Um menino de 10 anos começou a limpar sozinho um rio moribundo. As pessoas riram. Alguém jogou lixo ENQUANTO ele estava limpando. Então ele observou uma formiga carregando uma folha duas vezes maior que seu tamanho… e tudo mudou. Sem palavras. 57 segundos. Assista até o final. 🐜 O esforço de uma única pessoa pode inspirar toda uma comunidade. Desenvolvido por Threejs, Tone js e Indus

Um modelo professor que ama gatos pode gerar um conjunto de dados de sequências de números que parecem aleatórias. Nada no texto diz “gatos”. Ajuste finamente um aluno com ele mesmo assim, e a preferência ainda pode ser transferida. Isso é aprendizado subliminar. Também é um problema de envenenamento de dados, pois o traço não é legível no conjunto de dados. Novo trabalho da Stanford de Nathan Hu, Sanmi Koyejo e Christopher Potts torna o sinal oculto legível. Eles tratam o aprendizado subliminar provocado como um caso especial de distilação de contexto: teoricamente, o conjunto de dados identifica a prompt do professor. Em seguida, eles recuperam essa prompt com SALVE (Search-Aided Latent Verbalization): - Otimize uma soft prompt para que o modelo original preveja bem o conjunto de dados - Peça ao mesmo modelo para verbalizar a soft prompt - Use beam search para manter a redação fluente e fiel No cenário padrão de preferência por animais, o SALVE recupera prompts que nomeiam o traço em 18/20 execuções. Métodos básicos comuns de otimização de texto não conseguem. Em alguns casos, ele até recupera o traço de dados nos quais o ajuste fino do aluno falha em captá-lo. Eles também detectam o efeito em dados mistos, professores guiados por ativação e subconjuntos de dados reais de preferência selecionados com Logit-Linear Selection (sycophancy / misalignment). O ponto prático é simples: você pode ser capaz de auditar um conjunto de dados em busca de comportamentos ocultos antes que ele chegue ao ajuste fino. Artigo: https://t.co/1mncXR5Fyv

Trump acordou e decidiu que a IA precisa de uma nova identidade 🤣 https://t.co/ZGfgJTwK34

Fontes próximas à OpenAI e à Anthropic citadas pelo New York Post acusam as empresas de exagerar os incidentes recentes dos modelos para pressionar Washington a adotar regras que possam proteger os atuais participantes do mercado. Essa é uma alegação, não um fato comprovado.

Você é uma mosca dirigindo por Times Square à meia-noite em um conversível vermelho 🪰🌃 Chuva sobre o néon. Synthwave no rádio. Vento em suas asas. Nenhum cuidado no mundo. Construído inteiramente em código. Three.js + Tone.js. Sem arquivos de vídeo. Qual cidade ela deveria dirigir a seguir? 👇 #Threejs #CreativeCoding #WebGL #NYC

A OpenAI acabou de apoiar avaliadores de segurança externos obrigatórios para laboratórios de IA de ponta. O FRONTIER Act, de apoio bipartidário, permitiria que organizações de verificação independentes avaliassem como os principais modelos de IA são desenvolvidos e testados.

Os três maiores nomes em IA podem finalmente se reunir para discutir segurança com uma cerveja. Sam Altman diz que uma conversa privada com Dario Amodei e Elon Musk acontecerá. Isso importa porque os três agora concordam com uma coisa: a IA de fronteira pode estar evoluindo mais rápido do que as medidas de segurança conseguem acompanhar.

🐝 Desenvolvi um curta-metragem cinematográfico no navegador, sem arquivo de vídeo — é Three.js em tempo real. "Nectar Run" acompanha uma rainha de abelhas até o prado… e te coloca nos olhos dela: os “guias de néctar” UV que as flores reais usam para sinalizar as abelhas, invisíveis para nós. Assista 👇 #threejs #webgl #creativecoding

Imaginem uma pequena mosca chamada Buzz, sentada em uma mesa às 3 da manhã, digitando código C em um computador minúsculo, as asas tremulando, os olhos brilhando, um café fumegando ao lado dele. Desenvolvido com Three.js + Tone.js. Um único arquivo HTML, sem frameworks, sem backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

A maioria das discussões sobre autoaperfeiçoamento recursivo trata como se o modelo simplesmente continuasse ficando mais inteligente. Este artigo traça uma linha mais nítida. O verdadeiro RSI não é a IA ficando melhor em tarefas. É a IA ficando melhor em se tornar melhor. Os autores mapeiam um caminho que a maioria dos laboratórios ainda está confundindo: L1 — o sistema executa melhorias já projetadas por humanos L2 — ele começa a escolher suas próprias estratégias de aperfeiçoamento L3 — ele gera as experiências de aprendizado de que precisará em seguida L4 — ele se adapta a partir da implantação em tempo real, não apenas de benchmarks L5 — ele modifica os mecanismos que produzem melhorias futuras Essa última etapa é a verdadeira afirmação. O objetivo não é outro modelo construído por humanos que obtenha pontuações mais altas. É uma IA cujos ganhos persistem, alimentam a próxima geração e, em seguida, aprimoram o próprio processo de aperfeiçoamento. Se isso se concretizar, esta geração de sistemas realmente será a última que construímos manualmente. Vale a pena ler se você trabalha com agentes, avaliações ou loops pós-treinamento: https://t.co/scFLD1h9Ow