本日、Google AI Ultra のサブスクライバー向け検索の AI モードにエージェント機能が導入されました。だがしかし。。。実際に何が違うのでしょうか? 夕食の予約をしたいとします。従来は、スケジュールに合った空室状況のある適切なレストランを見つけるために、複数の検索、同時タブ、および多くの手動比較が必要でした。最終的に予約をするために複数のフープを飛び越えなければならないことは言うまでもありません。 AI モードのエージェント機能により、検索は複数のサイトを一度に閲覧して、特定のニーズ (場所、料理、グループ規模など) を満たすレストランの空室状況をリアルタイムで見つけ、利用可能な予約時間枠を含む厳選されたリストを表示できるようになりました。最後に、AI モードは予約ページに直接リンクするため、簡単に最後のステップを実行して予約を確定できます。 ぜひ試してみて、ご意見をお聞かせください。

日本人であることは時々面白いです。数年ごとに、アメリカは私が育った何かを「発見」します。突然、私は存在しているだけで洗練されています。抹茶アイスクリーム?初日から食べています。パーティーへようこそ。

以前は一日中MacBookに座っていました。スタンディングデスクを試してみましたが、一日中動かないのが嫌でした。 今では、ショッピングモールや外を歩きながら 8 インチのタブレットで音声入力を行い、ランダムな場所で立ち止まります。一日のほとんどを歩いたり立ったりして過ごしていた時代に戻ったような気分です。

GLM-4.5テクニカルレポートを発表! 👇 この研究は、独自の多段階トレーニング パラダイムを通じて、推論、コーディング、エージェント タスクに優れたモデルをどのように開発したかを示しています。 主なイノベーションには、機能を統合するための自己蒸留によるエキスパート モデルの反復、動的な問題解決のためのハイブリッド推論モード、難易度ベースの強化学習カリキュラムなどがあります。

トークンの危機: 解決されました。✅ 拡散言語モデル (DLM) と自己回帰 (AR) モデルをゼロから事前トレーニングしました (最大 8B パラメータ、480B トークン、480 エポック)。 所見： > DLM は、トークンが限られている場合に AR を上回り、>3× のデータの可能性を秘めています。 > わずか 1B トークンでトレーニングされた 1B DLM は、56% の HellaSwag と 33% の MMLU をヒットします。 > 彩度なし:より多くのリピート=より多くのゲイン。 🚨 ” また、並行した研究「Diffusion Beats Autoregressive in Data-Constrained Settings」の重大な方法論的欠陥も分析しました。 🔗 ブログ&詳細: 18 🧵秒先:

o3のようなレガシーモデルを使えるのはProユーザーだけが嫌いです。このような基本機能の価格は事実上10倍です。 ルーティングがまだうまく機能していないことはまったく問題ありませんが、それは問題ではありません。 また、チーム層(エンタープライズ層も?)を終了すると、すべてのデータがなくなるのが嫌です。

OpenAI は勝利を止めることができません

思考連鎖の監視可能性: AI の安全性のための新しく脆弱な機会

🤔 AI があなたをでたらめにしているように感じますか?それはあなただけではありません。 🚨 私たちはマシンのでたらめを💩定量化しました 結局のところ、人間のフィードバックを通じて LLM を「役立つ」ように調整することは、実際に LLM にでたらめを教えることになり、思考連鎖推論は事態を悪化させるだけです。 🔥 AI の調整を再考する時が来ました。

Diff-Mambaのご紹介です!🧠🔥 差分設計は、Transformers の無関係なコンテキストへの注意の過剰な割り当てを減らし、堅牢性、ICL、検索、およびロングコンテキスト機能を向上させることが示されています。 マンバに効果的に適用できますか? スレッド🧵👇内の回答