10歳の男の子が、枯れかけた川を一人で掃除し始めた。 人々は笑った。彼が掃除している最中に、誰かがゴミを投げた。 そして彼は、自分より2倍も大きい葉を運ぶアリを見た……。それからすべてが変わった。 言葉は一切ない。57秒。最後まで見てください。🐜 一人の努力が、地域全体を動かすことができる。 Threejs、Tone.js、Indusで構築

猫が好きな教師モデルは、ランダムに見える数列のデータセットを生成できる。テキストには「猫」という言葉は一切含まれていない。それでも、そのデータセットで学生モデルをファインチューニングすれば、その好みは依然として転送される。 これは潜在学習である。同時に、データポイズニングの問題でもある。なぜなら、その特徴はデータセット上で明示的に読み取れないからだ。 ナサニエル・フ、サンミ・コエジョ、クリストファー・ポッツによる新しいスタンフォード大学の研究は、この隠れたシグナルを可視化する。 彼らは、プロンプトによる潜在学習をコンテキストディスティレーションの特殊なケースと捉える。理論的には、データセットは教師モデルのプロンプトを特定する。その後、SALVE（Search-Aided Latent Verbalization）を用いてそのプロンプトを回復する： - 元のモデルがデータセットをよく予測できるように、ソフトプロンプトを最適化する - 同じモデルにそのソフトプロンプトを言語化させる - ビームサーチを用いて、表現を流暢かつ忠実に保つ 標準的な動物好み設定において、SALVEは20回の試行のうち18回で特徴を明示的に名指すプロンプトを回復した。一般的なテキスト最適化ベースラインはこれができなかった。場合によっては、学生モデルのファインチューニングがその特徴を捉えられないデータからでも特徴を回復した。 さらに、混合データ、アクティベーション駆動型教師、およびLogit-Linear Selection（おべっか／不整合）で選択された実際の好みデータのサブセットにおいても、この効果を検出している。 実用的なポイントは単純だ：ファインチューニングに至る前に、データセットに隠された行動が含まれているかどうかを監査できる可能性がある。 論文：https://t.co/1mncXR5Fyv

トランプが目覚めて、AIにリブランディングが必要だと決めた🤣 https://t.co/ZGfgJTwK34

ニューヨーク・ポストが引用した内部関係者によると、OpenAIとAnthropicは、既存企業を保護する可能性のある規制を Washington に促すために、最近のモデルの出来事を誇張しているという。 これは主張であり、確立された事実ではない。

真夜中のタイムズスクエアを赤いオープンカーで飛ぶ蠅のような気分🪰🌃 ネオンに降る雨。ラジオからはシンセウェイブ。風が翼を撫でる。世界に一つの心配事もない。 すべてコードで構築。Three.js + Tone.js。動画ファイルは一切使用していない。 次はどの都市を走らせよう？👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAIは、フロンティアAIラボに対して外部の安全評価者を義務付けることを支援しました。 両党一致の「フロンティア法」は、独立した検証機関が主要なAIモデルの開発およびテスト方法を評価できるようにします。

AIの3大勢力が、ついにビールを片手に安全性について話し合う可能性がある。 サム・アルトマンは、ダリオ・アモデイとイーロン・マスクとの非公開の会話が実現すると述べた。 これは重要である。なぜなら、この3者すべてが、フロンティアAIの進展が安全性対策を追い越しているという点で一致しているからだ。

🐝 私はビデオファイルなしで、ブラウザ上でシネマティックな短編映画を実装しました。リアルタイムのThree.jsを使用しています。 「Nectar Run」は、女王蜂が草原へ向かう旅を描き、あなたをその蜂の目線に導きます。花々がミツバチに向け、私たちには見えない紫外線で「蜜のガイド」を示す様子が見られます。 視聴はこちら 👇 #threejs #webgl #creativecoding

3時、小さなハエのバズが机に座り、ミニチュアのコンピュータでC言語をタイピングしている。羽はふわりと揺れ、目は輝き、隣にはコーヒーが湯気を立てている。 Three.js + Tone.jsで構築。HTMLファイル1つ、フレームワークやバックエンドなし。 #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

再帰的自己改善についての議論の多くは、モデルが次第に賢くなるだけだと扱っている。 この論文は、明確な区別を描き出している。 真のRSIとは、AIがタスクをより上手にこなすようになることではない。 それは、AIが「より良くなる方法」をより良くするということである。 著者たちは、多くの研究室がまだ混同している道筋を示している： L1 — システムが人間が既に設計した改善を実行する L2 — 自身の改善戦略を自ら選択し始める L3 — 次に必要な学習体験を生成する L4 — ベンチマークだけでなく、実稼働環境から適応する L5 — 将来の改善を生み出すメカニズム自体を変更する この最後のステップが真の主張である。目指すのは、より高いスコアを出す人間が設計した別のモデルではない。それは、得られた進歩が継続し、次世代にフィードバックされ、さらに改善プロセスそのものを向上させるAIである。 もしこれが実現すれば、この世代のシステムこそ、私たちが手作業で構築する最後の世代となるだろう。 エージェント、評価、またはトレーニング後のループに従事している方には読む価値あり：https://t.co/scFLD1h9Ow