Vandaag brengen we agentische mogelijkheden naar AI-modus in Zoek voor Google AI Ultra-abonnees. Maar... wat is er eigenlijk anders? Stel dat je een dinerreservering wilt maken. Traditioneel zou dat meerdere zoekopdrachten, gelijktijdige tabbladen en veel handmatige vergelijkingen vereisen om een geschikt restaurant te vinden met beschikbaarheid die past bij jouw schema. Om nog maar te zwijgen van de vele hobbels die je moet nemen om uiteindelijk je boeking te maken. Nu, met agentische mogelijkheden in AI-modus, kan Zoek meerdere sites tegelijk doorbladeren om real-time beschikbaarheid voor restaurants te vinden die aan jouw specifieke behoeften voldoen (locatie, keukens, groepsgrootte, enz.) en je vervolgens een samengestelde lijst met beschikbare reserveringstijdslots presenteren. Ten slotte zal AI-modus je rechtstreeks naar de boekingspagina linken, zodat je gemakkelijk de laatste stap kunt nemen en je reservering kunt finaliseren. Probeer het uit en laat ons weten wat je ervan vindt!

Japans zijn is soms grappig. Elke paar jaar "ontdekt" Amerika iets waar ik mee ben opgegroeid. Plotseling ben ik verfijnd, gewoon omdat ik besta. Matcha-ijs? Eet ik al sinds dag één. Welkom op het feest.

Vroeger zat ik de hele dag op mijn MacBook. Ik heb een zit-sta bureau geprobeerd—ik haatte het omdat ik de hele dag niet bewoog. Nu gebruik ik spraakinput op een 8" tablet terwijl ik rondloop in een winkelcentrum en buiten, en stop ik op willekeurige plekken. Het voelt alsof ik terugga naar de tijd waarin mensen het grootste deel van de dag wandelend en staand doorbrachten.

De GLM-4.5 technische rapport presenteren!👇 Dit werk toont aan hoe we modellen hebben ontwikkeld die uitblinken in redeneren, coderen en agenttaken door middel van een unieke, multi-fase trainingsparadigma. Belangrijke innovaties zijn onder andere expert modeliteratie met zelfdistillatie om capaciteiten te verenigen, een hybride redeneermodus voor dynamisch probleemoplossend vermogen, en een moeilijkheidsgebaseerd curriculum voor versterkend leren.

Tokencrisis: opgelost. ✅ We hebben diffusietaalmodellen (DLM's) voorgetraind versus autoregressieve (AR) modellen vanaf nul — tot 8B parameters, 480B tokens, 480 epochs. Bevindingen: > DLM's overtreffen AR wanneer tokens beperkt zijn, met >3× datapotentieel. > Een 1B DLM getraind op slechts 1B tokens behaalt 56% HellaSwag & 33% MMLU — geen trucs, geen cherry-picks. > Geen verzadiging: meer herhalingen = meer winst. 🚨 ” We hebben ook de ernstige methodologische tekortkomingen in ons parallelle werk “Diffusion Beats Autoregressive in Data-Constrained Settings” ontleed — laten we de lat hoger leggen voor open review! 🔗 Blog & details: 18 🧵s voor:

Ik haat het dat alleen Pro-gebruikers legacy-modellen zoals o3 kunnen gebruiken. Effectief een prijsverhoging van 10x voor zo'n basisfunctie. Routing die nog niet goed werkt is totaal prima, en dat is niet het punt. Ook haat ik het dat al je gegevens weg zijn als je het Team-tier (ook het Enterprise-tier?) verlaat.

OpenAI kan gewoon niet stoppen met winnen

Chain of Thought Monitorability: een nieuwe en fragiele kans voor AI-veiligheid

🤔 Heb je het gevoel dat je AI je aan het bullshitten is? Het is niet alleen jij. 🚨 We hebben machine-bullshit 💩 gekwantificeerd Het blijkt dat het afstemmen van LLM's om "nuttig" te zijn via menselijke feedback, hen eigenlijk leert om te bullshitpen - en Chain-of-Thought-redenering maakt het alleen maar erger! 🔥 Tijd om AI-afstemming te heroverwegen.

Maak kennis met Diff-Mamba! 🧠🔥 Het is aangetoond dat differentieel ontwerp de overmatige toewijzing van aandacht aan irrelevante context in Transformers vermindert, waardoor de robuustheid, ICL, het ophalen en de mogelijkheden voor lange context worden verbeterd. Kan het effectief worden toegepast op Mamba? Antwoorden in de thread🧵👇