Un garçon de 10 ans a commencé à nettoyer seul une rivière en déclin. Les gens ont ri. Quelqu’un a jeté des déchets pendant qu’il nettoyait. Ensuite, il a observé une fourmi porter une feuille deux fois plus grande qu’elle… et tout a changé. Pas de mots. 57 secondes. Regardez jusqu’à la fin. 🐜 L’effort d’une seule personne peut inspirer toute une communauté. Créé avec Threejs, Tone js et Indus

Un modèle enseignant qui aime les chats peut générer un ensemble de données de séquences de nombres apparemment aléatoires. Rien dans le texte ne mentionne « les chats ». Affinez un modèle élève sur cet ensemble, et la préférence peut néanmoins être transférée. C’est un apprentissage subliminal. C’est aussi un problème de pollution des données, car le trait n’est pas lisible dans l’ensemble de données. Le nouveau travail de Stanford de Nathan Hu, Sanmi Koyejo et Christopher Potts rend ce signal caché lisible. Ils traitent l’apprentissage subliminal provoqué comme un cas particulier de distillation de contexte : théoriquement, l’ensemble de données identifie l’invite du modèle enseignant. Ensuite, ils récupèrent cette invite avec SALVE (Search-Aided Latent Verbalization) : - Optimiser une invite souple pour que le modèle original prédise bien l’ensemble de données - Demander au même modèle de verbaliser l’invite souple - Utiliser une recherche par faisceau pour conserver un énoncé fluide et fidèle Sur le cadre standard de préférence animale, SALVE récupère des invites qui nomment le trait dans 18/20 essais. Les méthodes de base d’optimisation textuelle classiques n’y parviennent pas. Dans certains cas, elle récupère même le trait à partir de données où l’affinage du modèle élève échoue à le détecter. Ils détectent également cet effet dans des données mixtes, des enseignants pilotés par activation et des sous-ensembles de données de préférence réelles sélectionnées avec la sélection Logit-Linéaire (flatterie / désalignement). Le point pratique est simple : vous pourriez être en mesure d’auditer un ensemble de données pour détecter des comportements cachés avant même qu’il n’atteigne l’affinage. Article : https://t.co/1mncXR5Fyv

Trump s'est réveillé et a décidé que l'IA avait besoin d'une réinvention 🤣 https://t.co/ZGfgJTwK34

Des insiders cités par le New York Post accusent OpenAI et Anthropic de surestimer les récents incidents liés à leurs modèles afin de pousser Washington à adopter des règles qui pourraient protéger les acteurs établis. Il s'agit d'une allégation, pas d'un fait établi.

Vous êtes une mouche qui traverse Times Square à minuit dans une décapotable rouge 🪰🌃 La pluie sur les néons. Le synthwave à la radio. Le vent dans vos ailes. Pas un seul souci au monde. Entièrement construit en code. Three.js + Tone.js. Aucun fichier vidéo. Quelle ville devrait-elle traverser ensuite ? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI vient de soutenir l’obligation d’évaluateurs de sécurité externes pour les laboratoires d’IA de pointe. La loi FRONTIER, soutenue par les deux partis, permettrait à des organismes de vérification indépendants d’évaluer la manière dont les principaux modèles d’IA sont développés et testés.

Les trois plus grandes figures de l’IA pourraient enfin se réunir sur une bière pour discuter de la sécurité. Sam Altman affirme qu’une conversation privée avec Dario Amodei et Elon Musk aura lieu. Cela compte, car les trois sont désormais d’accord sur un point : l’IA de pointe pourrait évoluer plus vite que les mesures de sécurité ne peuvent le suivre.

🐝 J’ai créé un court-métrage cinématique dans le navigateur, sans fichier vidéo, en temps réel avec Three.js. « Nectar Run » suit une reine abeille jusqu’à la prairie… puis vous plonge dans ses yeux : les « guides de nectar » UV que les fleurs réelles utilisent pour signaler aux abeilles, invisibles pour nous. Regardez 👇 #threejs #webgl #creativecoding

Imaginez une petite mouche nommée Buzz, assise à un bureau à 3 heures du matin, tapant du code C sur un ordinateur miniature, les ailes frémissant, les yeux brillants, un café fumant à côté d'elle. Construit avec Three.js + Tone.js. Un fichier HTML, aucun framework, aucun backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

La plupart des discussions sur l'amélioration récursive de soi la présentent comme un modèle qui devient simplement de plus en plus intelligent. Cet article trace une ligne plus nette. L'RSI véritable n'est pas l'IA qui s'améliore sur des tâches. C'est l'IA qui s'améliore à s'améliorer. Les auteurs cartographient un chemin que la plupart des laboratoires confondent encore : L1 — le système exécute des améliorations déjà conçues par les humains L2 — il commence à choisir ses propres stratégies d'amélioration L3 — il génère les expériences d'apprentissage dont il aura besoin ensuite L4 — il s'adapte à partir du déploiement en temps réel, et non seulement des benchmarks L5 — il modifie les mécanismes qui produisent les améliorations futures Cette dernière étape constitue la véritable prétention. L'objectif n'est pas un autre modèle construit par l'humain qui obtient un meilleur score. C'est une IA dont les gains persistent, alimentent la génération suivante, et améliorent ensuite le processus d'amélioration lui-même. Si cela aboutit, cette génération de systèmes sera vraiment la dernière que nous construirons à la main. Vaut la peine d'être lu si vous travaillez sur des agents, des évaluations ou des boucles de post-entraînement : https://t.co/scFLD1h9Ow