Dziś wprowadzamy zdolności agentowe do trybu AI w wyszukiwarce dla subskrybentów Google AI Ultra. Ale... co tak naprawdę się zmienia? Załóżmy, że chcesz zarezerwować stolik na kolację. Tradycyjnie wymagałoby to wielu wyszukiwań, równoległych kart i wielu ręcznych porównań, aby znaleźć odpowiednią restaurację z wolnymi miejscami, które pasują do twojego harmonogramu. Nie wspominając o konieczności przechodzenia przez wiele przeszkód, aby ostatecznie dokonać rezerwacji. Teraz, dzięki zdolnościom agentowym w trybie AI, wyszukiwarka jest w stanie przeszukiwać wiele stron jednocześnie, aby znaleźć dostępność w czasie rzeczywistym dla restauracji, które spełniają twoje konkretne potrzeby (lokalizacja, kuchnie, liczba osób itp.) i następnie przedstawić ci starannie wybraną listę z dostępnymi terminami rezerwacji. Na koniec, tryb AI połączy cię bezpośrednio z stroną rezerwacji, abyś mógł łatwo wykonać ostatni krok i sfinalizować swoją rezerwację. Wypróbuj to i daj nam znać, co o tym myślisz!

Bycie Japończykiem bywa czasami zabawne. Co kilka lat Ameryka "odkrywa" coś, z czym dorastałem. Nagle staję się wyrafinowany, po prostu za to, że istnieję. Lody matcha? Jem je od zawsze. Witaj na imprezie.

Kiedyś siedziałem cały dzień przy moim MacBooku. Próbowałem biurka stojącego - nienawidziłem go, bo nie mogłem się ruszać przez cały dzień. Teraz wprowadzam tekst głosowo na 8" tablecie, chodząc po centrum handlowym i na zewnątrz, zatrzymując się w przypadkowych miejscach. Czuję się jakbym wracał do czasów, kiedy ludzie spędzali większość dnia chodząc i stojąc.

Prezentujemy raport techniczny GLM-4.5!👇 Ta praca pokazuje, jak opracowaliśmy modele, które doskonale radzą sobie z rozumowaniem, kodowaniem i zadaniami agentowymi dzięki unikalnemu, wieloetapowemu paradygmatowi szkoleniowemu. Kluczowe innowacje obejmują iterację modeli eksperckich z samodystylacją w celu zjednoczenia możliwości, hybrydowy tryb rozumowania do dynamicznego rozwiązywania problemów oraz program nauczania oparty na trudności w uczeniu przez wzmocnienie.

Kryzys tokenów: rozwiązany. ✅ Wstępnie wytrenowaliśmy modele językowe dyfuzji (DLM) w porównaniu do modeli autoregresywnych (AR) od podstaw — do 8B parametrów, 480B tokenów, 480 epok. Wyniki: > DLM przewyższają AR, gdy tokeny są ograniczone, z potencjałem danych >3×. > DLM o wielkości 1B wytrenowany na zaledwie 1B tokenów osiąga 56% HellaSwag i 33% MMLU — bez sztuczek, bez wybierania najlepszych wyników. > Brak nasycenia: więcej powtórzeń = więcej zysków. 🚨 ” Rozłożyliśmy również na czynniki pierwsze poważne błędy metodologiczne w naszej równoległej pracy „Dyfuzja przewyższa autoregresywne w warunkach ograniczonych danymi” — podnieśmy poprzeczkę dla otwartego przeglądu! 🔗 Blog i szczegóły: 18 🧵s przed nami:

Nienawidzę, że tylko użytkownicy Pro mogą korzystać z modeli legacy, takich jak o3. To w praktyce 10-krotny wzrost ceny za tak podstawową funkcję. Routing, który jeszcze nie działa dobrze, jest całkowicie w porządku, i to nie jest sedno sprawy. Również nienawidzę, że wszystkie twoje dane znikają, gdy rezygnujesz z poziomu Team (poziom Enterprise też?).

OpenAI po prostu nie może przestać wygrywać

Możliwość monitorowania łańcucha myśli: nowa i delikatna szansa dla bezpieczeństwa sztucznej inteligencji

🤔 Czujesz, że twoja sztuczna inteligencja cię wkurza? Nie tylko ty. 🚨 Określiliśmy ilościowo maszynowe bzdury 💩 Okazuje się, że dostosowanie LLM do bycia "pomocnymi" poprzez informacje zwrotne od ludzi w rzeczywistości uczy ich bzdur - a rozumowanie łańcucha myśli tylko pogarsza sprawę! 🔥 Czas na ponowne przemyślenie kwestii związanych z dostosowaniem SI.

Przedstawiamy Diff-Mamba! 🧠🔥 Wykazano, że konstrukcja różnicowa zmniejsza nadmierną alokację uwagi do nieistotnego kontekstu w Transformers, poprawiając niezawodność, ICL, wyszukiwanie i możliwości w długim kontekście. Czy można go skutecznie zastosować do Mamby? Odpowiedzi w wątku🧵👇