एक 10 साल का लड़का अकेले एक मरती नदी की सफाई शुरू कर देता है। लोग हंसते हैं। कोई उसके बीच में कचरा फेंक देता है। फिर वह एक चींटी को अपने आकार से दोगुना आकार का पत्ता उठाते हुए देखता है... और सब कुछ बदल जाता है। कोई शब्द नहीं। 57 सेकंड। अंत तक देखें। 🐜 एक व्यक्ति का प्रयास पूरे समुदाय को प्रेरित कर सकता है। Threejs, tone js और Indus द्वारा बनाया गया

एक शिक्षक मॉडल जो बिल्लियों से प्यार करता है, यादृच्छिक दिखने वाली संख्या अनुक्रमों का डेटासेट बना सकता है। पाठ में कहीं भी “बिल्लियाँ” नहीं कहा गया है। फिर भी एक छात्र मॉडल को इस पर फाइन-ट्यून करें, और प्राथमिकता अभी भी स्थानांतरित हो सकती है। यह उपचेतन अधिगम है। यह एक डेटा-विषैला समस्या भी है, क्योंकि यह विशेषता डेटासेट में पढ़ी नहीं जा सकती। नेथन हू, सानमी कोयेजो, और क्रिस्टोफर पॉट्स द्वारा स्टैनफोर्ड के नवीनतम कार्य में, छिपा हुआ संकेत पठनीय बनाया गया है। वे प्रॉम्प्टेड उपचेतन अधिगम को संदर्भ संक्षेपण की एक विशेष स्थिति के रूप में मानते हैं: सिद्धांत रूप से, डेटासेट शिक्षक के प्रॉम्प्ट की पहचान करता है। फिर वे SALVE (खोज-सहायता वाला लेटेंट वर्बलाइज़ेशन) के साथ उस प्रॉम्प्ट को पुनः प्राप्त करते हैं: - एक सॉफ्ट प्रॉम्प्ट को अनुकूलित करें ताकि मूल मॉडल डेटासेट का अच्छी तरह से पूर्वानुमान लगा सके - उसी मॉडल से सॉफ्ट प्रॉम्प्ट को शब्दों में व्यक्त करने के लिए कहें - प्रवाह और सटीकता को बनाए रखने के लिए बीम सर्च का उपयोग करें मानक पशु-प्राथमिकता सेटअप पर, SALVE 20 में से 18 प्रयासों में विशेषता का नाम वाले प्रॉम्प्ट पुनः प्राप्त करता है। सामान्य पाठ-अनुकूलन आधारभूत मॉडल ऐसा नहीं करते। कुछ मामलों में, यह उस डेटा से भी विशेषता पुनः प्राप्त करता है, जहाँ छात्र का फाइन-ट्यूनिंग इसे पकड़ने में असफल होता है। वे मिश्रित डेटा, सक्रियता-निर्देशित शिक्षकों, और Logit-Linear Selection (सिकोफैंसी / मिसअलाइनमेंट) के साथ चयनित वास्तविक प्राथमिकता डेटा के उपसमुच्चय में प्रभाव की पहचान करते हैं। व्यावहारिक बिंदु सरल है: आप प्रशिक्षण से पहले ही, डेटासेट की समीक्षा करके छिपी हुई व्यवहारों का पता लगा सकते हैं। पेपर: https://t.co/1mncXR5Fyv

ट्रम्प जागे और निर्णय लिया कि AI को एक नया ब्रांडिंग चाहिए 🤣 https://t.co/ZGfgJTwK34

न्यूयॉर्क पोस्ट द्वारा संदर्भित आंतरिक सूत्रों के अनुसार, ओपनएआई और एंथ्रोपिक को निकट भविष्य के मॉडल घटनाओं को बढ़ाकर वाशिंगटन को ऐसे नियमों की ओर धकेलने का आरोप लगाया जा रहा है, जो स्थापित खिलाड़ियों की सुरक्षा कर सकते हैं। यह एक आरोप है, एक साबित तथ्य नहीं।

आप एक मक्खी हैं जो रात के बारह बजे एक लाल कन्वर्टिबल में टाइम्स स्क्वायर से गुजर रही हैं 🪰🌃 नीयन पर बारिश। रेडियो पर सिंथवेव। आपके पंखों में हवा। दुनिया में कोई चिंता नहीं। पूरी तरह कोड में बनाया गया। Three.js + Tone.js। कोई वीडियो फाइल नहीं। अगले शहर का नाम क्या होना चाहिए? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI ने अग्रणी AI प्रयोगशालाओं के लिए अनिवार्य बाहरी सुरक्षा मूल्यांकनकर्ताओं का समर्थन किया है। द्विदलीय FRONTIER अधिनियम स्वतंत्र पुष्टि संगठनों को अग्रणी AI मॉडल्स के विकास और परीक्षण कैसे किए जाते हैं, इसका मूल्यांकन करने की अनुमति देगा।

AI के तीन सबसे बड़े नाम अंततः बीयर पीते हुए सुरक्षा पर चर्चा करने के लिए बैठ सकते हैं। सैम आल्टमैन कहते हैं कि डैरियो अमोडेई और एलन मस्क के साथ एक निजी बातचीत होगी। यह मायने रखता है क्योंकि अब तीनों एक बात पर सहमत हैं: फ्रंटियर AI सुरक्षा उपायों के अनुसार तेजी से आगे बढ़ रहा है।

🐝 मैंने ब्राउज़र में एक सिनेमैटिक शॉर्ट फिल्म बनाई है, कोई वीडियो फाइल नहीं, यह रियल-टाइम Three.js है। "Nectar Run" एक मधुमक्खी रानी को मैदान तक ले जाती है... और आपको उसकी आँखों में डाल देती है: UV "नेक्टर गाइड्स" जो वास्तविक फूल मधुमक्खियों को संकेत देने के लिए उपयोग करते हैं, जो हमारे लिए अदृश्य हैं। देखें 👇 #threejs #webgl #creativecoding

एक छोटे से मक्खी बज़ की कल्पना करें, जो रात के 3 बजे एक डेस्क पर बैठकर एक लघु कंप्यूटर पर C कोड टाइप कर रहा है, उसके पंख हल्के से फड़फड़ा रहे हैं, आँखें चमक रही हैं, और उसके पास कॉफी की भाप उड़ रही है। Three.js + Tone.js के साथ बनाया गया। एक HTML फ़ाइल, कोई फ्रेमवर्क नहीं, कोई बैकएंड नहीं। #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

अधिकांश चर्चाएँ आत्म-सुधार के पुनरावर्ती स्वरूप के बारे में इस बात पर केंद्रित होती हैं कि मॉडल बस और अधिक बुद्धिमान होता जा रहा है। यह पत्र एक स्पष्टतर रेखा खींचता है। वास्तविक RSI एआई के कार्यों में सुधार नहीं है। यह एआई के सुधार करने में सुधार करना है। लेखक एक ऐसा मार्ग चित्रित करते हैं जिसे अभी भी अधिकांश प्रयोगशालाएँ मिला रही हैं: L1 — प्रणाली मानव द्वारा पहले से डिज़ाइन किए गए सुधारों को निष्पादित करती है L2 — यह अपनी स्वयं की सुधार रणनीतियों का चयन करना शुरू कर देती है L3 — यह अपनी अगली आवश्यकताओं के लिए सीखने के अनुभवों को उत्पन्न करती है L4 — यह केवल बेंचमार्क्स से नहीं, बल्कि लाइव डिप्लॉयमेंट से अनुकूलित होती है L5 — यह भविष्य के सुधारों को उत्पन्न करने वाले तंत्रों को संशोधित करती है अंतिम कदम ही वास्तविक दावा है। लक्ष्य कोई और मानव-निर्मित मॉडल नहीं है जो अधिक स्कोर करे। यह एक ऐसा एआई है जिसके लाभ स्थायी हों, अगली पीढ़ी को प्रेरित करें, और सुधार प्रक्रिया को स्वयं सुधारें। अगर यह सफल होता है, तो इस पीढ़ी के प्रणालियाँ वास्तव में हमारे द्वारा हाथ से बनाई जाने वाली अंतिम पीढ़ी होंगी। अगर आप एजेंट, मूल्यांकन, या पोस्ट-ट्रेनिंग लूप पर काम करते हैं, तो पढ़ने के लायक है: https://t.co/scFLD1h9Ow