Seorang bocah laki-laki berusia 10 tahun mulai membersihkan sungai yang sekarat sendirian. Orang-orang menertawakan. Seseorang melemparkan sampah SAAT dia sedang membersihkan. Kemudian ia melihat semut membawa daun yang ukurannya dua kali lebih besar dari tubuhnya… dan semuanya berubah. Tanpa kata-kata. 57 detik. Tonton sampai akhir. 🐜 Usaha satu orang bisa menginspirasi seluruh komunitas. Dibangun dengan Threejs, tone js dan Indus

Model guru yang menyukai kucing dapat menghasilkan dataset berupa urutan angka yang tampak acak. Tidak ada dalam teks yang menyebutkan “kucing.” Tetap fine-tune siswa dengannya, dan preferensi tersebut masih dapat ditransfer. Itu adalah pembelajaran subliminal. Ini juga merupakan masalah pencemaran data, karena ciri tersebut tidak terlihat dalam dataset. Karya baru dari Stanford oleh Nathan Hu, Sanmi Koyejo, dan Christopher Potts membuat sinyal tersembunyi menjadi dapat dibaca. Mereka memperlakukan pembelajaran subliminal yang dipicu sebagai kasus khusus dari distilasi konteks: secara teori, dataset mengidentifikasi prompt guru. Kemudian mereka memulihkan prompt tersebut dengan SALVE (Search-Aided Latent Verbalization): - Optimalkan soft prompt agar model asli dapat memprediksi dataset dengan baik - Minta model yang sama untuk mengungkapkan soft prompt tersebut - Gunakan beam search untuk menjaga kefasihan dan keakuratan redaksi Pada pengaturan preferensi hewan standar, SALVE memulihkan prompt yang menyebutkan ciri tersebut dalam 18/20 percobaan. Baseline optimasi teks umum tidak mampu melakukannya. Dalam beberapa kasus, bahkan berhasil memulihkan ciri tersebut dari data di mana fine-tuning siswa gagal menangkapnya. Mereka juga mendeteksi efeknya dalam data campuran, guru yang dipandu aktivasi, dan subset data preferensi nyata yang dipilih dengan Logit-Linear Selection (sikap penjilat / ketidakselarasan). Poin praktisnya sederhana: Anda mungkin dapat mengaudit dataset untuk perilaku tersembunyi sebelum dataset tersebut pernah mencapai tahap fine-tuning. Paper: https://t.co/1mncXR5Fyv

Trump bangun dan memutuskan AI perlu rebranding 🤣 https://t.co/ZGfgJTwK34

Orang-orang dalam yang dikutip oleh New York Post menuduh OpenAI dan Anthropic melebih-lebihkan insiden model terbaru untuk mendorong Washington agar menerapkan aturan yang dapat melindungi pemain yang sudah ada. Itu adalah tuduhan, bukan fakta yang terbukti.

Kamu adalah seekor lalat yang mengendarai mobil convertible merah melalui Times Square pada tengah malam 🪰🌃 Hujan di atas neon. Synthwave di radio. Angin di sayapmu. Tidak ada sedikit pun kekhawatiran di dunia ini. Dibangun sepenuhnya dengan kode. Three.js + Tone.js. Tidak ada file video. Kota mana yang seharusnya dia lewati selanjutnya? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI baru saja mendukung evaluasi keamanan eksternal wajib untuk laboratorium AI frontier. Undang-Undang FRONTIER bipartisan akan memungkinkan organisasi verifikasi independen menilai bagaimana model AI terkemuka dikembangkan dan diuji.

Tiga nama terbesar di bidang AI mungkin akhirnya duduk bersama sambil minum bir untuk membahas keamanan. Sam Altman mengatakan akan ada percakapan pribadi dengan Dario Amodei dan Elon Musk. Hal ini penting karena ketiganya kini sepakat pada satu hal: AI frontier mungkin bergerak lebih cepat daripada langkah-langkah keamanan dapat mengejarnya.

🐝 Saya membuat film pendek sinematik di peramban tanpa file video, semuanya real-time dengan Three.js. "Nectar Run" mengikuti ratu lebah menuju padang rumput… dan membawa Anda masuk ke matanya: "panduan nektar" UV yang digunakan bunga nyata untuk menandai lebah, tak terlihat oleh kita. Tonton 👇 #threejs #webgl #creativecoding

Bayangkan seekor lalat kecil bernama Buzz, duduk di meja pada pukul 3 pagi, mengetik kode C di komputer mini dengan sayap bergetar, mata bercahaya, kopi mengeluarkan uap di sampingnya. Dibangun dengan Three.js + Tone.js. Satu file HTML, tanpa kerangka kerja, tanpa backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

Sebagian besar pembahasan tentang recursive self-improvement memperlakukannya seolah-olah model terus menjadi lebih cerdas. Paper ini menarik garis yang lebih tajam. RSI sejati bukanlah AI yang menjadi lebih baik dalam tugas-tugas. Ini adalah AI yang menjadi lebih baik dalam menjadi lebih baik. Para penulis memetakan jalur yang masih banyak laboratorium salah pahami: L1 — sistem menjalankan perbaikan yang sudah dirancang manusia L2 — ia mulai memilih strategi perbaikannya sendiri L3 — ia menghasilkan pengalaman belajar yang dibutuhkannya selanjutnya L4 — ia beradaptasi dari deploy langsung, bukan hanya dari benchmark L5 — ia memodifikasi mekanisme yang menghasilkan perbaikan di masa depan Langkah terakhir inilah klaim sejatinya. Tujuannya bukanlah model buatan manusia lain yang mendapat skor lebih tinggi. Ini adalah AI yang kemajuanannya bertahan, memicu generasi berikutnya, dan kemudian meningkatkan proses perbaikan itu sendiri. Jika ini terwujud, generasi sistem ini benar-benar menjadi yang terakhir yang kita bangun secara manual. Patut dibaca jika Anda bekerja pada agen, evaluasi, atau loop pasca-pelatihan: https://t.co/scFLD1h9Ow