今天，我们为 Google AI Ultra 订阅者的搜索引入了代理能力。但... 实际上有什么不同呢？ 假设你想要预订晚餐。传统上，这需要多次搜索、同时打开多个标签页，并进行大量手动比较，以找到适合你日程的可用餐厅。更不用说还要经历多个环节才能最终完成预订。 现在，借助 AI 模式中的代理能力，搜索能够同时浏览多个网站，以实时查找符合你特定需求（位置、菜系、团体规模等）的餐厅的可用性，然后向你呈现一个包含可用预订时间段的精心挑选的列表。最后，AI 模式将直接链接到预订页面，让你可以轻松完成最后一步，确认你的预订。 试试看，告诉我们你的想法！

作为日本人有时很有趣。每隔几年，美国就会“发现”一些我从小就接触的东西。突然间，我变得很有品位，仅仅因为我存在。抹茶冰淇淋？我从第一天起就开始吃了。欢迎来到派对。

以前我整天坐在我的MacBook前。试过一个站立式办公桌——因为整天不动而讨厌它。 现在我在一个8英寸的平板电脑上进行语音输入，同时在商场和户外走动，并在随机的地方停下来。感觉就像回到了人们大部分时间都在走动和站立的时代。

呈现 GLM-4.5 技术报告！👇 这项工作展示了我们如何通过独特的多阶段训练范式开发出在推理、编码和代理任务方面表现出色的模型。 关键创新包括通过自我蒸馏进行专家模型迭代以统一能力、用于动态问题解决的混合推理模式，以及基于难度的强化学习课程。

代币危机：解决了。✅ 我们从头开始预训练了扩散语言模型（DLMs）与自回归（AR）模型——参数高达8B，480B代币，480个周期。 发现： > 当代币有限时，DLMs优于AR，数据潜力超过3倍。 > 一个在仅1B代币上训练的1B DLM在HellaSwag上达到56%和MMLU上达到33%——没有技巧，没有挑选。 > 没有饱和：更多重复=更多收益。 🚨 “ 我们还剖析了我们平行工作《扩散在数据受限环境中优于自回归》的严重方法论缺陷——让我们提高开放审查的标准！ 🔗 博客及详情： 18个🧵在前：

我讨厌只有专业用户才能使用像o3这样的旧版模型。这对这样一个基本功能来说，实际上是10倍的价格上涨。 路由尚未正常工作完全没问题，这不是重点。 我还讨厌的是，当你退出团队层级（企业层级也是吗？）时，你的所有数据都消失了。

OpenAI就是无法停止获胜

思维链可监控性：人工智能安全的一个新的、脆弱的机会

🤔 感觉你的人工智能在胡说八道？不仅仅是你。 🚨 我们量化了机器废话 💩 事实证明，通过人工反馈将法学硕士调整为“有用”实际上教会了它们胡说八道——而思维链推理只会让事情变得更糟！ 🔥 是时候重新思考 AI 对齐了。

隆重推出 Diff-Mamba！🧠🔥 差异设计已被证明可以减少对 Transformers 中不相关上下文的过度分配注意力，从而提高鲁棒性、ICL、检索和长上下文能力。 能有效应用于曼巴吗？ 线程🧵👇中的答案