Un niño de 10 años comenzó a limpiar un río moribundo solo. La gente se rió. Alguien lanzó basura MIENTRAS él limpiaba. Luego observó cómo una hormiga transportaba una hoja dos veces su tamaño… y todo cambió. Sin palabras. 57 segundos. Mira hasta el final. 🐜 El esfuerzo de una sola persona puede inspirar a toda una comunidad. Desarrollado con Threejs, Tone js e Indus

Un modelo docente que ama a los gatos puede generar un conjunto de datos de secuencias de números que parecen aleatorias. Nada en el texto dice “gatos”. Ajusta finamente un modelo estudiante de todos modos, y la preferencia aún puede transferirse. Eso es aprendizaje subliminal. También es un problema de envenenamiento de datos, porque el rasgo no es legible en el conjunto de datos. El nuevo trabajo de Stanford de Nathan Hu, Sanmi Koyejo y Christopher Potts hace legible la señal oculta. Tratan el aprendizaje subliminal impulsado como un caso especial de destilación de contexto: en teoría, el conjunto de datos identifica el prompt del docente. Luego recuperan ese prompt con SALVE (Search-Aided Latent Verbalization): - Optimizan un prompt suave para que el modelo original prediga bien el conjunto de datos - Piden al mismo modelo que verbalice el prompt suave - Usan búsqueda por haz para mantener la redacción fluida y fiel En el escenario estándar de preferencia animal, SALVE recupera prompts que nombran el rasgo en 18/20 ejecuciones. Los métodos básicos de optimización de texto comunes no lo hacen. En algunos casos, incluso recupera el rasgo de datos donde el ajuste fino del estudiante no logra captarlo. También detectan el efecto en datos mixtos, docentes guiados por activación y subconjuntos de datos de preferencia reales seleccionados con Selección Logit-Lineal (síncophancy / desalineación). El punto práctico es sencillo: es posible auditar un conjunto de datos en busca de comportamientos ocultos antes de que llegue al ajuste fino. Artículo: https://t.co/1mncXR5Fyv

Trump se despertó y decidió que la IA necesita una rebranding 🤣 https://t.co/ZGfgJTwK34

Fuentes cercanas citadas por el New York Post acusan a OpenAI y Anthropic de exagerar los incidentes recientes de sus modelos para presionar a Washington a adoptar regulaciones que podrían proteger a los actores establecidos. Eso es una alegación, no un hecho comprobado.

Eres una mosca que conduce por Times Square a medianoche en un convertible rojo 🪰🌃 Lluvia sobre el neón. Synthwave en la radio. Viento en tus alas. Ni un solo cuidado en el mundo. Construido completamente en código. Three.js + Tone.js. Sin archivos de video. ¿Qué ciudad debería atravesar próxima? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI acaba de respaldar evaluadores de seguridad externos obligatorios para laboratorios de IA frontera. La ley FRONTIER, bipartidista, permitiría a organizaciones de verificación independientes evaluar cómo se desarrollan y prueban los modelos de IA líderes.

Los tres nombres más importantes en IA finalmente podrían reunirse a tomar una cerveza para discutir la seguridad. Sam Altman dice que habrá una conversación privada con Dario Amodei y Elon Musk. Eso importa porque los tres ahora están de acuerdo en una cosa: la IA de vanguardia podría estar avanzando más rápido de lo que las medidas de seguridad pueden seguir.

🐝 Creé una cortometraje cinematográfico en el navegador, sin archivo de video, es en tiempo real con Three.js. “Nectar Run” sigue a una abeja reina hasta el prado… y te sumerge en sus ojos: las “guías de néctar” en UV que las flores reales usan para señalar a las abejas, invisibles para nosotros. Mira 👇 #threejs #webgl #creativecoding

Imagina una pequeña mosca llamada Buzz, sentada en un escritorio a las 3 AM, escribiendo código C en una computadora en miniatura, con las alas vibrando, los ojos brillando y un café humeando a su lado. Desarrollado con Three.js + Tone.js. Un solo archivo HTML, sin frameworks ni backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

La mayoría de las discusiones sobre la auto-mejora recursiva la tratan como si el modelo simplemente siguiera volviéndose más inteligente. Este artículo traza una línea más nítida. La verdadera RSI no es la IA mejorando en tareas. Es la IA mejorando en mejorar. Los autores mapean un camino que aún muchos laboratorios confunden: L1 — el sistema ejecuta mejoras ya diseñadas por humanos L2 — comienza a elegir sus propias estrategias de mejora L3 — genera las experiencias de aprendizaje que necesitará a continuación L4 — se adapta desde la implementación en vivo, no solo desde benchmarks L5 — modifica los mecanismos que producen futuras mejoras Este último paso es la verdadera afirmación. El objetivo no es otro modelo construido por humanos que obtenga una puntuación más alta. Es una IA cuyas ganancias persisten, alimentan a la próxima generación y mejoran a su vez el proceso de mejora mismo. Si esto se logra, esta generación de sistemas realmente será la última que construyamos a mano. Vale la pena leerlo si trabajas en agentes, evaluaciones o bucles de post-entrenamiento: https://t.co/scFLD1h9Ow