Qwen Intelligence lance trois agents mobiles d'IA (1 minute de lecture)
Qwen Intelligence a lancé trois agents mobiles pour la planification, l'exécution d'applications croisées et la création rapide de contenu, ainsi que des repères ouverts pour la planification, la performance des appareils réels et la sécurité. Qwen rapporte les meilleurs résultats de référence et 90 % de succès de bout en bout pour Mobile-Use.
|
|
Plongées profondes et analyse |
Échapper à l'espace: Partie I (23 minutes lire)
La plate-forme SPACE de Perplexity a testé l'isolement et le confinement en réseau de VM à l'aide de neuf modèles d'IA, révélant qu'il n'y avait pas de failles VM-host sur 108 essais. Cependant, quatre modèles ont exploité les vulnérabilités de la politique des réseaux par le biais de l'échafaudage DNS et du partage de la propriété intellectuelle, contournant ainsi les restrictions dans 11 des 54 essais en réseau partiel. Après l'assainissement, aucun des modèles n'a réussi à contourner les mesures de sécurité actualisées, soulignant la nécessité d'une application rigoureuse des politiques contre les attaques d'infrastructures partagées, qui ont également été trouvées dans huit des dix plates-formes tierces testées.
|
Vers un post-formation universelle pour la robotique (18 minutes de lecture)
La robotique a besoin d'une recette post-formation universelle semblable aux modèles linguistiques pour parvenir à un déploiement autonome fiable. Les méthodes existantes comme l'apprentissage de l'imitation profitent de l'intuition plutôt que des processus structurés, et l'instabilité de RL entrave la robotique. Le développement d'EXPO-FT démontre une approche RL stable, soulignant la nécessité de protocoles normalisés, de spécifications de récompense, de systèmes de rétroaction humaine et de processus évolutifs pour améliorer la fiabilité de la robotique.
|
|
RRSI: Auto-amélioration régularisée de l'agent Harnesses (5 minutes lire)
La capacité d'un agent d'IA est en grande partie déterminée par son harnais. L'évolution du harnais contre un ensemble d'évolution fixe est efficace, mais le harnais mémorise les tâches d'entraînement, et la grande distribution gagne en rétrécissement ou en disparition de la distribution. RRSI maintient l'espace d'édition du harnais ouvert et régularise la trajectoire de recherche à travers elle. Les prompts, le flux de contrôle, la configuration, la gestion du contexte, les outils, les compétences, la mémoire et les sous-agents peuvent tous être modifiés. Les contraintes agissent sur la façon dont la recherche se déplace, et non sur ce que le harnais peut contenir.
|
Présentation d'Ember-1 (9 minutes lire)
Ember-1 est un nouveau modèle spécialisé construit sur Kimi K3 qui offre la qualité de Kimi K3 avec 40% de jetons de moins. Il est maintenant déployé comme une option de service à côté du modèle de base Kimi K3 comme une publication de Recherche Preview sur Serverless. Fireworks Research lance des communiqués de recherche pour donner aux développeurs un accès sans serveur de deux semaines à de nouveaux modèles de recherche. Les modèles les plus exigeants seront permanents.
|
tev1-4B-expérimental (1 minute lire)
tev1-4B-expérimental est un classificateur de type Jev finement ajusté sur le dessus de Qwen3.5 4B. Il est disponible sur Together sans serveur à 0,042 $ par million de jetons d'entrée et 0 $ par million de jetons de sortie. Ensemble AI a publié la recette de données et un tutoriel sur la façon d'affiner un modèle personnalisé. Tev1 n'a coûté que 17 $ pour le train.
|
|
Quelle est l'exactitude des prévisions de progrès de l'IA? (36 minutes lire)
Les prévisionnistes sous-estiment considérablement les progrès de l'IA sur les repères. Les prédictions sur l'adoption et la diffusion de l'IA s'appuient souvent sur la sous-estimation. Il n'existe pas suffisamment de données probantes permettant d'évaluer les antécédents des prévisionnistes en ce qui concerne la prévision des incidences économiques et sociales à l'échelle macroéconomique de l'IA.
|
Google planifie la mémoire AI que même Google ne peut pas lire (5 minutes de lecture)
Google dit que sa mémoire de calcul d'IA privée prévue laisserait les assistants rappeler le contexte à travers les appareils sans que Google puisse le lire. Les données restent cryptées dans le stockage en nuage, les clés restent sur les appareils des utilisateurs, et une enclave protégée le déchiffre seulement en répondant à une demande.
|
|
Aimer TLDR ? Dites à vos amis et obtenez des récompenses!
| Partagez votre lien de référence ci-dessous avec des amis pour obtenir gratuitement TLDR swag!
| | |
| Suivez vos références ici. |
|
|
|
