Seorang budak lelaki berumur 10 tahun memulakan pembersihan sungai yang sedang mati sendirian. Orang-orang tertawa. Seseorang melempar sampah semasa dia sedang membersihkan. Kemudian dia memerhatikan semut membawa daun dua kali ganda saiznya… dan segalanya berubah. Tiada perkataan. 57 saat. Tonton hingga akhir. 🐜 Usaha seorang individu boleh menginspirasi seluruh komuniti. Dibina dengan Threejs, tone js dan Indus

Model guru yang menyukai kucing boleh menghasilkan set data urutan nombor yang kelihatan rawak. Tiada apa-apa dalam teks yang menyebut “kucing”. Jalankan penyesuaian halus terhadap pelajar tanpa sebarang perubahan, dan preferensi tersebut masih boleh dipindahkan. Ini adalah pembelajaran bawah sedar. Ia juga merupakan masalah pencemaran data, kerana ciri tersebut tidak dapat dikenal pasti dalam set data. Karya baharu dari Stanford oleh Nathan Hu, Sanmi Koyejo, dan Christopher Potts menjadikan isyarat tersembunyi tersebut dapat dibaca. Mereka memperlakukan pembelajaran bawah sedar yang dipicu sebagai kes khas pengekstrakan konteks: secara teori, set data mengenal pasti prompt guru. Kemudian mereka memulihkan prompt tersebut dengan SALVE (Search-Aided Latent Verbalization): - Optimumkan soft prompt supaya model asal dapat meramal set data dengan baik - Minta model yang sama untuk mengungkapkan soft prompt tersebut - Gunakan beam search untuk mengekalkan kelancaran dan ketepatan pernyataan Dalam setup preferensi haiwan standard, SALVE memulihkan prompt yang menyebut ciri tersebut dalam 18/20 percubaan. Kaedah asas penyesuaian teks biasa tidak mampu melakukannya. Dalam sesetengah kes, ia bahkan mampu memulihkan ciri tersebut daripada data di mana penyesuaian halus pelajar gagal mengenalnya. Mereka juga mengesan kesan ini dalam data campuran, guru yang dipandu aktivasi, dan subset data preferensi sebenar yang dipilih dengan Logit-Linear Selection (sikap menyanjung / ketidakselarasan). Titik praktikalnya adalah mudah: anda mungkin mampu mengaudit set data bagi mengesan tingkah laku tersembunyi sebelum ia sampai ke peringkat penyesuaian halus. Kertas: https://t.co/1mncXR5Fyv

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

Orang dalam yang dikutip oleh New York Post menuduh OpenAI dan Anthropic melebih-lebihkan insiden model terkini untuk mendorong Washington ke arah peraturan yang boleh melindungi pemain sedia ada. Itu adalah tuduhan, bukan fakta yang telah dibuktikan.

Anda adalah seekor lalat yang memandu melalui Times Square pada tengah malam dalam kereta terbuka merah 🪰🌃 Hujan di atas neon. Synthwave di radio. Angin di sayap anda. Tiada sebarang kebimbangan di dunia. Dibina sepenuhnya dalam kod. Three.js + Tone.js. Tiada fail video. Bandar mana yang sepatutnya dia pilih untuk dilalui seterusnya? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI baru saja menyokong penilaian keselamatan luar yang wajib untuk makmal AI terkini. Undang-undang FRONTIER yang disokong secara bipartisan akan membenarkan organisasi pengesahan bebas menilai bagaimana model AI terkemuka dibangunkan dan diuji.

Tiga nama terbesar dalam AI akhirnya mungkin akan duduk bersama sambil minum bir untuk membahas keselamatan. Sam Altman mengatakan percakapan peribadi dengan Dario Amodei dan Elon Musk akan berlaku. Itu penting kerana ketiga-tiga mereka kini bersetuju pada satu perkara: AI hadapan mungkin bergerak lebih pantas daripada langkah-langkah keselamatan boleh ikut.

🐝 Saya membina filem pendek sinematik di dalam browser, tanpa fail video, ia Three.js secara masa nyata. "Nectar Run" mengikuti ratu lebah ke padang rumput… dan membawa anda ke dalam mata beliau: "panduan nektar" UV yang digunakan bunga-bunga semula jadi untuk menandakan lebah, tidak kelihatan kepada kita. Tonton 👇 #threejs #webgl #creativecoding

Bayangkan seekor lalat kecil bernama Buzz, duduk di meja pada pukul 3 pagi, menaip kod C di atas komputer mini dengan sayap bergetar, mata bercahaya, dan kopi beruap di sampingnya. Dibina dengan Three.js + Tone.js. Satu fail HTML, tiada kerangka kerja, tiada backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

Kebanyakan perbincangan tentang peningkatan diri berulang menganggapnya seolah-olah model terus menjadi lebih pintar. Kertas ini menarik garis yang lebih tajam. RSI sejati bukanlah AI yang menjadi lebih baik dalam tugas-tugas. Ia adalah AI yang menjadi lebih baik dalam menjadi lebih baik. Penulis memetakan satu jalan yang masih banyak dikelirukan oleh kebanyakan makmal: L1 — sistem melaksanakan peningkatan yang telah direka oleh manusia L2 — ia mula memilih strategi peningkatan sendiri L3 — ia menghasilkan pengalaman pembelajaran yang diperlukan seterusnya L4 — ia beradaptasi daripada pelaksanaan langsung, bukan hanya ujian piawai L5 — ia memodifikasi mekanisme yang menghasilkan peningkatan masa depan Langkah terakhir inilah tuntutan sebenar. Matlamatnya bukanlah model yang direka oleh manusia yang mencapai skor lebih tinggi. Ia adalah AI yang keuntungannya berterusan, membiak ke generasi seterusnya, dan kemudian meningkatkan proses peningkatan itu sendiri. Jika ini berjaya, sistem generasi ini benar-benar generasi terakhir yang kita bina secara manual. Patut dibaca jika anda bekerja dalam agen, penilaian, atau gelung pasca-pelatihan: https://t.co/scFLD1h9Ow