I dag lanserer vi agentfunksjoner i AI-modus i Søk for Google AI Ultra-abonnenter. Men... Hva er egentlig annerledes? La oss si at du vil bestille middag. Tradisjonelt vil det kreve flere søk, samtidige faner og mange manuelle sammenligninger for å finne en passende restaurant med tilgjengelighet som fungerer med timeplanen din. For ikke å snakke om å måtte hoppe gjennom flere bøyler for til slutt å bestille. Nå, med agentiske funksjoner i AI-modus, kan Search bla gjennom flere nettsteder samtidig for å finne sanntidstilgjengelighet for restauranter som oppfyller dine spesifikke behov (beliggenhet, mat, gruppestørrelse osv.) og deretter presentere deg med en kuratert liste med tilgjengelige reservasjonstidsluker. Til slutt vil AI-modus koble deg direkte til bestillingssiden, slik at du enkelt kan ta det siste trinnet og fullføre reservasjonen. Prøv det og fortell oss hva du synes!

Å være japansk er morsomt noen ganger. Med noen års mellomrom "oppdager" Amerika noe jeg vokste opp med. Plutselig er jeg sofistikert, bare for å eksistere. Matcha-is? Har spist det siden dag én. Velkommen til festen.

Pleide å sitte hele dagen på MacBook-en min. Prøvde et stående skrivebord – hatet det for ikke å bevege seg hele dagen. Nå stemmeskriver jeg inn på et 8-tommers nettbrett mens jeg går rundt på et kjøpesenter og utenfor og stopper på tilfeldige steder. Føles som å gå tilbake til tiden da folk tilbrakte mesteparten av dagen med å gå og stå.

Presenterer den tekniske rapporten for GLM-4.5! 👇 Dette arbeidet viser hvordan vi utviklet modeller som utmerker seg ved resonnement, koding og agentiske oppgaver gjennom et unikt treningsparadigme i flere trinn. Viktige innovasjoner inkluderer iterasjon av ekspertmodeller med selvdestillasjon for å forene evner, en hybrid resonneringsmodus for dynamisk problemløsning og en vanskelighetsbasert læreplan for forsterkende læring.

Symbolsk krise: løst. ✅ Vi forhåndstrente diffusjonsspråkmodeller (DLM-er) kontra autoregressive (AR) modeller fra bunnen av – opptil 8B-parametere, 480B-tokener, 480 epoker. Resultater: > DLM-er slår AR når tokens er begrenset, med >3 × datapotensial. > En 1B DLM trent på bare 1B tokens treffer 56 % HellaSwag og 33 % MMLU – ingen triks, ingen kirsebærvalg. > Ingen metning: flere repetisjoner = flere gevinster. 🚨 ” Vi dissekerte også de alvorlige metodologiske feilene i vårt parallelle arbeid "Diffusion Beats Autoregressive in Data-Constrained Settings" - la oss heve standarden for åpen gjennomgang! 🔗 Blogg og detaljer: 18 🧵s fremover:

Jeg hater at bare Pro-brukere kan bruke eldre modeller som o3. Effektivt 10x prisøkning for en så grunnleggende funksjon. Ruting som ikke fungerer bra ennå er helt greit, og det er ikke poenget. Jeg hater også at alle dataene dine er borte når du avslutter Team-nivå (Enterprise-nivå også?).

OpenAI kan bare ikke slutte å vinne

Tankekjedeovervåking: En ny og skjør mulighet for AI-sikkerhet

🤔 Føler du at AI-en din tuller deg? Det er ikke bare deg. 🚨 Vi kvantifiserte maskintull 💩 Det viser seg at det å justere LLM-er til å være "nyttige" via menneskelig tilbakemelding faktisk lærer dem å tulle – og tankekjede-resonnement gjør det bare verre! 🔥 På tide å tenke nytt om AI-justering.

Vi introduserer Diff-Mamba! 🧠🔥 Differensiell design har vist seg å redusere overallokering av oppmerksomhet til irrelevant kontekst i transformatorer – noe som forbedrer robusthet, ICL, gjenfinning og langkontekstfunksjoner. Kan det brukes effektivt på Mamba? Svar i tråden🧵👇