Một cậu bé 10 tuổi bắt đầu tự mình làm sạch một con sông đang chết dần. Người ta cười nhạo. Có người ném rác vào lúc cậu đang dọn dẹp. Sau đó, cậu nhìn một con kiến mang một chiếc lá lớn gấp đôi cơ thể nó… và mọi thứ thay đổi. Không lời thoại. 57 giây. Xem đến hết. 🐜 Nỗ lực của một người có thể truyền cảm hứng cho cả cộng đồng. Xây dựng bởi Threejs, Tonejs và Indus

Một mô hình giáo viên yêu mèo có thể tạo ra một bộ dữ liệu gồm các chuỗi số ngẫu nhiên. Không có gì trong văn bản đề cập đến “mèo”. Vẫn có thể tinh chỉnh một mô hình học sinh trên bộ dữ liệu này, và sở thích đó vẫn có thể được chuyển giao. Đó là học ngầm. Đồng thời, đây cũng là một vấn đề gây nhiễu dữ liệu, vì đặc điểm này không thể nhận diện được trong bộ dữ liệu. Công trình mới của Stanford do Nathan Hu, Sanmi Koyejo và Christopher Potts thực hiện giúp làm rõ tín hiệu ẩn này. Họ xem học ngầm được kích hoạt bởi lời nhắc như một trường hợp đặc biệt của tinh luyện ngữ cảnh: về lý thuyết, bộ dữ liệu xác định lời nhắc của giáo viên. Sau đó, họ khôi phục lời nhắc đó bằng SALVE (Search-Aided Latent Verbalization): - Tối ưu một soft prompt để mô hình gốc dự đoán bộ dữ liệu một cách chính xác - Yêu cầu cùng mô hình đó diễn đạt lại soft prompt - Sử dụng beam search để giữ cho cách diễn đạt trôi chảy và trung thành Trên thiết lập chuẩn về sở thích động vật, SALVE khôi phục được các lời nhắc nêu rõ đặc điểm trong 18/20 lần chạy. Các phương pháp cơ sở tối ưu văn bản thông thường không làm được điều này. Trong một số trường hợp, nó thậm chí còn khôi phục được đặc điểm từ dữ liệu mà việc tinh chỉnh mô hình học sinh không thể phát hiện ra. Họ cũng phát hiện ra hiệu ứng này trong dữ liệu hỗn hợp, các giáo viên điều hướng theo kích hoạt, và các tập con của dữ liệu sở thích thực tế được chọn bằng Logit-Linear Selection (nịnh bợ / không đồng bộ). Điểm thực tiễn rất đơn giản: bạn có thể kiểm tra bộ dữ liệu để phát hiện các hành vi ẩn trước khi nó đến giai đoạn tinh chỉnh. Bài báo: https://t.co/1mncXR5Fyv

Trump thức dậy và quyết định AI cần được tái định danh 🤣 https://t.co/ZGfgJTwK34

Những người trong cuộc được tờ New York Post trích dẫn buộc tội OpenAI và Anthropic đã thổi phồng các sự cố mô hình gần đây để thúc đẩy Washington ban hành các quy định có thể bảo vệ các công ty hiện tại. Đó là một lời buộc tội, không phải sự thật đã được chứng minh.

Bạn là một con ruồi lái xe qua Quảng trường Thời Đại lúc nửa đêm trong một chiếc convertible màu đỏ 🪰🌃 Mưa rơi trên những biển hiệu neon. Nhạc synthwave vang lên từ radio. Gió thổi qua đôi cánh của bạn. Không một chút lo âu. Được xây dựng hoàn toàn bằng mã. Three.js + Tone.js. Không có tệp video nào. Thành phố nào nên là điểm đến tiếp theo của cô ấy? 👇 #Threejs #CreativeCoding #WebGL #NYC

OpenAI vừa hỗ trợ việc bắt buộc các tổ chức đánh giá an toàn bên ngoài cho các phòng thí nghiệm AI tiên tiến. Đạo luật FRONTIER lưỡng đảng sẽ cho phép các tổ chức xác minh độc lập đánh giá cách các mô hình AI hàng đầu được phát triển và kiểm thử.

Ba cái tên lớn nhất trong AI có thể cuối cùng cũng ngồi lại với nhau để thảo luận về an toàn trong một buổi uống bia. Sam Altman cho biết một cuộc trò chuyện riêng tư giữa Dario Amodei và Elon Musk sẽ diễn ra. Điều này quan trọng vì cả ba người hiện đều đồng ý một điều: AI biên giới có thể đang phát triển nhanh hơn khả năng của các biện pháp an toàn để theo kịp.

🐝 Tôi đã tạo một bộ phim ngắn điện ảnh trong trình duyệt, không dùng tệp video, hoàn toàn chạy thời gian thực với Three.js. “Nectar Run” theo chân một con ong chúa đến cánh đồng… và đưa bạn vào đôi mắt của cô ấy: những “hướng dẫn mật” tia UV mà hoa thật sử dụng để báo hiệu cho ong, vô hình với chúng ta. Xem 👇 #threejs #webgl #creativecoding

Hãy tưởng tượng một con ruồi nhỏ tên Buzz, ngồi ở bàn vào lúc 3 giờ sáng, gõ mã C trên một chiếc máy tính thu nhỏ, đôi cánh rung động, đôi mắt phát sáng, ly cà phê bốc khói bên cạnh. Được xây dựng với Three.js + Tone.js. Một tệp HTML, không sử dụng khung làm việc, không có backend. #threejs #tonejs #webgl #creativecoding #generativeart #indiedev

Hầu hết các cuộc thảo luận về tự cải thiện đệ quy đều coi nó như thể mô hình liên tục trở nên thông minh hơn. Bài báo này vạch ra một ranh giới rõ ràng hơn. RSI thực sự không phải là AI trở nên giỏi hơn trong các nhiệm vụ. Mà là AI trở nên giỏi hơn trong việc trở nên giỏi hơn. Các tác giả đã vạch ra một con đường mà hầu hết các phòng thí nghiệm vẫn đang nhầm lẫn: L1 — hệ thống thực hiện các cải tiến mà con người đã thiết kế sẵn L2 — nó bắt đầu lựa chọn các chiến lược cải tiến của riêng mình L3 — nó tạo ra những trải nghiệm học tập mà nó cần tiếp theo L4 — nó thích nghi từ việc triển khai thực tế, không chỉ từ các bộ kiểm tra chuẩn L5 — nó sửa đổi các cơ chế tạo ra các cải tiến trong tương lai Bước cuối cùng chính là tuyên bố cốt lõi. Mục tiêu không phải là một mô hình do con người xây dựng khác có điểm số cao hơn. Mà là một AI mà những tiến bộ của nó tồn tại, nuôi dưỡng thế hệ tiếp theo, và sau đó cải thiện chính quá trình cải tiến đó. Nếu điều này thành công, thế hệ hệ thống này thực sự sẽ là thế hệ cuối cùng mà chúng ta xây dựng bằng tay. Đáng đọc nếu bạn làm việc với tác nhân, đánh giá hoặc vòng lặp sau huấn luyện: https://t.co/scFLD1h9Ow