10 yaşındaki bir çocuk, ölü bir nehrin temizliğini tek başına yapmaya başladı. İnsanlar gülüştü. Kimse temizlerken çöp attı. Sonra bir karıncanın, boyutunun iki katı olan bir yaprak taşıdığını izledi… ve her şey değişti. Hiçbir kelime. 57 saniye. Sonuna kadar izleyin. 🐜 Bir kişinin çabası, tüm bir topluluğu ilhamlandırabilir. Threejs, tone js ve Indus ile oluşturuldu

Kedileri seven bir öğretmen modeli, rastgele görünen sayı dizileri veri kümesi oluşturabilir. Metinde “kediler” sözü geçmez. Öğrenci modeli bunun üzerine ince ayarlasanız bile tercih hâlâ aktarılabilir. Bu, altınbilinçli öğrenmedir. Aynı zamanda bir veri zehirleme sorunudur, çünkü özellik veri kümesinde okunabilir değildir. Nathan Hu, Sanmi Koyejo ve Christopher Potts’un yeni Stanford çalışması, gizli sinyali okunabilir hale getiriyor. Onlar, tetiklenen altınlbilinçli öğrenmeyi bağlam özümsemenin özel bir durumu olarak ele alıyor: teorik olarak veri kümesi, öğretmenin tetikleyicisini tanımlar. Sonra SALVE (Arama Destekli Gizli Sözelleştirme) ile bu tetikleyiciyi geri kazanırlar: - Orijinal modelin veri kümesini iyi tahmin edebilmesi için yumuşak bir tetikleyiciyi optimize edin - Aynı modelden yumuşak tetikleyiciyi sözel olarak ifade etmesini isteyin - Beam arama kullanarak ifadelerin akıcı ve sadık kalmasını sağlayın Standart hayvan tercihi kurulumunda, SALVE 20 denemenin 18’inde özelliği adlandıran tetikleyicileri geri kazanır. Yaygın metin optimizasyonu temel yöntemleri bunu yapamaz. Bazı durumlarda, öğrenci ince ayarının bu özelliği algılayamadığı verilerden bile özelliği geri kazanır. Ayrıca, karışık verilerde, aktivasyonla yönlendirilen öğretmenlerde ve Logit-Doğrusal Seçim (sıkılaşma / uyumsuzluk) ile seçilen gerçek tercih verilerinin alt kümelerinde bu etkiyi tespit ederler. Pratik nokta basittir: Bir veri kümesini ince ayarlamadan önce gizli davranışlar için denetim yapabilirsiniz. Makale: https://t.co/1mncXR5Fyv

Trump uyanıp AI'nın yeniden markalanması gerektiğini kararlaştırdı 🤣 https://t.co/ZGfgJTwK34

New York Post tarafından alıntılanan iç bilgili kişiler, OpenAI ve Anthropic'ın, mevcut şirketleri koruyabilecek kurallara doğru Washington'u yönlendirmek için son model olaylarını abarttıklarını iddia ediyor. Bu, bir iddia, kanıtlanmış bir gerçek değil.

Gece yarısı kırmızı bir convertible içinde Times Square’i süzülen bir sineksiniz 🪰🌃 Yağmur, neon ışıkların üzerinde. Synthwave, radyoda. Rüzgâr, kanatlarınızda. Dünyanın en küçük bir endişesi yok. Tamamen kodla oluşturuldu. Three.js + Tone.js. Hiçbir video dosyası yok. Sıradaki şehir hangisi olsun? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI, öncü AI laboratuvarları için zorunlu dış güvenlik değerlendirmecilerini destekledi. İkili partili FRONTIER Yasası, önde gelen AI modellerinin nasıl geliştirildiğini ve test edildiğini bağımsız doğrulama kuruluşlarının değerlendirmesine izin verecektir.

Yapay zekânın en büyük 3 ismi nihayet bir bira ile güvenlik konusunda görüşmek üzere oturabilir. Sam Altman, Dario Amodei ve Elon Musk ile özel bir konuşma yapılacağını söylüyor. Bu önemlidir çünkü üçü de şu anda bir şeye hemfikir: öncü yapay zeka, güvenlik önlemlerinin hızını yakalayamıyor olabilir.

🐝 Bir video dosyası olmadan, gerçek zamanlı Three.js ile tarayıcıda sinematik bir kısa film oluşturdum. "Nektar Koşusu”, bir arı kraliçesinin çiçekli meydana doğru yolculuğunu anlatıyor… ve sizleri kraliçenin gözlerine sokuyor: UV “nektar rehberleri” — çiçeklerin arıları işaretlemek için kullandığı, bizim için görünmez olan. İzleyin 👇 #threejs #webgl #creativecoding

3 AM'de, küçük bir sinek olan Buzz, kanatları titreyen, gözleri parlayan, yanında kaynar kahveyle birlikte minik bir bilgisayarda C kodu yazıyor. Three.js + Tone.js ile oluşturuldu. Bir HTML dosyası, hiçbir framework, hiçbir arka uç yok. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

Özyenileme ile ilgili çoğu konuşma, modelin sadece daha akıllı hale geldiğini varsayar. Bu makale daha net bir çizgi çizer. Gerçek Özyenileme, yapay zekânın görevlerde daha iyi hale gelmesi değildir. Yapay zekânın daha iyi hale gelme yöntemini geliştirmesidir. Yazarlar, çoğu laboratuvarın hâlâ karıştırdığı bir yol haritası çizer: L1 — sistem, insanlar tarafından zaten tasarlanan iyileştirmeleri yürütür L2 — kendi iyileştirme stratejilerini seçmeye başlar L3 — sonraki ihtiyaç duyduğu öğrenme deneyimlerini üretir L4 — yalnızca performans testlerinden değil, canlı dağıtımdan uyarlanır L5 — gelecekteki iyileştirmeleri üreten mekanizmaları değiştirir Bu son adım gerçek iddia. Amaç, daha yüksek puan alan başka bir insan tarafından oluşturulan model değil, kazanımları kalıcı olan, bir sonraki nesle katkı sağlayan ve iyileştirme sürecini kendisi geliştiren bir yapay zekâdır. Eğer bu gerçekleşirse, bu nesil sistemler gerçekten elle oluşturduğumuz son sistemler olacak. Ajanlar, değerlendirme veya post-egitim döngüleri üzerinde çalışanlar için okunmaya değer: https://t.co/scFLD1h9Ow