Десятирічний хлопчик почав самотужки прибирати загиблий річок. Люди сміялися. Хтось кинув сміття, поки він прибирав. Потім він спостерігав, як мурашка тягне листя вдвічі більше за себе… і все змінилося. Жодних слів. 57 секунд. Дивіться до кінця. 🐜 Зусилля однієї людини може надихнути цілу спільноту. Створено за допомогою Threejs, tone js та Indus

Модель-вчитель, яка любить котів, може генерувати набір даних з випадково виглядаючими послідовностями чисел. У тексті ніде не згадуються «коти». Навіть так, налаштуйте учня на цьому наборі — і преференція все одно може перенестися. Це сублімінальне навчання. Це також проблема отруєння даними, бо рис не видимий у наборі даних. Нове дослідження Стенфордського університету Нейтана Ху, Санмі Койєхо та Крістофера Поттса робить прихований сигнал читабельним. Вони розглядають сублімінальне навчання за запитом як окремий випадок дистиляції контексту: теоретично, набір даних ідентифікує запит вчителя. Потім вони відновлюють цей запит за допомогою SALVE (Search-Aided Latent Verbalization): - Оптимізуйте м’який запит, щоб початкова модель добре передбачала набір даних - Попросіть ту саму модель вербалізувати м’який запит - Використовуйте пошук з променем, щоб зберегти формулювання плавним і вірним У стандартній налаштуванні преференції до тварин SALVE відновлює запити, які називають рис у 18 із 20 запусків. Звичайні підходи оптимізації тексту — ні. У деяких випадках вона навіть відновлює рис із даних, де навчання учня не змогло його виявити. Вони також виявляють ефект у змішаних даних, вчителях, керованих активаціями, та підмножинах реальних даних про преференції, вибраних за допомогою Logit-Linear Selection (підлобність / неузгодженість). Практичний висновок простий: ви можете перевірити набір даних на наявність прихованих поведінок ще до того, як він досягне файн-тюнінгу. Стаття: https://t.co/1mncXR5Fyv

Трамп прокинувся і вирішив, що ШІ потрібно змінити бренд 🤣 https://t.co/ZGfgJTwK34

Інсайдери, цитовані New York Post, звинувачують OpenAI та Anthropic у завищенні недавніх інцидентів з моделями, щоб спонукати Вашингтон до введення правил, які можуть захистити існуючих учасників ринку. Це звинувачення, а не доведений факт.

Ви — муха, що їде через Таймс-сквер о опівночі на червоному кабріолеті 🪰🌃 Дощ на неоні. Сінтвейв у радіо. Вітер у ваших крилах. Жодної турботи у світі. Створено повністю у коді. Three.js + Tone.js. Без відеофайлів. Який місто вона має проїхати наступним? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI підтримала обов’язкове залучення зовнішніх оцінювачів безпеки для лабораторій передових ШІ. Двопартійний законопроєкт FRONTIER дозволить незалежним організаціям з верифікації оцінювати, як розробляються та тестуються лідируючі ШІ-моделі.

Три найбільш відомих імені в галузі ШІ, можливо, врешті-решт зустрінуться за пивом, щоб обговорити безпеку. Сем Олтмен каже, що приватна розмова з Даріо Амодеї та Ілоном Маском відбудеться. Це важливо, бо всі троє зараз згодні з одним: передові ШІ рухаються швидше, ніж можуть зміцнюватися заходи безпеки.

🐝 Я створив кінематографічний короткометражний фільм у браузері — без відеофайлів, у реальному часі з використанням Three.js. «Nectar Run» розповідає про королеву бджіл, що летить до луки… і занурює вас у її очі: УФ-«нектарні вказівки», які справжні квіти використовують, щоб привернути увагу бджіл — невидимі для нас. Дивіться 👇 #threejs #webgl #creativecoding

Уявіть крихітну муху на ім’я Базз, яка сидить за столом о 3 ранку, набирає код на C на мініатюрному комп’ютері, її крила тріпотять, очі світяться, а поруч кипить кава. Створено за допомогою Three.js + Tone.js. Один HTML-файл, без фреймворків, без бекенду. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

Більшість обговорень рекурсивного самовдосконалення розглядають його як те, що модель просто стає розумнішою. Ця стаття проводить чіткішу межу. Справжнє RSI — це не те, що ШІ стає кращим у виконанні завдань. Це те, що ШІ стає кращим у тому, щоб ставати кращим. Автори вказують шлях, який більшість лабораторій досі плутають: L1 — система виконує покращення, які вже спроектували люди L2 — вона починає вибирати власні стратегії покращення L3 — вона генерує навчальні досвіди, які їй знадобляться далі L4 — вона адаптується під час реального впровадження, а не лише за тестовими наборами L5 — вона змінює механізми, що породжують майбутні покращення Останній крок — це справжній претензія. Мета — не ще одна модель, створена людиною, яка показує кращий результат. Це ШІ, чиї досягнення тривали, живлять наступне покоління та покращують сам процес покращення. Якщо це вдасться, це покоління систем справді буде останнім, яке ми будуємо вручну. Варто прочитати, якщо ви працюєте з агентами, оцінками або післятренувальними циклами: https://t.co/scFLD1h9Ow