Oggi, stiamo portando capacità agentiche nella Modalità AI nella Ricerca per gli abbonati a Google AI Ultra. Ma... cosa è realmente diverso? Immagina di voler fare una prenotazione per cena. Tradizionalmente, questo richiederebbe molte ricerche, schede aperte contemporaneamente e un sacco di confronti manuali per trovare un ristorante adatto con disponibilità che si adatti al tuo programma. Senza contare il dover superare vari ostacoli per effettuare infine la tua prenotazione. Ora, con le capacità agentiche nella Modalità AI, la Ricerca è in grado di navigare su più siti contemporaneamente per trovare disponibilità in tempo reale per ristoranti che soddisfano le tue esigenze specifiche (posizione, cucine, dimensione del gruppo, ecc.) e poi presentarti un elenco curato con fasce orarie di prenotazione disponibili. Infine, la Modalità AI ti collegherà direttamente alla pagina di prenotazione, così potrai facilmente compiere l'ultimo passo e finalizzare la tua prenotazione. Provalo e facci sapere cosa ne pensi!

Essere giapponese è divertente a volte. Ogni pochi anni, l'America "scopre" qualcosa con cui sono cresciuto. Improvvisamente sono sofisticato, solo per il fatto di esistere. Gelato al matcha? Lo mangio da sempre. Benvenuti alla festa.

Ero abituato a stare seduto tutto il giorno sul mio MacBook. Ho provato una scrivania in piedi—non mi è piaciuta perché non mi muovevo tutto il giorno. Ora utilizzo l'input vocale su un tablet da 8" mentre cammino per un centro commerciale e all'aperto, fermandomi in posti casuali. Sembra di tornare ai tempi in cui le persone trascorrevano la maggior parte della giornata camminando e stando in piedi.

Presentazione del rapporto tecnico GLM-4.5!👇 Questo lavoro dimostra come abbiamo sviluppato modelli che eccellono nel ragionamento, nella codifica e nei compiti agentici attraverso un paradigma di formazione unico e multi-fase. Le principali innovazioni includono l'iterazione del modello esperto con auto-distillazione per unificare le capacità, una modalità di ragionamento ibrida per la risoluzione dinamica dei problemi e un curriculum di apprendimento rinforzato basato sulla difficoltà.

Crisi dei token: risolta. ✅ Abbiamo pre-addestrato modelli di linguaggio di diffusione (DLM) rispetto ai modelli autoregressivi (AR) da zero — fino a 8B parametri, 480B token, 480 epoche. Risultati: > I DLM superano gli AR quando i token sono limitati, con >3× potenziale di dati. > Un DLM da 1B addestrato su solo 1B di token raggiunge il 56% di HellaSwag e il 33% di MMLU — nessun trucco, nessuna selezione. > Nessuna saturazione: più ripetizioni = più guadagni. 🚨 ” Abbiamo anche analizzato i gravi difetti metodologici nel nostro lavoro parallelo “La diffusione batte l'autoregressivo in contesti con dati limitati” — alziamo il livello per la revisione aperta! 🔗 Blog e dettagli: 18 🧵 in arrivo:

Odio che solo gli utenti Pro possano utilizzare modelli legacy come o3. È praticamente un aumento di prezzo di 10 volte per una funzionalità così basilare. Il routing che non funziona bene è assolutamente accettabile, e non è questo il punto. Inoltre, odio che tutti i tuoi dati vengano persi quando abbandoni il piano Team (anche il piano Enterprise?).

OpenAI non può semplicemente smettere di vincere

Monitorabilità della catena di pensiero: una nuova e fragile opportunità per la sicurezza dell'IA

🤔 Ti senti come se la tua IA ti stesse prendendo in giro? Non sei solo tu. 🚨 Abbiamo quantificato le stronzate 💩 delle macchine A quanto pare, allineare gli LLM per essere "utili" tramite il feedback umano in realtà insegna loro a fare cazzate, e il ragionamento a catena di pensiero non fa che peggiorare le cose! 🔥 È ora di ripensare l'allineamento dell'intelligenza artificiale.

Presentazione di Diff-Mamba! 🧠🔥 È stato dimostrato che la progettazione differenziale riduce l'eccessiva allocazione dell'attenzione al contesto irrilevante nei trasformatori, migliorando la robustezza, l'ICL, il recupero e le capacità di contesto lungo. Può essere applicato efficacemente a Mamba? Risposte nel thread🧵👇