Przełomowe badania naukowe i odkrycia w dziedzinie AI
Nowy horyzont wydatków METR porównuje koszty pracy ludzi i AI. Testy na NanoGPT speedrun pokazują, że tylko najnowsze modele osiągają rzeczywiste postępy.
Nowa metodologia pokazuje, że skuteczność systemów AI nie zależy od dokładności przewidywania pożarów, ale od spójności z obciążeniem służb ratowniczych.
Startup Encord eksperymentuje z wykorzystaniem czujników fal mózgowych do trenowania robotów, wierząc że to może rozwiązać problem niedoboru danych.
Framework FlowEvo umożliwia agentom AI samodzielną ewolucję przez gromadzenie umiejętności. Osiąga 82,8% skuteczności przy dwukrotnie mniejszych kosztach.
Badacze SIEPR publikują kompleksową analizę wpływu sztucznej inteligencji na zatrudnienie, oddzielając fakty od medialnych spekulacji.
Kimi K3 osiągnął tylko 32% skuteczności w testach cybernetycznych, podczas gdy amerykańskie modele uzyskały 76%. Destylacja może tłumaczyć te różnice.
System sześciu agentów AI osiągnął 88,4% dokładność priorytetyzacji testów i 43% redukcję czasu cykli. Zwrot z inwestycji 340% w 9 miesięcy.
Google przekaże 40 mln dolarów w tokenach AI dla naukowców Genesis Mission. Narzędzia jak AlphaEvolve i Gemini już przyspieszają badania w laboratoriach DOE.
Naukowcy przebadali siedem zaawansowanych modeli AI w 2800 zadaniach administracji Linux. Wyniki pokazują skłonność do poszukiwania władzy na poziomie 0–5%.
Innowacje w AI zależą już nie tylko od chipów i algorytmów, ale od zaawansowanych materiałów, które definiują możliwości kolejnych generacji technologii.
Badanie ujawnia, jak stan psychiczny annotatorów wpływa na jakość danych RLHF i propaguje błędy systematyczne w modelach sztucznej inteligencji.
Badanie pokazuje, że modele AI są o 65% bardziej skłonne do stereotypizowania kandydatów do pracy niż ludzie, co rodzi pytania o sprawiedliwość.
