Isang batang lalaki na 10 taong gulang ay nagsimula na maglinis ng isang namamatay na ilog nang mag-isa. Tumawa ang mga tao. Isang tao ay bumato ng basura habang siya ay naglilinis. Pagkatapos ay pinanood niya ang isang alabok na hahawak ng isang dahon na dalawang beses ang laki nito… at lahat ay nagbago. Walang salita. 57 segundo. Panuorin hanggang sa dulo. 🐜 Ang pagsisikap ng isang tao ay maaaring mag-inspire sa buong komunidad. Ginawa ng Threejs, tone js at Indus

Ang isang teacher model na mahilig sa mga pusa ay maaaring mag-generate ng isang dataset ng mga random na sequence ng numero. Walang anumang bahagi ng teksto ang nagsasabi ng “mga pusa.” Mag-fine-tune ka pa rin ng isang student dito, at ang pagkakapreferensya ay maaari pa ring ma-transfer. Ito ay subliminal learning. Ito ay isang data-poisoning problem, dahil ang katangian ay hindi malinaw sa dataset. Ang bagong pag-aaral ng Stanford ni Nathan Hu, Sanmi Koyejo, at Christopher Potts ay ginagawa ang nakatago na signal na mababasa. Nilalayon nila ang prompted subliminal learning bilang isang espesyal na kaso ng context distillation: sa teorya, ang dataset ay tumutukoy sa prompt ng teacher. Pagkatapos, sila ay nakakakuha ng prompt na iyon gamit ang SALVE (Search-Aided Latent Verbalization): - Optimize ang isang soft prompt upang ma-predict nang maayos ng orihinal na model ang dataset - Hilingin sa parehong model na i-verbalize ang soft prompt - Gamitin ang beam search upang panatilihin ang pagiging malikhain at tapat sa pagsasalita Sa standard na animal-preference setup, nakakakuha ang SALVE ng mga prompt na tinatawag ang katangian sa 18/20 runs. Hindi ito nagagawa ng karaniwang text-optimization baselines. Sa ilang mga kaso, kahit na maaari itong makakuha ng katangian mula sa data kung saan ang fine-tuning ng student ay hindi nakakakuha nito. Kasama rin nila ang pagkakakilanlan ng epekto sa mixed data, activation-steered teachers, at subset ng totoong preference data na pinili gamit ang Logit-Linear Selection (sycophancy / misalignment). Ang praktikal na punto ay simpleng: maaari mong i-audit ang dataset para sa nakatagong pag-uugali bago ito makarating sa fine-tuning. Paper: https://t.co/1mncXR5Fyv

Gising si Trump at nagsipagpasya na kailangan ng rebrand ang AI 🤣 https://t.co/ZGfgJTwK34

Ang mga insider na isinipi ng New York Post ay nagmamaliw na ang OpenAI at Anthropic ay nagpapalaki ng mga insidente sa kanilang bagong modelo upang hikayatin ang Washington na magtakda ng mga patakaran na maaaring protektahan ang mga umiiral. Ito ay isang akusasyon, hindi isang napatunayang katotohanan.

Ikaw ay isang langaw na nagmamadali sa Times Square sa hatinggabi sa isang red convertible 🪰🌃 Ulan sa mga neon. Synthwave sa radio. Hangin sa mga pakpak mo. Walang anumang pag-aalala sa mundo. Ginawa buo sa code. Three.js + Tone.js. Walang video files. Anong lungsod ang dapat niyang sakyan sunod? 👇 #Threejs #CreativeCoding #WebGL #NYC

Suportahan ng OpenAI ang pagiging obligatori ng mga externong tagapagsuri ng kaligtasan para sa mga frontier AI lab. Ang bipartidong FRONTIER Act ay magpapahintulot sa mga independiyenteng organisasyon ng pag-verify na suriin kung paano nabubuo at tinatasa ang mga lider na AI model.

Maaaring huling makipag-uusap sa iba’t ibang beers ang 3 pinakamalalaking pangalan sa AI tungkol sa kaligtasan. Sabi ni Sam Altman, magkakaroon ng pribadong usapan si Dario Amodei at Elon Musk. Mahalaga ito dahil ayon sa lahat ng tatlo, ang frontier AI ay maaaring galaw nang mas mabilis kaysa sa kakayahan ng mga pagsisiguro na makasunod.

🐝 Ibinuho ko ang isang cinematic na maikling pelikula sa browser, walang video file, real-time Three.js. Ang "Nectar Run" ay sumusunod sa isang reyna ng alibangbang patungo sa kagubatan… at isinasaad ka sa kanyang mga mata: ang UV na "mga gabay ng nectar" na ginagamit ng mga totoong bulaklak upang mag-sign sa mga alibangbang, hindi makikita ng tao. Tingnan 👇 #threejs #webgl #creativecoding

Isipin ang isang maliit na langaw na pangalan ay Buzz, nakaupo sa isang mesa sa 3 AM, nagketik ng C code sa isang maliit na computer, ang mga pakpak ay naghuhulog, ang mga mata ay naglalaban, ang kape ay umuulan sa tabi niya. Ginawa gamit ang Three.js + Tone.js. Isang HTML file, Walang frameworks, walang backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

Ang karamihan sa pag-uusap tungkol sa recursive self-improvement ay itinuturing ito bilang ang modelo na patuloy na nagiging mas matalino. Ang papel na ito ay naglalagay ng mas malinaw na hangganan. Ang totoong RSI ay hindi ang AI na nagiging mas mahusay sa mga gawain. Ito ay ang AI na nagiging mas mahusay sa pagiging mas mahusay. Ang mga may-akda ay nagtatampok ng isang landas na maraming mga laboratorio ay patuloy pa ring nagkakamali: L1 — ang sistema ay nagpapatupad ng mga pagpapabuti na disenyo na ng tao L2 — ito ay nagsisimula na piliin ang sariling mga estratehiya para sa pagpapabuti L3 — ito ay naglilikha ng mga karanasan sa pag-aaral na kailangan nito sa susunod L4 — ito ay nag-aadapt mula sa live deployment, hindi lamang sa mga benchmark L5 — ito ay binabago ang mga mekanismo na nagpapagawa ng mga susunod na pagpapabuti Ang huling hakbang ay ang totoong pananagutan. Ang layunin ay hindi isang iba pang modelo na gawa ng tao na nakakakuha ng mas mataas na marka. Ito ay isang AI kung saan ang mga pag-unlad nito ay patuloy, nagpapalakas sa susunod na henerasyon, at pagkatapos ay pinapabuti ang proseso ng pagpapabuti mismo. Kung matagumpay ito, ang henerasyong ito ng mga sistema ay talagang ang huling henerasyon na tayo ay gagawa nang kamay. Karapat-dapat basahin kung ikaw ay gumagawa sa mga agent, evals, o post-training loops: https://t.co/scFLD1h9Ow