ایک 10 سالہ لڑکا نے اکیلے ایک مرنے والی ندی کی صفائی شروع کر دی۔ لوگوں نے ہنسی۔ کسی نے اس کے صفائی کرتے وقت کچرا پھینک دیا۔ پھر اس نے ایک مکھی کو اپنے سے دگنا بڑا پتہ اٹھاتے ہوئے دیکھا… اور سب کچھ بدل گیا۔ کوئی الفاظ نہیں۔ 57 سیکنڈ۔ آخر تک دیکھیں۔ 🐜 ایک شخص کا محنت پورے برادری کو متاثر کر سکتا ہے۔ Threejs، tone js اور Indus سے بنایا گیا

ایک ٹیچر ماڈل جو بلیوں سے پیار کرتا ہے، تصادفی لگنے والی نمبر سیکوئنسز کا ڈیٹا سیٹ تیار کر سکتا ہے۔ متن میں کہیں بھی “بلیاں” نہیں کہی گئی۔ اس کے باوجود ایک طالب علم کو اس پر فائن ٹیون کر دیں، اور ترجیح اب بھی منتقل ہو سکتی ہے۔ یہ زیرِ فہم سیکھنا ہے۔ یہ ایک ڈیٹا کا زہر ہے، کیونکہ یہ خصوصیت ڈیٹا سیٹ میں قابلِ تشخیص نہیں ہے۔ ناتھن ہو، سانمی کوئے جو، اور کرسٹوفر پوٹس کی نئی اسٹینفورڈ کی تحقیق اس پوشیدہ سگنل کو قابلِ پڑھنا بناتی ہے۔ وہ متحرک زیرِ فہم سیکھنا کو حوالہ جات کے تخلیص کا ایک خاص معاملہ سمجھتے ہیں: نظریہ کے مطابق، ڈیٹا سیٹ ٹیچر کے پرامپٹ کو شناخت کرتا ہے۔ پھر وہ اس پرامپٹ کو SALVE (Search-Aided Latent Verbalization) کے ذریعے واپس حاصل کرتے ہیں: - ایک سافٹ پرامپٹ کو بہتر بنائیں تاکہ اصل ماڈل ڈیٹا سیٹ کا بہترین اندازہ لگا سکے - اسی ماڈل سے پوچھیں کہ وہ سافٹ پرامپٹ کو الفاظ میں بیان کرے - بیم سرچ استعمال کرکے الفاظ کو بہترین اور اصل سے مطابقت رکھنے دیں معیاری جانوروں کی ترجیح والے ماحول میں، SALVE 20 میں سے 18 بار اس خصوصیت کا نام شامل پرامپٹز واپس حاصل کرتا ہے۔ عام متن بہتر بنانے والے بنیادی طریقے نہیں کرتے۔ کچھ صورتوں میں، یہ اس طرح کے ڈیٹا سے بھی خصوصیت واپس حاصل کرتا ہے جہاں طالب علم کا فائن ٹیوننگ اسے نہیں پکڑ پاتا۔ وہ اس اثر کو مخلوط ڈیٹا، اینکٹی و اسٹیرڈ ٹیچرز، اور Logit-Linear Selection (سائکوفنسی / غلط تطابق) کے ذریعے منتخب کردہ حقیقی ترجیحات کے ذخائر میں بھی پکڑتے ہیں۔ عملی نقطہ آسان ہے: آپ ڈیٹا سیٹ کو فائن ٹیوننگ سے پہلے ہدایاتِ پوشیدہ روایات کے لئے جانچ سکتے ہیں۔ پیر: https://t.co/1mncXR5Fyv

ٹرمپ نے اُٹھ کر فیصلہ کیا کہ AI کو دوبارہ برانڈ کیا جائے 🤣 https://t.co/ZGfgJTwK34

نیو یارک پوسٹ کے حوالے سے اندرز کا الزام ہے کہ اوپن اے آئی اور اینتھروپک نے حالیہ ماڈل واقعات کو بڑھا چڑھا کر واشنگٹن کو ایسے قوانین کی طرف مائل کرنے کی کوشش کی ہے جو موجودہ کھلاڑیوں کے لیے تحفظ فراہم کر سکتے ہیں۔ یہ ایک الزام ہے، ثابت شدہ حقیقت نہیں۔

آپ ایک مکھی ہیں جو آدھی رات کو ایک لال کنورٹیبل میں ٹائمز اسکوائر سے گزر رہی ہیں 🪰🌃 نیون پر بارش۔ ریڈیو پر سنتھویو۔ آپ کے پروں میں ہوا۔ دنیا میں صرف ایک بھی فکر نہیں۔ پورا کوڈ میں تعمیر کیا گیا۔ Three.js + Tone.js۔ کوئی ویڈیو فائل نہیں۔ اگلے شہر کا نام کیا ہونا چاہئے؟ 👇 #Threejs #CreativeCoding #WebGL #NYC

اوپن اے آئی نے فرینٹیئر اے آئی لیبز کے لیے لازمی باہری سیفٹی ایوالویٹرز کی حمایت کر دی ہے۔ دو جماعتی فرینٹیئر ایکٹ مستقل تصدیق کرنے والے اداروں کو اہم اے آئی ماڈلز کے ترقی اور ٹیسٹنگ کے طریقہ کار کا جائزہ لینے کی اجازت دے گا۔

AI کے تین بڑے نام بالآخر بیئر پیتے ہوئے محفوظیت پر بات چیت کرنے کے لیے بیٹھ سکتے ہیں۔ سام الٹمن کہتے ہیں کہ داریو امودی اور الون مسک کے درمیان ایک نجی بات چیت ہوگی۔ یہ اہم ہے کیونکہ اب تینوں ایک بات پر متفق ہیں: فرنٹیئر AI محفوظیت کے اقدامات کے ساتھ ساتھ زیادہ تیزی سے آگے بڑھ رہا ہے۔

蜜蜂: میں نے براؤزر میں ایک سینیماتک شارٹ فلم بنائی، کوئی ویڈیو فائل نہیں، یہ ریل ٹائم Three.js ہے۔ "Nectar Run" ایک ملکہ مکھی کو میدان تک لے جاتی ہے… اور آپ کو اس کی آنکھوں میں ڈال دیتا ہے: UV "نیکٹر گائیڈز" جو حقیقی پھول مکھیوں کو سگنل کرنے کے لیے استعمال کرتے ہیں، جو ہم کے لیے نظر نہیں آتے۔ دیکھیں 👇 #threejs #webgl #creativecoding

ایک چھوٹی سی مکھی جس کا نام بز ہے، اس کی تصور کریں جو رات کے 3 بجے، ایک مائیکرو کمپیوٹر پر C کوڈ ٹائپ کر رہی ہے، اس کے پروں ہل رہے ہیں، آنکھیں چمک رہی ہیں، اور اس کے پاس کافی کی بھاپ اُڑ رہی ہے۔ Three.js + Tone.js کے ساتھ بنایا گیا۔ ایک HTML فائل، کوئی فریم ورک نہیں، کوئی بیک اینڈ نہیں۔ #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

زیادہ تر باتیں جو ریکرسیو خود بہتری کے بارے میں ہوتی ہیں، اسے ایسے سمجھتی ہیں جیسے ماڈل صرف اور صرف زیادہ ذکی ہوتا جا رہا ہو۔ اس پیپر نے ایک واضح فرق قائم کیا ہے۔ حقیقی RSI AI کا اپنے کاموں میں بہتر ہونا نہیں ہے۔ یہ AI کا بہتر بننے کے طریقے میں بہتر ہونا ہے۔ مصنفین ایک راستہ نقش کرتے ہیں جسے زیادہ تر لیب ابھی تک اچھی طرح سے نہیں سمجھ رہے: L1 — سسٹم انسانوں کے پہلے سے ڈیزائن کردہ بہتریوں کو نفاذ کرتا ہے L2 — یہ اپنی اپنی بہتری کے حصول کے طریقے منتخب کرنا شروع کر دیتا ہے L3 — یہ اپنے لیے اگلے سیکھنے کے تجربات تخلیق کرتا ہے L4 — یہ صرف بینچ مارکس کے بجائے لائیو ڈپلومنٹ سے اپنے آپ کو موزوں بناتا ہے L5 — یہ مستقبل کی بہتریوں کو پیدا کرنے والے مکینزمز کو تبدیل کرتا ہے آخری مرحلہ حقیقی دعوٰی ہے۔ مقصد صرف ایک اور انسان بنایا گيا ماڈل نہیں جو زیادہ اسکور کرتا ہو۔ بلکہ ایک AI کا مقصد ہے جس کا فائدہ مستقل رہے، اگلی نسل کو فراہم کرے، اور پھر خود بہتر بننے کے عمل کو بھی بہتر بنائے۔ اگر یہ حاصل ہو جائے، تو اس نسل کے سسٹم واقعی وہ آخری ہونگے جنہیں ہم دستی طور پر بنائیں گے۔ اگر آپ اینٹس، ایوالس، یا پوسٹ-ٹریننگ لوپس پر کام کرتے ہیں تو پڑھنا قابلِ توجہ ہے: https://t.co/scFLD1h9Ow