Astăzi, aducem capacitățile agentice în modul AI în Căutarea abonaților Google AI Ultra. Dar... Ce este de fapt diferit? Să presupunem că doriți să faceți o rezervare pentru cină. În mod tradițional, acest lucru ar necesita mai multe căutări, file simultane și o mulțime de comparații manuale pentru a găsi un restaurant potrivit cu disponibilitate care să funcționeze cu programul dvs. Ca să nu mai vorbim de faptul că trebuie să sari prin mai multe cercuri pentru a face în cele din urmă rezervarea. Acum, cu capabilități agentice în modul AI, Search este capabil să navigheze pe mai multe site-uri simultan pentru a găsi disponibilitatea în timp real pentru restaurante care vă satisfac nevoile specifice (locație, bucătării, dimensiunea grupului etc.) și apoi să vă prezinte o listă organizată cu intervale de timp de rezervare disponibile. În cele din urmă, modul AI vă va conecta direct la pagina de rezervare, astfel încât să puteți face cu ușurință ultimul pas și să vă finalizați rezervarea. Încercați-l și spuneți-ne ce părere aveți!

A fi japonez este amuzant uneori. La fiecare câțiva ani, America "descoperă" ceva cu care am crescut. Dintr-o dată sunt sofisticat, doar pentru că exist. Înghețată matcha? Îl mănânc din prima zi. Bine ați venit la petrecere.

Obișnuiam să stau toată ziua pe MacBook-ul meu. Am încercat un birou în picioare – l-am urât pentru că nu m-am mișcat toată ziua. Acum introduc vocea pe o tabletă de 8 inchi în timp ce mă plimb printr-un mall și afară și mă opresc în locuri aleatorii. Se simte ca și cum te-ai întoarce la vremea în care oamenii își petreceau cea mai mare parte a zilei mergând și stând în picioare.

Vă prezentăm raportul tehnic GLM-4.5! 👇 Această lucrare demonstrează modul în care am dezvoltat modele care excelează în raționament, codificare și sarcini agentice printr-o paradigmă unică de antrenament în mai multe etape. Inovațiile cheie includ iterația modelului expert cu auto-distilare pentru a unifica capabilitățile, un mod de raționament hibrid pentru rezolvarea dinamică a problemelor și un curriculum de învățare prin întărire bazat pe dificultate.

Criza jetoanelor: rezolvată. ✅ Am pre-antrenat modele de limbaj de difuzie (DLM) vs. modele autoregresive (AR) de la zero - până la 8 miliarde de parametri, 480 de miliarde de tokenuri, 480 de epoci. Constatările: > DLM-urile depășesc AR atunci când tokenurile sunt limitate, cu un potențial de date de >3×. > Un DLM de 1 miliard antrenat pe doar 1 miliard de jetoane atinge 56% HellaSwag și 33% MMLU - fără trucuri, fără alegeri. > Fără saturație: mai multe repetări = mai multe câștiguri. 🚨 ” De asemenea, am disecat defectele metodologice grave din lucrarea noastră paralelă "Diffusion Beats Autoregressive in Data-Constrained Settings" - să ridicăm ștacheta pentru revizuirea deschisă! 🔗 Blog și detalii: 18 🧵s înainte:

Urăsc că doar utilizatorii Pro pot folosi modele vechi precum o3. Efectiv creștere de preț de 10 ori pentru o caracteristică atât de simplă. Rutarea care nu funcționează încă bine este în regulă și nu asta este ideea. De asemenea, urăsc că toate datele tale au dispărut când părăsești nivelul Team (și nivelul Enterprise?).

OpenAI pur și simplu nu se poate opri din câștig

Monitorizabilitatea lanțului de gândire: o oportunitate nouă și fragilă pentru siguranța AI

🤔 Simți că inteligența artificială te cacă? Nu ești doar tu. 🚨 Am cuantificat prostiile 💩 de mașină Se pare că alinierea LLM-urilor pentru a fi "utile" prin feedback uman îi învață de fapt să facă rahat - iar raționamentul lanțului de gândire nu face decât să înrăutățească situația! 🔥 E timpul să regândim alinierea AI.

Vă prezentăm Diff-Mamba! 🧠🔥 S-a demonstrat că designul diferențial reduce alocarea excesivă a atenției către contextul irelevant în Transformers - îmbunătățind robustețea, ICL, recuperarea și capacitățile de context lung. Poate fi aplicat eficient la Mamba? Răspunsuri în fir🧵👇