Trzech badaczy weszło do wewnętrznych systemów Open A I w niecałe trzy doby. Punktem wejścia był spreparowany obraz wrzucony na forum społecznościowe, a w znalezieniu dziur pomagał im Claude — za mniej niż trzy tysiące dolarów w tokenach. W tym samym tygodniu pojawił się Jev, model zupełnie innego rodzaju niż duże modele językowe: nie pisze odpowiedzi, tylko rozkłada prawdopodobieństwa na z góry podane opcje i robi to w kilkadziesiąt milisekund. Google pokazało Dream R S I, czyli samodoskonalenie agenta bez ruszania wag modelu. Alibaba wypuściła dwa nowe Queny — omnimodalny i tłumacza symultanicznego z klonowaniem głosu. G P T sześć Astra rozszyfrowało depeszę z Enigmy nierozwiązaną od osiemdziesięciu pięciu lat. A Bonsai 2 ściska model o dwudziestu siedmiu miliardach parametrów z pięćdziesięciu pięciu gigabajtów do sześciu, prawie bez straty jakości.
Open A I zhakowane w siedemdziesiąt dwie godziny
Trzej badacze z firmy Hacktron włamali się do wewnętrznych systemów Open A I w mniej niż siedemdziesiąt dwie godziny. Do pomocy użyli Claude’a od Anthropic.
Atak zaczął się w zaskakująco zwyczajnym miejscu — na forum społecznościowym Open A I. Badacze znaleźli podatność w bibliotece przetwarzającej pewne typy obrazów. Gdy ktoś wrzuca obraz na forum, plik trafia w końcu do tego dekodera. Okazało się, że odpowiednio spreparowany obraz wywołuje błąd pamięci w tym potoku i pozwala na zdalne wykonanie kodu na serwerze forum.
Samo to nie dawało jeszcze dostępu do najważniejszych rzeczy. Dużo poważniejsza była druga podatność — w systemie pojedynczego logowania Open A I. Łącząc obie dziury, badacze mogli przejąć konta Chat G P T i Codeksa należące do wszystkich, którzy logowali się na forum. W tym pracowników Open A I.
I tu skala problemu rośnie. Konta pracowników bywają połączone z GitHubem, Slackiem, pocztą i Google Drive. Przejęcie jednego konta pracownika może więc otworzyć drzwi znacznie szerzej niż do samego Chat G P T.
Znalezienie podatności kosztowało mniej niż trzy tysiące dolarów w tokenach. Badacze zgłosili sprawę, Open A I załatało dziurę i wypłaciło nagrodę w wysokości sześciu i pół tysiąca dolarów. Za podatność, która mogła być warta miliony.
To nie było w pełni autonomiczne hakowanie — doświadczeni badacze cały czas prowadzili proces. Ale model przyspieszył pracę, która tradycyjnie wymaga bardzo wąskiej specjalizacji. Prawdziwe pytanie brzmi więc inaczej: skoro da się w ten sposób zhakować czołowe laboratorium A I w trzy doby za kilka tysięcy dolarów, to ile niewykrytych dziur siedzi w zwykłych aplikacjach?
Jev: model, który nie pisze, tylko wybiera
Jev to model zupełnie nowego typu, zbudowany przez byłego badacza Open A I, który współtworzył metody uczenia ze wzmocnieniem stojące za Chatem G P T. Autorzy nazywają go modelem systemu pierwszego.
Myślenie systemu pierwszego jest szybkie, intuicyjne, natychmiastowe — w przeciwieństwie do systemu drugiego, czyli powolnego rozumowania krok po kroku, jakie widzimy w dzisiejszych dużych modelach. Jev ma podejmować decyzje praktycznie natychmiast.
Działa tak: definiujesz z góry zbiór możliwych odpowiedzi, a Jev zwraca dla każdej z nich prawdopodobieństwo. Podajesz mu maila i pytasz, do którego działu powinien trafić — dostajesz wynik pewności dla każdego działu, a wygrywa najwyższy. Odpowiedź przychodzi typowo w siedemdziesiąt do pięciuset milisekund. Model potrafi też odpowiadać na wiele pytań o te same dane równolegle, więc jedno wywołanie może podjąć wiele decyzji naraz.
Pod spodem siedzi własna metoda treningu, którą autorzy nazwali uczeniem ze wzmocnieniem dla skalibrowanych decyzji. Cel jest taki, żeby liczby na wyjściu coś znaczyły: gdy model podaje osiemdziesiąt procent pewności, ma mieć rację w osiemdziesięciu procentach przypadków.
To otwiera konkretny wzorzec użycia. Decyzje z bardzo wysoką pewnością — powiedzmy powyżej dziewięćdziesięciu pięciu procent — program akceptuje automatycznie. Resztę przekazuje do przeglądu człowiekowi albo modelowi czołowemu.
Jev nie zastępuje Chata G P T. Nie napiszesz nim eseju ani nie zrobisz głębokiego researchu. Ma działać wewnątrz oprogramowania i podejmować szybkie decyzje na danych strukturalnych: która opcja jest właściwa, co powinno stać się dalej. Jeśli robi to dokładnie, szybko i tanio, staje się warstwą pośrednią między agentami A I a zwykłym oprogramowaniem.
Okazuje się przy tym, że takie decyzje z zamkniętej listy to nie tylko sprawa pracy. W grze wideo w każdej chwili też masz ograniczony zestaw ruchów: góra, dół, lewo, prawo, strzał, skok. To również pytanie wielokrotnego wyboru. Autorzy pokazują Jeva grającego w Dooma.
Najgłośniejsza liczba to zerowy współczynnik halucynacji. Warto jednak rozumieć, co tu znaczy. Skoro lista odpowiedzi jest podana z góry, model nie ma jak wymyślić odpowiedzi spoza listy — i tylko o to chodzi. Nie znaczy to, że ma rację zawsze; wyniki pewności nadal mogą być błędne.
Jev nie jest otwartoźródłowy. Dostęp idzie przez API, a na razie trzeba zapisać się na listę oczekujących.
Dwie otwarte alternatywy: Laya i Nimble
Skoro Jeva nie da się pobrać, warto znać otwarte odpowiedniki.
Laya. Autor twierdzi, że pracował nad tym rok temu i opublikował drugi artykuł we wrześniu zeszłego roku, a Jev zaproponował dokładnie tę samą koncepcję. Możliwe więc, że to Laya jest oryginałem, który przeszedł bez echa. To też model systemu pierwszego: dajesz listę odpowiedzi, dostajesz wyniki pewności. W samodzielnie raportowanych testach Laya wypada nawet odrobinę lepiej od Jeva, jest szybsza, obsługuje wiele języków i jest otwarta na licencji Apache dwa. Wydano trzy warianty: bazowy, wielojęzyczny i jeden z większym oknem kontekstu. Model podstawowy waży niecałe dwa i pół gigabajta, więc zmieści się na większości sprzętu konsumenckiego. Autorzy dorzucają nawet skrypt do dostrajania Layi na własnych danych.
Bespoke Nimble. Tu zespół próbował odtworzyć działanie Jeva metodą inżynierii wstecznej. Wzięli Quena trzy pięć dziewięć B jako model bazowy i dotrenowali na nim adapter Lora do obsługi decyzji strukturalnych. Wyniki są blisko Jeva. Sam adapter waży tylko sto dziewięćdziesiąt trzy megabajty, ale potrzebujesz jeszcze modelu bazowego, czyli około dwudziestu gigabajtów — prawdopodobnie pojawią się wersje kwantyzowane.
Dream R S I: agent, który śni o własnych poszukiwaniach
Google opublikowało projekt Dream R S I, czyli rekurencyjne samodoskonalenie przez ewoluujące światy. To nie jest to, co brzmi — model nie przepisuje sam siebie. Jego wagi i architektura pozostają nietknięte. Poprawia się natomiast strategia wokół modelu: sposób przeszukiwania, przydzielania mocy obliczeniowej i decydowania, co warto drążyć.
Normalnie, żeby poprawić model, trenujesz go od nowa albo używasz uczenia ze wzmocnieniem. Dream R S I zamiast tego pozwala agentowi uczyć się z całej historii własnych poszukiwań. Za każdym razem, gdy agent bada problem, buduje coś, co badacze nazywają drzewem odkryć — mapę wszystkiego, co próbował: które gałęzie zadziałały, które poległy i jakie dały wyniki.
Gdy taka mapa już istnieje, system może odtwarzać tysiące drzew poszukiwań bez ponownego ich uruchamiania. Model niejako śni o tym, co by się stało, gdyby poszedł innymi gałęziami. Generuje ulepszone wersje swojej strategii przeszukiwania, testuje je na wszystkich zapisanych przebiegach, wdraża tę, która wypada najlepiej — i cykl rusza od nowa.
W testach na optymalizacji matematycznej Dream R S I wypada średnio najlepiej wśród porównywanych systemów rekurencyjnie się poprawiających. W inżynierii jąder obliczeniowych na G P U osiąga porównywalne wyniki, zużywając ponad dwa razy mniej generacji niż konkurencyjne metody.
Agent infrastrukturalny, który wdrożył G L M pięć trzy Flash
Z A I opublikowało obszerny wpis techniczny o tym, jak użyło A I do poprawienia infrastruktury, na której same modele działają. To rzadkość — takie rzeczy zwykle są ściśle tajne.
Kontekst: wdrażali G L M pięć trzy Flash na klastrze ponad stu tysięcy akceleratorów chińskiej produkcji, prawdopodobnie Huawei. To nowa architektura, multimodalna, z oknem kontekstu rzędu miliona tokenów. Doprowadzenie zupełnie nowego systemu wnioskowania do wydajnego działania na setkach tysięcy układów normalnie wymagałoby zespołu wyspecjalizowanych inżynierów grzebiących tygodniami w jądrach, wąskich gardłach pamięci i problemach komunikacyjnych.
Zamiast tego większość tej roboty wykonał agent infrastrukturalny napędzany przez G L M pięć trzy. Inżynierowie dali mu dostęp do kodu i bardzo szczegółowy materiał zwrotny: testy, logi, ślady wykonania, benchmarki, wyniki profilowania.
Sztuka polega właśnie na szczegółowości. Zamiast mówić modelowi „system zwolnił”, pokazywali dokładnie, gdzie schodzi czas, które obliczenie daje zły wynik i w jakich warunkach dana optymalizacja pomaga albo szkodzi. Nazwali to gęstym materiałem zwrotnym. Dzięki temu agent mógł pracować jak naukowiec: stawiać hipotezy, zmieniać kod, testować wynik i decydować, co próbować dalej.
W jednym przypadku błąd nasilał się przy bardzo długich kontekstach, a agent doprowadził trop do obliczeń o zbyt niskiej precyzji wewnątrz jądra i pomógł to naprawić. Udało się też przyspieszyć jądro dekodujące o siedemdziesiąt jeden procent. Całość — optymalizacja i wdrożenie modelu na setkach tysięcy układów dla realnych użytkowników — zajęła mniej niż dwa tygodnie.
Zastrzeżenie jest ważne: to nie jest autonomiczne ani rekurencyjne samodoskonalenie. Ludzie nadal wybierają cele, projektują środowisko testowe, wyznaczają granice bezpieczeństwa i dostarczają ten bardzo szczegółowy materiał zwrotny. Ale pętla już istnieje i da się jej użyć do kolejnych systemów, więc efekt się kumuluje.
Xiaomi streamuje trening na żywo
Xiaomi robi coś, czego prawie nigdy nie widać w czołowym laboratorium: publicznie transmituje proces uczenia ze wzmocnieniem swojego nadchodzącego modelu Mimo V dwa sześć, w trakcie treningu.
Na stronie widać przebieg na żywo. Skala robi wrażenie. Koszt przekroczył już półtora miliona dolarów. Każdy krok treningowy przetwarza prawie trzy miliardy tokenów, a w chwili nagrania model pro przerobił blisko czterdzieści osiem miliardów tokenów. Widać rozmiar partii treningowej i liczbę rolloutów.
Widać też, jak wyniki na benchmarkach poprawiają się w czasie. Na deep sweep model pro zaczynał od pięćdziesięciu ośmiu punktów, a obecnie ma sześćdziesiąt siedem — czyli ociera się o czołówkę modeli otwartych. Podobnie rośnie wynik na benchmarku automatyzacji. Dashboard pokazuje nawet rozbicie promptów użytych w każdej rundzie na kategorie: kodowanie, ogólne, cyberbezpieczeństwo i inne.
Gemini trzy osiem Live mówi i działa jednocześnie
Google wypuściło Gemini trzy osiem Live oraz wariant z rozszerzonym myśleniem. Cel: żeby głosowe A I brzmiało mniej jak interfejs, a bardziej jak agent, z którym się po prostu pracuje. Wersja bazowa jest szybsza i tańsza, z myślą o wdrożeniach na dużą skalę; wersja z rozszerzonym myśleniem radzi sobie z zadaniami wymagającymi wieloetapowego rozumowania.
Obie przyjmują dźwięk na żywo oraz obraz i wideo, i potrafią równolegle wywoływać narzędzia, na przykład wyszukiwarkę. Największa zmiana jest jednak taka, że model nie musi przerywać mówienia, gdy potrzebuje coś zrobić w tle. Może wołać narzędzia i API, cały czas rozmawiając, a wyniki wplata do rozmowy, gdy się pojawią. Rozumuje, działa i mówi jednocześnie, co daje znacznie płynniejszą konwersację.
Nie trzeba już ręcznie ustawiać języka — model sam wykrywa go i przełącza się między dziewięćdziesięcioma siedmioma obsługiwanymi językami. Obsługuje też obraz na żywo, więc można skierować kamerę na coś i dopytywać niemal w czasie rzeczywistym.
W benchmarkach wobec G P T Live, Astry i głosu Grocka wyniki są zbliżone. Różnicę robi cena: Gemini trzy osiem Live jest wielokrotnie tańsze od konkurentów, co czyni je najbardziej opłacalnym czołowym modelem głosowym. Jest już dostępne w Gemini, Google A I Studio, w Search Live i w aplikacji Gemini.
Dwa nowe Queny: Omni Flash i Live Translate
Quen trzy osiem Omni Flash. Model multimodalny, który przyjmuje nie tylko tekst, ale też dźwięk, obrazy i wideo. Nadaje się do analizowania nagrań, wyodrębniania fragmentów, tworzenia transkrypcji. Jako model klasy flash jest bardzo szybki i da się go strumieniować w czasie rzeczywistym — można włączyć kamerę i pytać o to, co widać. Można też wrzucić wideo i kazać je rozłożyć na postaci, ruchy kamery, kompozycję, dialog i dźwięk.
Okno kontekstu ma milion tokenów, co odpowiada mniej więcej godzinie wideo albo ponad dziesięciu godzinom dźwięku. W benchmarkach rozumienia audiowizualnego oraz rozumowania na dźwięku i rozpoznawania mowy bije w większości przypadków Gemini trzy osiem Flash. Koszt godziny wejścia wideo lub audio przez API jest przy tym wyraźnie niższy niż u Gemini. Model jest dostępny przez platformę Quena w ramach abonamentu tokenowego; otwartych wag na razie nie ma.
Quen trzy osiem Live Translate. Tłumacz symultaniczny do prawdziwych rozmów. Przyjmuje dźwięk albo wideo na żywo i tłumaczy rozmowę na transkrypcję, gdy ludzie jeszcze mówią. Potrafi też klonować głos, czyli sprawić, by ta sama osoba mówiła w innym języku własnym głosem. Rozdziela mówców i podpisuje, kto co powiedział. Można dorzucić wideo lub obrazy jako dodatkowy kontekst.
Obsługuje sześćdziesiąt języków wejściowych i dwadzieścia dziewięć wyjściowych mówionych. W testach wierności, płynności i zwięzłości ma średnio wyższy odsetek wygranych niż Seed Live Interpret, G P T Real Time czy Gemini Live. Tak samo w jakości tłumaczenia, opóźnieniu i liczbie błędów. Na razie tylko przez API, plus demo online.
Astra rozszyfrowała depeszę z Enigmy
G P T sześć Astra pomogło złamać zaszyfrowaną niemiecką depeszę z drugiej wojny światowej, która pozostawała nierozwiązana od ponad osiemdziesięciu lat. Wiadomość wysłała armia niemiecka, szyfrując ją maszyną Enigma. Miała tylko osiemdziesiąt dwa znaki i nikt nie potwierdził dla niej rozwiązania.
Model nie zgadł odpowiedzi — przeprowadził pełne śledztwo kryptoanalityczne. Przeszukał archiwa historyczne, porównał różne transkrypcje, w których część oryginalnych liter była niewyraźna, poszukał wskazówek w powiązanych depeszach i zbudował własny symulator Enigmy. Napisał kod przeszukujący możliwe ustawienia maszyny, uruchomił eksperymenty równolegle i po mniej więcej dziesięciu godzinach pracy rozszyfrował wiadomość.
Sama treść okazała się banalna: nadawca informuje, że są w drodze, prosi o instrukcje co do trasy i o natychmiastową odpowiedź radiem.
Dwa zastrzeżenia. Po pierwsze, nie było to w pełni autonomiczne — autor wybrał cel, dostarczył kluczowe informacje i prowadził śledztwo, choć techniczną robotę wykonała w dużej mierze Astra. Po drugie, nikt nie twierdzi, że złamano tu Enigmę po raz pierwszy. Jak działa Enigma, wiadomo od dawna. Chodziło o odzyskanie tej jednej depeszy, której klucz zaginął osiemdziesiąt pięć lat temu.
Jing i Dao: świat z silnikiem gry pod spodem
X-Gen Labs pokazało generatywną symulację świata o nazwie Jing i Dao. Większość modeli świata to w praktyce generatory wideo, które przewidują tylko, jak ma wyglądać następna klatka. Tutaj próbuje się symulować trwały świat stojący za tymi klatkami.
Dao jest silnikiem świata. Przechowuje wspólny stan środowiska, stosuje reguły i aktualizuje to, co dzieje się po czyjejś akcji. Pozwala też autonomicznym agentom działać dalej, nawet gdy nikt na nich nie patrzy — N P C i inne ruchome elementy nie zamierają. Jing jest modelem doświadczenia: bierze ten świat i generuje to, co dana postać powinna widzieć i przeżywać ze swojego punktu widzenia. Dao to silnik gry, Jing to kamera zaglądająca do symulacji.
Kluczowa jest trwałość. Gdy opuścisz jakiś obszar, Dao pamięta jego stan, więc po powrocie wszystko się zgadza. Do tego generowanie jest otwarte — świat można ciągnąć w nieskończoność, o ile starcza mocy obliczeniowej, podczas gdy inne modele świata dają kilka sekund, najwyżej minutę.
W porównaniu z konkurentami pokroju V trzy czy Genie trzy to jedyny system z zarządzaniem stanem świata. A skoro ktoś ten stan trzyma, można mieć wielu graczy w jednym środowisku — w demie widać perspektywy trzech różnych postaci w tej samej scenie i wszystko pozostaje spójne.
Na razie to zapowiedź badawcza, ale kod modelu Jing jest już dostępny. Wykorzystuje MiniMax H trzy jako podstawę generowania wideo, dostrojony w pełnej wersji, więc waży około sześćdziesięciu siedmiu gigabajtów.
Odyssey trzy: jeden model do ramion, humanoidów, dronów i aut
Odyssey trzy to próba zbudowania jednego fundamentowego modelu robotycznego, który rozumie zupełnie różne maszyny: ramiona robotyczne, humanoidy, samochody autonomiczne, drony, a nawet postaci w grach.
Pomysł jest taki, żeby nie trenować osobnego modelu dla każdego robota i każdego zadania. Odyssey trzy najpierw uczy się szerokiego modelu działania świata na dużej ilości danych wizualnych — ruchu, fizyki, przyczynowości, obiektów, zachowań — zanim nauczy się sterować konkretnym robotem. Model świata dostarcza zrozumienia sytuacji, a dekoder akcji przekłada to zrozumienie na konkretne komendy silników.
W demonstracjach model steruje humanoidami manipulującymi przedmiotami i operuje dronami. Testowano go też w jeździe autonomicznej: po zaledwie dwudziestu godzinach symulowanych danych z jazdy Odyssey trzy nauczył się jeździć po ulicach Indii. Zamiast prawdziwego robota można mu podstawić symulator świata i kazać sterować dowolną postacią.
Roboty uczące się z jednego nagrania
Projekt „in context robot learning” i towarzyszący mu framework G P T Policy próbują nauczyć robota zadania wyłącznie z obserwacji człowieka, bez dotrenowywania modelu robota. To uczenie w kontekście, tyle że dla robotów.
Podajesz nagranie człowieka wykonującego zadanie, albo robota, albo zdjęcie pokazujące, jak ma wyglądać efekt końcowy, albo informację zwrotną z wcześniejszych nieudanych prób. Wszystko to trafia do ogólnego modelu wizyjno-językowego — G P T sześć Astra albo dowolnego innego z obsługą obrazu — a framework każe modelowi robota spróbować wykonać zadanie.
Przykłady z prawdziwego świata: bez obejrzenia nagrania robot nie potrafił podnieść czerwonego ręcznika, po obejrzeniu udało mu się dwa razy na trzy. Odkręcenie zakrętki butelki bez nagrania kończyło się porażką w stu procentach prób; po nagraniu — sukces w dwóch na trzy próby.
Znaczenie jest oczywiste: zamiast dotrenowywać model na każdym nowym zadaniu, co kosztuje czas, moc obliczeniową i pieniądze, pokazujesz robotowi film.
Modele, które mieszczą się wszędzie
Needle trzy. Model zaprojektowany do działania bezpośrednio na maleńkich urządzeniach: telefonach, zegarkach, a nawet mikrokontrolerach. Całość waży od ośmiu do dwudziestu dziewięciu megabajtów, podczas gdy najmniejsze modele językowe liczy się w gigabajtach. Zbudowano go na własnej architekturze zwanej prostą siecią uwagi, różnej od transformerów.
Pełny model ma od dwudziestu dziewięciu do stu dwudziestu jeden milionów parametrów, ale jeden zestaw wag zawiera w sobie wiele mniejszych modeli. Model włącza tylko dwie warstwy albo nawet dwadzieścia, zależnie od tego, ile mocy ma urządzenie. Autorzy nazywają to stopniowaniem inteligencji: mikrokontroler odpala kilka warstw, mocniejszy telefon albo Raspberry Pi więcej, i nie trzeba osobnego modelu na każdy sprzęt. Na benchmarkach wywoływania narzędzi na urządzeniach mobilnych Needle trzy bije modele dziesięć razy większe. To nie jest inteligencja z pierwszej linii — chodzi o proste rzeczy: sterowanie inteligentnym domem, roboty domowe, urządzenia ubieralne, okulary rozszerzonej rzeczywistości.
Bonsai 2 27B. Model skompresowany do granic możliwości. Wzięto Quena trzy osiem dwadzieścia siedem B i ściśnięto go drastycznie. Normalnie modele operują na długich liczbach dziesiętnych; tutaj użyto wag ternarnych, czyli każda liczba może przyjąć tylko wartość minus jeden, zero albo plus jeden. To radykalnie zmniejsza zapotrzebowanie na pamięć.
Oryginalny Quen trzy osiem dwadzieścia siedem B waży pięćdziesiąt pięć i sześć dziesiątych gigabajta. Bonsai schodzi do pięciu i dziewięciu dziesiątych gigabajta, czyli ponad dziewięć razy mniej. Najważniejsze: na benchmarkach wyniki pozostają bardzo zbliżone do pełnego modelu. Jeden z najlepszych modeli średniej wielkości mieści się więc na średniej klasy karcie konsumenckiej. Na Hugging Face są różne poziomy kompresji, w tym wersja M L X dla sprzętu Apple. Wariant Q jeden waży niecałe sześć gigabajtów, nieco lepszy jakościowo Q dwa — nieco ponad siedem.
Occamy jeden zero. Kolejny wydajny model średniej wielkości. W benchmarkach agentowych wypada średnio najlepiej wśród porównywalnych modeli, a w części przypadków dorównuje znacznie większym, takim jak G P T pięć sześć Sol, Quen trzy osiem Max czy Deepseek V cztery Pro. Ma najlepszy stosunek inteligencji do kosztu w swojej klasie. To dotrenowana wersja Quena trzy sześć trzydzieści pięć B, z tą samą architekturą: trzydzieści pięć miliardów parametrów, z czego aktywne są trzy miliardy. Wydano nie tylko wagi, ale i przepis treningowy oraz zestaw plików G G U F — najmniejszy waży około dwunastu gigabajtów.
Z G C M jeden. Mały model, siedem miliardów parametrów, wyspecjalizowany w rozumowaniu matematycznym i wyszukiwaniu agentowym. Na benchmarkach wypada nieźle, choć trzeba zaznaczyć, że porównania robiono ze starszymi generacjami modeli, więc dobór jest korzystny dla autorów. Na benchmarkach z matematyki zawodniczej plasuje się średnio wysoko. Wydano modele i pełny potok treningowy.
Meridian, R2T2 i MiniMax Code
Meridian. Nowy model od Viggle, zbudowany na MiniMax H trzy, który bierze istniejące wideo i zmienia w nim kąt kamery oraz timing. Możesz obiegać obiekt dookoła, panoramować w różnych kierunkach, zmieniać odległość albo zamrozić scenę i uzyskać efekt bullet time. Pod spodem system geometryczny V G G T Omega szacuje głębię sceny i rekonstruuje chmurę punktów w trzech wymiarach. Na tej podstawie zadajesz nową ścieżkę kamery, system renderuje zgrubną wersję ujęcia i przepuszcza ją przez MiniMax H trzy, żeby wygenerować pełnowartościowe wideo. Wszystko jest już udostępnione, ale dostrojono pełny model MiniMax, więc plik ma około sześćdziesięciu dwóch gigabajtów.
R2T2. Otwarty model transkrypcji w czasie rzeczywistym, zamieniający mowę na tekst na żywo. W demonstracji obok G P T Live Transcribe daje praktycznie identyczny wynik. Obsługuje pięćdziesiąt siedem języków. Na wykresie porównującym wskaźnik błędu i opóźnienie modele R2T2 siedzą w dolnym lewym rogu, czyli w najlepszym miejscu, zarówno dla angielskiego, jak i chińskiego. Waży około czterech gigabajtów, więc zmieści się na większości konsumenckich kart.
MiniMax Code C L I. MiniMax otworzył swoją uprząż do kodowania. Uprząż to warstwa wokół modelu — model dostarcza inteligencji i myślenia, a uprząż steruje tym, jak czyta pliki, wywołuje narzędzia, zarządza uprawnieniami, śledzi postęp i decyduje, co robić dalej. Dobra uprząż jest dziś równie ważna jak dobry model bazowy. W ewaluacji uprzęży MiniMax Code sparowany z Kimi trzy nie tylko bije konkurencyjne rozwiązania, ale kończy zadania wyraźnie szybciej i taniej. To sama uprząż, więc można ją połączyć z dowolnym modelem.
Astra dla prawników
Open A I przedstawiło Astrę dla prawa — G P T sześć Astra skonfigurowaną pod profesjonalną pracę prawniczą. Zamiast zwykłego wyszukiwania w sieci korzysta z dedykowanego indeksu prawnego obejmującego amerykańskie orzecznictwo, regulacje, regulaminy sądów i decyzje administracyjne. Prawnik podaje stan faktyczny sprawy, a system wyszukuje właściwe podstawy prawne, przedstawia argumenty obu stron, przygotowuje pisma dowodowe albo analizuje, jak dana klauzula umowna zmienia ryzyko transakcji. Jest też podłączana przez wtyczki i integracje do narzędzi, których kancelarie już używają. Ponieważ w grę wchodzą poufne dane klientów, Open A I deklaruje dodatkowe zabezpieczenia, w tym zerowe przechowywanie danych dla uprawnionych klientów.
Koniec artykułu.