Lilith.
⌕

Lilith · wybrane wiadomości

Aktualności

Co naprawdę dzieje się w AI. Wybrane wiadomości, kontekst i opinia bez marketingowego szumu.

Atom feed ↗
opublikowano

Dots według OpenAI sam bada, co o tobie wie. Dostępu do dysku tylko do odczytu wciąż nie przyjmuje

Alexander Embiricos z OpenAI opowiedział na TechCrunch Disrupt, jak z Codeksa powstał Dots, asystent za 100 dolarów miesięcznie, który działa bez polecenia. Potwierdził funkcję proactive research, która regularnie przegląda, co wie o użytkowniku, a także rozmowy z firmami płatniczymi. Szczegółowych uprawnień na razie brak.

opublikowano

OpenAI wysyła inżynierów do firm i z ich problemów buduje modele. Głosowy agent telekomu skoczył z 60 do ponad 90 %

Colin Jarvis, szef zespołu Forward Deployed Engineering, opisał, jak inżynierowie OpenAI pracują bezpośrednio u klientów, na przykład u producenta chipów czy operatora telekomunikacyjnego. Liczby robią wrażenie, ale pochodzą od dostawcy i pokazują drugą stronę umowy: wiedza zdobyta w firmach wraca do produktów i modeli OpenAI.

Otwarte modele są trzy miesiące za czołówką. Lambert twierdzi, że destylacja tego nie tłumaczy

Nathan Lambert w 48-minutowym wykładzie z Harvardu podsumował stan otwartych modeli: według Artificial Analysis są około trzech miesięcy za zamkniętymi, a wśród otwartych modeli chińskie laboratoria prowadzą pod względem wydajności, pobrań i wykorzystania w badaniach. Ściąganie z cudzych API nie jest według niego główną przyczyną.

Kimi K3.1 Pro to ta sama baza co K3, tylko ze znacznie większym RL. W Terminal-Bench brakuje mu do Opusa 5.5 niecały punkt

Moonshot AI wypuściło Kimi K3.1 Pro, zbudowany na tym samym modelu bazowym co K3 i różniący się głównie dużo mocniejszym post-treningiem. Nathan Lambert widzi w tym sygnał, że chińskie laboratorium opanowało reinforcement learning. W Terminal-Bench 4.0 Moonshot podaje 65,7 % wobec 66,4 % dla Claude Opus 5.5 i obiecuje pełne wagi do 4 listopada.

IBM połączył cztery modele Granite w jedną prognozę. Najlepszy z nich pokonał o dwie tysięczne, a główny zysk to spokój przy wyborze

IBM Research udostępnił Granite Timeseries Ensemble, przepis łączący cztery wstępnie wytrenowane modele do prognozowania szeregów czasowych bez dodatkowego treningu. W benchmarku GIFT-Eval przebił w dokładności punktowej każdego ze swoich członków, ale najlepszego tylko o dwie tysięczne. Prawdziwa wartość polega na tym, że zespół danych nie musi zgadywać z góry, który model pasuje do jego danych.

opublikowano

Agent AI podniósł poprawność kodu ekonometrycznego z 79 do 97 %. Błędy, które zostały, są niewidoczne

Ethan Mollick pisze, że pisanie dobrego kodu w Stata, na którym zbudował karierę akademicką, szybko traci znaczenie. Powołuje się na badanie 40 zadań ekonometrycznych: gdy model może sam uruchamiać i poprawiać kod, odsetek poprawnych wyników rośnie z 79 do 97 %. Pozostałe błędy są jednak ciche i nadal musi je wyłapać badacz.

Anthropic oddał Agent Skills fundacji przy Linux Foundation. Standard z 280 milionami instalacji dopiero dostanie wersje i zasady bezpieczeństwa

Anthropic przekazał standard Agent Skills fundacji Agentic AI Foundation, do której rok temu trafił też MCP. Format, który według firmy przyjęło ponad 70 platform, w tym ChatGPT i Cursor, czeka teraz na wersjonowane wydania, formalny proces zmian i wytyczne bezpieczeństwa.

opublikowano

Photoshop w Ruście w dwa tygodnie. ArtCraft ma trzynaście aplikacji i sam ocenia się na 45 %

Brandon Thomas zlecił Claude Opus 5.5 przepisanie Photoshopa, Premiere, Lightrooma i innych programów w Ruście. Po trzech tygodniach jest trzynaście aplikacji open source i ponad 70 tysięcy gwiazdek dla samego PhotoCrafta. Własna roadmapa projektu mówi jednak, że do realnej pracy brakuje setek, a nawet tysięcy godzin pracy agentów, a prawnicy spierają się, czy to w ogóle clean room.

REA zebrało 300 tysięcy gwiazdek w dwa tygodnie. Najcenniejsza jest w nim lista tego, czego nie wie

Otwarte narzędzie Reverse Engineer Anything łączy agentów programistycznych z Ghidrą, Hopperem i IDA przez jeden serwer MCP. Na GitHubie urosło z 41 gwiazdek do ponad 360 tysięcy. Niezależny test pokazał jednak, że na małych programach agent radzi sobie równie dobrze bez niego, a na popularności skorzystała też fałszywa kopia z trojanem.

Najsłynniejszy wykres AI zatrzymał się na 17 godzinach pracy. Dalej METR już nie mierzy

Ethan Mollick z okazji premiery książki Co-Existence podsumował 30 miesięcy rozwoju AI. Długość zadań, które model wykona na jedno polecenie, podwoiła się od GPT-4 osiem razy, a cena poprawnej odpowiedzi w GPQA spadła mniej więcej 725-krotnie. Benchmark METR, na którym opiera się główna krzywa, we wrześniu przestał być aktualizowany, a według autorów powyżej 16 godzin nie daje wiarygodnych wyników.

Agenta nie da się ocenić po samym wyniku. Zespół z Princeton opisuje 33 trendy w ewaluacji

Badacze z Princeton, Stanfordu, brytyjskiego AI Security Institute i Brookings opisali 33 trendy, które zmieniają ocenę agentów AI. Trzeba dziś śledzić całą drogę agenta, a nie tylko wynik, i kosztuje to już tyle, że niezależność oceniających zaczyna zależeć od tego, kto płaci rachunek.

Microsoft uczy agentów AI rysować wykresy, w które można kliknąć

Microsoft Research rozszerzył swój język do wykresów Flint o interakcje: agent opisuje, co ma się stać po kliknięciu lub zaznaczeniu, a resztą zajmuje się kompilator. Zaznaczenie na wykresie może też wrócić do czatu jako kontekst kolejnego pytania. Deklaracje o niższym koszcie i większej niezawodności na razie nie są poparte liczbami.

Armin Ronacher widzi w fali luk znajdowanych przez AI karę za 30 lat złego oprogramowania

Twórca frameworka Flask Armin Ronacher napisał, że AI to świetna zabawa, ale wszechświat karze nas teraz za 30 lat złego oprogramowania. Simon Willison umieścił to zdanie wśród tekstów o szukaniu luk z pomocą AI. Sprawa dwóch dziur w PHP pokazuje, że modele przyspieszyły głównie znajdowanie błędów, a naprawy nadal spoczywają na ludziach.