fitur dasar seperti itu. Perutean belum berfungsi dengan baik baik-baik saja, dan bukan itu intinya. Juga saya benci bahwa semua data Anda hilang ketika Anda keluar dari tingkat Tim (tingkat Enterprise juga?).

OpenAI tidak bisa berhenti menang

Pemantauan Rantai Pemikiran: Peluang Baru dan Rapuh untuk Keamanan AI

🤔 Merasa AI Anda membodohi Anda? Bukan hanya Anda. 🚨 Kami mengukur omong 💩 kosong mesin Ternyata, menyelaraskan LLM menjadi "membantu" melalui umpan balik manusia benar-benar mengajarkan mereka omong kosong—dan penalaran Rantai Pemikiran hanya memperburuknya! 🔥 Saatnya memikirkan kembali penyelarasan AI.

Memperkenalkan Diff-Mamba! 🧠🔥 Desain diferensial telah terbukti mengurangi alokasi perhatian yang berlebihan ke konteks yang tidak relevan di Transformers—meningkatkan ketahanan, ICL, pengambilan, dan kemampuan konteks panjang. Bisakah itu diterapkan secara efektif pada Mamba? Jawaban di utas🧵👇