OpenAI-k ehunka IA bidez idatzitako matematika frogapen kaleratzen ditu eta eremua nahaspilan uzten du
OpenAI-k 372 emaitza matematiko sartu berri ditu GitHub-eko biltegi batera, argitaratu gabeko frontier eredu batetik. The Verge-k 722 eskuizkribu ditu 372 emaitza-familiatan banatuta. Froga asko dagoeneko Lean-en egiaztatuta daude, beraz, logika ondo dago ziurrenik, nahiz eta nobedadea oraindik zehazteke egon.
Konpainiak lau dimentsioko Kakeya aieruan garaipenak, algoritmo nagusietan doikuntzak eta Riemann hipotesiaren "benetako aurrerapenak" ere egin dituela dio. Bozeramaile batek Scientific American aldizkariari esan zion ia emaitza guztiak agente bakar bati egindako eskaera bakar batetik zetozela - ez lehenago Navier-Stokes gainditu zuen 10.000 agenteko multzo multimilionariotik. Batez besteko kostua: hiru ordu inguru ChatGPT Pro hausnartzeko.
Matematikariak ez daude denak txalotuta. MITeko Andrew Sutherlandek, funtsean, esan zuen: erakutsi eredua edo tratatu istorio bakarra egiaztatu gabe. OpenAIren aholku-taldeak berak eskatu zituen galderak, ereduen izenak eta kalkulu-agiriak. OpenAIk batez bestekoak eta Lean formalizazio batzuk argitaratu zituen horren ordez. "Frogak baztertu ditugu, mesedez, laburbildu" ikerketa-estrategia ausarta da.
Mistralek Large 4 aurkeztu du, pisu irekian nagusitasuna lortzeko helburuarekin bilioi bat parametroko "Le Chonk" bat
Mistral laborategi frantsesak Mistral Large 4-ren aurrebista publikoa ireki zuen - ez-ofizialki ML4, "oso ofizialki: le Chonk". Natiboki nahaste multimodala da, bilioi bat parametro guztira eta 49.000 milioi aktibo dituena. Pisuak hilabete amaierarako agindu dira, bazkideekin eta gobernuekin lankidetza gorriak egin ondoren.
Prestakuntza 3.800 NVIDIA Grace Blackwell GPUtan egin zen Mistralen Europako datu-zentroetan. Argudioa subiranotasuna gehi ziztada da: zibersegurtasuna, finantzak, zuzenbidea, txiparen diseinua. Artificial Analysis ziber-proba batean, non modelo bati benetako ahultasun bat erreproduzitu eta konpontzeko eskatzen zaion, Mistralek dio ML4k % 82ko puntuazioa lortu zuela - edozein modeloren artean altuena -, erraldoi itxi batzuek uko egiten dioten eta ia zero puntuazioa lortzen duten bitartean.
Beraz, Europak oraindik hirugarren bide bat nahi du AEBetako laborategi itxien eta Txinako pisu irekien artean. Iraungo duen ala ez beste kontu bat da. Ezizenak berak iradokitzen du badakitela zein absurdua den parametroen lasterketa kanpotik.
Claude Google Docs, Sheets eta Slides-era mugitzen da lehen mailako alboko barra gisa
Anthropic-en Claude Google Workspace-rako beta publikoan dago ordainpeko planetan. Instalatu Marketplace gehigarria, ireki fitxategi bat eta Claude alboko barra batean agertuko da, dokumentua irakurri eta bertan editatu ahal izateko. Konektore berriek Google fitxategiak Claude txatetik bertatik sortu eta aldatzeko aukera ere ematen dizute.
Dokumentuak-en esaldi bat konpondu dezake formatua hondatu gabe, edo berridazketa handiagoak iradokizun-txartel gisa flotatzen ditu. Kalkulu-orriak formulak, ardatzak, grafikoak eta baita Python desbideratze bat ere lortzen ditu lotura korapilatsuetarako. Diapositibek diapositiba berriak sor ditzake zure gaitik eta gero gainjarritako zaborra markatu. Modu lehenetsiak aldaketen aurretik galdetzen du. "Onartu dena" modua dago arriskutsu bizitzea gustatzen bazaizu.
Gemini dagoeneko hemen bizi da, eta Microsoft Copilot Office bertsioa egiten du - batzuetan Anthropic modeloetan, eta hori kontraesan txiki dibertigarria da. Claude orain bi ekosistemetako IA geruza izaten saiatzen ari da. Deitu produktu estrategia, edo alde bat aukeratzeari uko egitea besterik ez. Biak, ziurrenik.
Metak eta Sierrak Agente Pertsonalen Protokolo bat idazten dute dendek bot onak txarretatik bereiz ditzaten
Sierra eta Meta, Genesys, Instinct, Rocket, Shopify, Stripe eta Walmart-ekin batera, IA agente pertsonalek enpresekin nola hitz egiten duten azaltzeko estandar ireki bat eraikitzen ari dira. Kontsumitzaileek aukeratzen dute zer atzitu dezaketen beren agenteek. Enpresek ezartzen dute zer egin dezaketen agenteek webguneetan, APIetan edo enpresako agente baten bidez. Saioak OAuth-en oinarritzen dira.
Hilabete honen amaieran v0.1 espezifikazioa eta erreferentzia inplementazioa argitaratuko dira. Bret Taylorren planteamendua zorrotza da: kaosa da horrelako zerbait existitu arte. Amazonek Metaren Muse blokeatu du. Walmart Muserekin lankidetzan ari da eta oraindik ere CAPTCHA agenteak kanpoan uzten ditu. Aire konpainiek eta beste batzuek muga gogorragoak jartzen ari dira.
OpenAI eta Anthropic ez daude oraindik gelan. Taylorrek dio oso etsita egongo litzatekeela arerioek saltatuko balute. Zintzoa da estandarren aurkezpen bat egiteko. Apur bat deserosoa ere OpenAIko presidentea protokoloa idazten ari denean.
OpenAIren Decisions APIa beta publikoan jarri da bai edo ez estiloko erantzun azkarretarako
OpenAI-k Decisions APIa beta publikoan kaleratu zuen gpt-6-luna-n POST /v1/decisions bidez. Eman testua, irudiak edo biak eta lortu erantzun idatziak Responses APIak baino 10 aldiz azkarrago - baldintza bat egia izateko probabilitatea, zure zerrendako aukera bat edo ordenatutako mailen araberako puntuazioa.
Pentsa ezazu "bi aldiz kobratu" den kexa bat fakturaziora bideratzea edo produktu baten argazki bat pitzadura batengatik markatzea. Irudiak base64-n txertatuta egon behar dira. Prezioa milioi bat sarrera token bakoitzeko 0,10 $ da, eta ez dago irteera token-kargurik amaiera-puntuko puntu honetan. Datuen atxikipenik eta HIPAA bideak daude bezero egokientzat.
DevDay-n aurrebista mugatu batean agertu zen eta orain zabalik dago. GA "datozen asteetan" egongo da. Hau da iturgintzako produktu ez-sexyek behar dutena: sailkatzaileak eleberri bat idatzi gabe aldiro.
Google DeepMind-en EmbeddingGemma 2-k testua, irudiak, audioa eta bideoa gailu barruko bektore espazio bakarrean biltzen ditu
EmbeddingGemma 2 740 milioi parametroko Apache 2.0 eredu bat da, testua, kodea, irudiak, bideoa eta audioa 768 dimentsioko espazio partekatu batean mapatzen dituena. Gemma 4-n eraikia. Telefonoetara eta bestelako hardware estuetara zuzendua, ez hodeian soilik txertatzeko beste tresna erraldoi bat.
Kargatu behar duzuna bakarrik: 270M testurako, gehitu ikusmena edo audioa, edo hartu pila osoa. Matryoshka mozketak bektoreak 128 dimentsiotara txikitu ditzake, biltegiratze 6 aldiz gutxiago lortzeko. Testuingurua 8K token da - nahikoa gutxi gorabehera 5,5 minutuko audiorako edo dozenaka fotogramarako. Google-k dioenez, MTEB Kodeak ia 10 puntu egin du gora lehenengo EmbeddingGemmarekin alderatuta.
Kuantizazioa duen Pixel 11 Pro batean, testu-soilik diren pisuek 191 MB RAM aktibo inguru behar dituzte; multimodal osoak 567 MB inguru. Jatorrizko testu-ereduak 20 milioi deskarga gainditu zituen dagoeneko. Google-ren abiarazteak isilagoak dira batzuetan, deigarriak baino garrantzitsuagoak.
Hego Koreako zientzia ministroak 3.500 milioi dolarreko mugako adimen artifizialaren pista bikoiztu du Mythos-en ondoren
Parlamentuko auditoria batean, Bae Kyung-hoon lehen ministroordeak esan zuen Seulek bere subiranotasun fundazio-eredu proiektua mantenduko duela eta mugako IA programa bereizi bat gehituko duela. 4,7 bilioi won (3.500 milioi dolar) bultzada Anthropic-eko Claude Mythos-en inguruko "Mythos shock"-arekin eta zibersegurtasun mehatxuekin lotu zuen.
Subiranotasunaren ahaleginak bigarren ebaluazioa gainditu du eta hirugarren bat egiteko bidean da. Baek egungo emaitzak mundu mailan ertainak direla esan du eta pisu irekiko sistema liderren antzeko zerbait nahi du. "AI for All" zerbitzu bat ere proposatu zuen -doakoa, erabilera mugarik gabe- urte amaierarako, gehi datu-zentroetan, AI fisikoan eta txipetan megaproiektuak.
Beraz, istorioa ez da "etxeko eredua bertan behera uztea". "Ondoan pista handiago eta beldurgarriago bat gehitzea" da kontua. IA lasterketa nazionalak gero eta garestiagoak dira. 3.500 milioi dolar nahikoa diren ala ez AEBetako eta Txinako eskalaren aurka, ez dago argi. Baek uste du geldirik egotea okerragoa dela.
Maiz egiten diren galderak
Zer bota zuen OpenAI-k GitHub-era bere argitaratu gabeko mugako matematika ereduarekin?
OpenAI-k 372 emaitza matematiko familia argitaratu ditu - 722 eskuizkribu inguru - argitaratu gabeko mugako eredu batetik. Froga asko dagoeneko egiaztatuta daude Lean-en. Konpainiak aurrerapenak egin dituela dio lau dimentsioko Kakeya aieruan, algoritmoaren doikuntzetan eta Riemann hipotesian lanean. Bozeramaile batek esan zuen ia emaitza guztiak agente bakar bati egindako eskaera bakar batetik etorri zirela, batez beste hiru orduko ChatGPT Pro pentsamendua emanez - ez agente anitzeko multzo handi bat.
Zergatik dira matematikariak eszeptikoak OpenAIren froga matematiko bakarreko istorioarekiko?
MITeko Andrew Sutherlandek OpenAIri eskatu zion eredua erakusteko edo baieztapen bakarra egiaztatu gabetzat hartzeko. OpenAIren aholku-taldeak berak eskatu zituen galderak, eredu-izenak eta kalkulu-agiriak. Horren ordez, enpresak batez bestekoak eta Lean formalizazio batzuk argitaratu zituen. Frogak formalki egiaztatu daitezke, baina berritasuna eta agente bakarreko narrazioa eztabaidagai izango dira froga osoagoak agertu arte.
Zer da Mistral Large 4 eta noiz iristen dira pisuak?
Mistral Large 4 - ML4 edo "Le Chonk" ere deitua - adituen nahasketa multimodal natiboa duen eredu bat da, bilioi bat parametro guztira eta 49.000 milioi aktibo dituena. Mistralen Europako datu-zentroetako 3.800 NVIDIA Grace Blackwell GPUtan entrenatu zen. Aurrebista publikoa argitaratu da; pisu osoak hilabete amaierarako agindu dira, bazkideekin eta gobernuekin talde-lanetan aritu ondoren. Mistralek zibersegurtasunean, finantzetan, zuzenbidean eta txipen diseinuan erabilera-kasuak aurkeztu zituen.
Nola funtzionatzen du Claudek Google Docs, Sheets eta Slides aplikazioetan?
Claude Google Workspace-rako beta publikoan dago ordainpeko planeetan Marketplace gehigarri baten bidez. Alboko barra batean dago, eta bertan fitxategi bat irakurri eta editatu dezake, edo Google fitxategiak sortu eta aldatu Claude txatetik. Docs-en esaldiak konpondu edo iradokizun txartelak flota ditzake; Sheets-ek formulak, ardatzak, grafikoak eta Python aukerakoa lortzen ditu; Slides-ek diapositibak sor ditzake zure gaitik. Modu lehenetsiak aldaketen aurretik galdetzen du; "Onartu guztiak" moduak galderak saltatzen ditu.
Zein arazo konpontzen saiatzen da Meta eta Sierra Agente Pertsonalen Protokoloak?
IA agente pertsonalek askotan CAPTCHAk edo blokeoak aurkitzen dituzte erosketak egitean edo negozio APIak deitzean. Sierra eta Meta, Genesys, Shopify, Stripe eta Walmart bezalako bazkideekin batera, estandar ireki bat idazten ari dira kontsumitzaileek agenteen sarbidea kontrolatzeko eta enpresek OAuth bidez baimendutako ekintzak ezartzeko. 0.1 bertsioko zehaztapena eta erreferentziazko inplementazioa hilabete honen amaieran aurkeztuko dira. OpenAI eta Anthropic oraindik ez daude gelan.
Noiz erabili behar duzu OpenAIren Erabakiak APIa Responses APIaren ordez?
Erabili Decisions APIa bai-edo-ez estiloko erantzun azkar idatzi bat behar duzunean - baldintza bat egia izateko probabilitatea, zerrenda bateko aukera bat edo ordenatutako mailetan puntuazioa. gpt-6-lunan exekutatzen da POST /v1/decisions bidez, testua eta lerroko base64 irudiak onartzen ditu eta Responses APIa baino 10 aldiz azkarragoa da gutxi gorabehera. Prezioa milioi bat sarrera token bakoitzeko 0,10 $ da, irteera tokenen kosturik gabe. Datuen atxikipenik ez eta HIPAA bideak ere badaude bezero egokientzat; GA datozen asteetan espero da.
Zerk egiten du Google DeepMind-en EmbeddingGemma 2 erabilgarria telefonoetan?
EmbeddingGemma 2 740 milioi parametroko Apache 2.0 eredu bat da, testua, kodea, irudiak, bideoa eta audioa 768 dimentsioko espazio bakar batean mapatzen dituena. Testua bakarrik kargatu dezakezu (270M), ikusmena edo audioa gehitu, edo pila osoa hartu. Matryoshka mozketak bektoreak 128 dimentsiotara txikitu ditzake biltegiratze 6 aldiz gutxiago lortzeko. Pixel 11 Pro kuantizatu batean, testuak bakarrik behar ditu 191 MB RAM aktibo inguru eta multimodal osoak 567 MB inguru, 8K-ko token testuinguru batekin.