OpenAI hedh qindra prova matematikore të shkruara nga IA dhe e lë fushën duke u përpjekur të luftojë
OpenAI sapo ka futur 372 rezultate matematikore në një depo GitHub nga një model frontier i papublikuar. The Verge numëron 722 dorëshkrime në 372 familje rezultatesh. Shumë prova janë tashmë të verifikuara në Lean, kështu që logjika është ndoshta në rregull edhe nëse risia është ende për t'u përcaktuar.
Kompania pretendon fitore në hipotezën katër-dimensionale të Kakeya-s, ndryshime në algoritmet kryesore dhe madje edhe "progres real" drejt hipotezës Riemann. Një zëdhënës i tha Scientific American se pothuajse çdo rezultat vinte nga një kërkesë e vetme për një agjent të vetëm - jo grupi multimilion dollarësh prej 10,000 agjentësh që zgjidhi problemin Navier-Stokes më parë. Kosto mesatare: afërsisht tre orë të menduari në ChatGPT Pro.
Matematikanët nuk janë të gjithë mirënjohës. Andrew Sutherland i MIT-it tha në thelb: tregoni modelin ose trajtojeni historinë e njëhershme si të paverifikuar. Grupi këshillimor i OpenAI donte kërkesa, emra modelesh dhe fatura llogaritëse. OpenAI publikoi mesataret dhe disa formalizime Lean në vend të kësaj. "Ne i hodhëm provat, ju lutem përpunojini" është një strategji e guximshme kërkimore.
Mistral zbulon Large 4, një "Le Chonk" me parametra 1 trilion që synon supremacinë me peshë të hapur
Laboratori francez Mistral hapi një prezantim publik të Mistral Large 4 - jozyrtarisht ML4, "shumë zyrtarisht: le Chonk". Është një përzierje multimodale native me 1 trilion parametra totalë dhe 49 miliardë parametra aktivë. Peshat premtohen deri në fund të muajit, pas bashkëpunimit me partnerët dhe qeveritë.
Trajnimi u zhvillua në 3,800 GPU NVIDIA Grace Blackwell në qendrat e të dhënave evropiane të Mistral. Tema kryesore është sovraniteti plus kafshimi: siguria kibernetike, financa, ligji, dizajni i çipave. Në një test kibernetik të Analizës Artificiale që i kërkon një modeli të riprodhojë dhe të rregullojë një dobësi reale, Mistral thotë se ML4 shënoi 82% - më i larti nga çdo model - ndërsa disa gjigantë të mbyllur refuzojnë dhe shënojnë afër zeros.
Pra, Evropa ende dëshiron një rrugë të tretë midis laboratorëve të mbyllur amerikanë dhe peshave të hapura kineze. Nëse kjo do të qëndrojë, është një çështje tjetër. Vetë nofka sugjeron se ata e dinë sa absurde duket gara e parametrave nga jashtë.
Claude zhvendoset në Google Docs, Sheets dhe Slides si një shirit anësor i palës së parë
Claude i Anthropic për Google Workspace është në versionin publik beta në planet me pagesë. Instaloni shtesën Marketplace, hapni një skedar dhe Claude do të shfaqet në një shirit anësor që mund ta lexojë dokumentin dhe ta modifikojë atë në vend. Lidhësit e rinj ju lejojnë gjithashtu të krijoni dhe modifikoni skedarë Google nga vetë biseda e Claude.
Në Docs mund të rregullojë një fjali pa prishur formatimin, ose të ofrojë rishkrime më të mëdha si karta sugjerimi. Sheets merr formula, pika kyçe, grafikë dhe madje edhe një devijim Python për bashkime të ngatërruara. Sllajdet mund të krijojnë sllajde të reja nga tema juaj ekzistuese dhe më pas të sinjalizojnë mbeturinat që mbivendosen. Modaliteti i parazgjedhur pyet para ndryshimeve. Ekziston një modalitet "Prano të gjitha" nëse ju pëlqen të jetoni në mënyrë të rrezikshme.
Gemini tashmë jeton këtu, dhe Microsoft Copilot ofron versionin Office - ndonjëherë në modelet Anthropic, gjë që është një kontradiktë e vogël argëtuese. Claude tani po përpiqet të jetë shtresa e inteligjencës artificiale në të dy ekosistemet. Quajeni strategji produkti, ose thjesht refuzim për të zgjedhur një anë. Me shumë mundësi të dyja.
Meta dhe Sierra hartojnë një Protokoll të Agjentit Personal në mënyrë që dyqanet të dallojnë robotët e mirë nga ata të këqijtë
Sierra dhe Meta, së bashku me Genesys, Instinct, Rocket, Shopify, Stripe dhe Walmart, po ndërtojnë një standard të hapur për mënyrën se si agjentët personalë të inteligjencës artificiale komunikojnë me bizneset. Konsumatorët zgjedhin se çfarë mund të aksesojë agjenti i tyre. Kompanitë përcaktojnë se çfarë mund të bëjnë agjentët në faqet e internetit, API-të ose përmes një agjenti të kompanisë. Sesionet mbështeten në OAuth.
Një specifikim v0.1 dhe një zbatim reference pritet të publikohen më vonë këtë muaj. Formulimi i Bret Taylor është i drejtpërdrejtë: do të jetë një lloj kaosi derisa të ekzistojë diçka e tillë. Amazon ka bllokuar Muse të Meta-s. Walmart është në partneritet me Muse dhe ende i sheh agjentët e CAPTCHA-s të largohen. Linjat ajrore dhe të tjera po vendosin vija më të ashpra.
OpenAI dhe Anthropic nuk janë ende në sallë. Taylor thotë se do të zhgënjehej shumë nëse rivalët e anashkalojnë. I sinqertë për lançimin e standardeve. Gjithashtu paksa i sikletshëm kur kryetari i OpenAI po bashkëshkruan protokollin.
API-ja e Vendimeve e OpenAI del në beta publike për përgjigje të shpejta me po ose jo
OpenAI e dërgoi Decisions API në versionin beta publik në gpt-6-luna nëpërmjet POST /v1/decisions. Vendosni tekst, imazhe ose të dyja dhe merrni përgjigje të shtypura rreth 10 herë më shpejt se Responses API - një probabilitet, një kusht është i vërtetë, një zgjedhje nga lista juaj ose një rezultat kundrejt niveleve të renditura.
Mendoni për dërgimin e një ankese "u ngarkua dy herë" në faturë ose për raportimin e një fotoje produkti si të dëmtuar. Imazhet duhet të jenë të bazuara në base64. Çmimi është 0.10 dollarë për milion token hyrës, pa pagesë për token dalës në këtë pikë fundore. Ekzistojnë shtigje me zero ruajtje të të dhënave dhe HIPAA për klientët e kualifikuar.
U shfaq në një pamje paraprake të kufizuar në DevDay dhe tani është hapur. GA do të jetë "në javët e ardhshme". Këto janë produktet jo-seksi të hidraulikës që u nevojiten - klasifikues pa shkruar një roman çdo herë.
EmbeddingGemma 2 e Google DeepMind paketon tekstin, imazhet, audion dhe videon në një hapësirë vektoriale në pajisje
EmbeddingGemma 2 është një model Apache 2.0 me 740 milionë parametra që hartëzon tekstin, kodin, imazhet, videon dhe audion në një hapësirë të përbashkët 768-dimensionale. Ndërtuar mbi Gemma 4. I destinuar për telefona dhe pajisje të tjera të ngushta, jo për një tjetër ngulitës gjigant vetëm në cloud.
Ngarkoni vetëm atë që ju nevojitet: 270M për tekst, shtoni pamje ose audio, ose merrni të gjithë pirgun. Shkurtimi i Matryoshka mund t'i zvogëlojë vektorët në 128 dimensione për deri në 6 herë më pak hapësirë ruajtjeje. Konteksti është 8K token - të mjaftueshme për afërsisht 5.5 minuta audio ose dhjetëra kuadro. Google thotë se Kodi MTEB u rrit me gati 10 pikë krahasuar me EmbeddingGemma-n e parë.
Në një Pixel 11 Pro me kuantizim, peshat vetëm të tekstit kërkojnë rreth 191MB RAM aktiv; multimodali i plotë rreth 567MB. Modeli origjinal i tekstit ka kaluar tashmë 20 milionë shkarkime. Lansimet më të qeta të Google ndonjëherë kanë më shumë rëndësi sesa ato më tërheqëse.
Ministri i shkencës i Koresë së Jugut dyfishon investimet në një program të inteligjencës artificiale prej 3.5 miliardë dollarësh pas Mythos
Në një auditim parlamentar, zëvendëskryeministri Bae Kyung-hoon tha se Seuli do ta mbajë projektin e tij të modelit të themelimit sovran dhe do të shtojë një program të veçantë kufitar të inteligjencës artificiale. Ai e lidhi shtytjen prej 4.7 trilionë won (3.5 miliardë dollarë) me "tronditjen Mythos" rreth Claude Mythos të Anthropic dhe me kërcënimet e sigurisë kibernetike.
Përpjekja sovrane kaloi një vlerësim të dytë dhe po shkon drejt një të treti. Bae i quajti rezultatet aktuale mesatare në nivel global dhe dëshiron diçka më afër sistemeve kryesore me peshë të hapur. Ai gjithashtu prezantoi një shërbim "IA për të Gjithë" - falas, pa kufizime përdorimi - deri në fund të vitit, plus megaprojekte në qendrat e të dhënave, IA fizike dhe çipa.
Pra, historia nuk është "anulimi i modelit të shtëpisë". Është "shtimi i një pistë më të madhe dhe më të frikshme pranë saj". Garat kombëtare të inteligjencës artificiale vazhdojnë të bëhen më të shtrenjta. Nëse 3.5 miliardë dollarë janë të mjaftueshëm kundër shkallës amerikane dhe kineze është e paqartë. Bae duket se mendon se të ulesh ulur është më keq.
Pyetje të shpeshta
Çfarë hodhi OpenAI në GitHub me modelin e saj të papublikuar të matematikës kufitare?
OpenAI postoi 372 familje rezultatesh matematikore - rreth 722 dorëshkrime - nga një model kufitar i papublikuar. Shumë prova tashmë janë parë në Lean. Kompania pretendon se ka përparuar në supozimin katër-dimensional të Kakeya-s, ka bërë ndryshime në algoritëm dhe ka punuar drejt hipotezës Riemann. Një zëdhënës tha se pothuajse çdo rezultat erdhi nga një kërkesë e vetme për një agjent të vetëm, duke mesatarisht afërsisht tre orë të menduari në ChatGPT Pro - jo një grup i madh me shumë agjentë.
Pse matematikanët janë skeptikë ndaj historisë së provave matematikore me një të dhënë të vetme të OpenAI?
Andrew Sutherland i MIT-it i kërkoi OpenAI-t ta tregonte modelin ose ta trajtonte pretendimin e njëhershëm si të paverifikuar. Grupi këshillimor i OpenAI-t donte kërkesa, emra modelesh dhe fatura llogaritëse. Në vend të kësaj, kompania publikoi mesataret dhe disa formalizime Lean. Provat mund të verifikohen formalisht, por risia dhe narrativa e agjentit të vetëm mbeten të kontestuara derisa të shfaqen prova më të plota.
Çfarë është Mistral Large 4 dhe kur mbërrijnë peshat?
Mistral Large 4 - i quajtur edhe ML4 ose "Le Chonk" - është një model multimodal i përbërë nga ekspertë me 1 trilion parametra gjithsej dhe 49 miliardë parametra aktivë. Ai u trajnua në 3,800 GPU NVIDIA Grace Blackwell në qendrat e të dhënave evropiane të Mistral. Një pamje paraprake publike është publikuar; peshat e plota premtohen deri në fund të muajit pas bashkëpunimit me partnerët dhe qeveritë. Mistral paraqiti raste përdorimi në sigurinë kibernetike, financat, ligjin dhe projektimin e çipave.
Si funksionon Claude brenda Google Docs, Sheets dhe Slides?
Claude for Google Workspace është në versionin beta publik në planet me pagesë nëpërmjet një shtese të Marketplace. Ai ndodhet në një shirit anësor që mund të lexojë një skedar dhe ta modifikojë në vend, ose të krijojë dhe modifikojë skedarë Google nga biseda e Claude. Në Docs mund të rregullojë fjali ose të përdorë karta sugjerimesh; Sheets merr formula, pivote, grafikë dhe Python opsional; Slides mund të krijojë diapozitiva nga tema juaj. Modaliteti i parazgjedhur pyet para ndryshimeve; një modalitet "Prano të gjitha" anashkalon kërkesat.
Çfarë problemi përpiqet të zgjidhë Protokolli i Agjentit Personal Meta dhe Sierra?
Agjentët personalë të IA-së shpesh hasin CAPTCHA ose bllokime të drejtpërdrejta kur bëjnë pazar ose telefonojnë API-të e biznesit. Sierra dhe Meta, me partnerë duke përfshirë Genesys, Shopify, Stripe dhe Walmart, po hartojnë një standard të hapur në mënyrë që konsumatorët të kontrollojnë aksesin e agjentëve dhe kompanitë të vendosin veprime të lejuara përmes OAuth. Një specifikim v0.1 dhe zbatim reference pritet më vonë këtë muaj. OpenAI dhe Anthropic nuk janë ende në dispozicion.
Kur duhet të përdorni API-në e Vendimeve të OpenAI-së në vend të API-së së Përgjigjeve?
Përdorni Decisions API kur ju nevojitet një përgjigje e shkruar shpejt në stilin po ose jo - një probabilitet, një kusht që është i vërtetë, një zgjedhje nga një listë ose një rezultat në nivele të renditura. Funksionon në gpt-6-luna nëpërmjet POST /v1/decisions, pranon tekst dhe imazhe base64 të integruara dhe është rreth 10 herë më i shpejtë se Responses API. Çmimi është 0.10 dollarë për milion tokena hyrëse pa pagesë për tokenat dalës. Ekzistojnë shtigje zero për ruajtje të të dhënave dhe HIPAA për klientët e kualifikuar; GA pritet në javët në vijim.
Çfarë e bën EmbeddingGemma 2 të Google DeepMind të dobishëm në telefona?
EmbeddingGemma 2 është një model Apache 2.0 me 740 milionë parametra që hartëzon tekstin, kodin, imazhet, videon dhe audion në një hapësirë 768-dimensionale. Mund të ngarkoni vetëm tekst (270M), të shtoni vizion ose audio, ose të merrni të gjithë pirgun. Shkurtimi i Matryoshka mund t'i tkurrë vektorët në 128 dimensione për deri në 6 herë më pak hapësirë ruajtjeje. Në një Pixel 11 Pro të kuantizuar, vetëm teksti ka nevojë për rreth 191MB RAM aktiv dhe multimodal të plotë rreth 567MB, me një kontekst prej 8K-token.