প্রতিদিন আপডেট করা হয়1828 যাচাইকৃত গল্প
একটি অলাভজনক শিক্ষা দল দ্বারা সরল ইংরেজিতে ব্যাখ্যা করা পণ্য লঞ্চ, নীতি পরিবর্তন, নিরাপত্তা গবেষণা, এবং শিল্প পদক্ষেপের উৎস-চেক করা AI কভারেজ।
প্রতিটি গল্প শক্তিশালী উপলব্ধ প্রমাণের সাথে লিঙ্ক করে: যখন উপলব্ধ মূল উত্স, অন্যথায় স্পষ্টভাবে দায়ী প্রতিবেদন।
কি ঘটেছে, কেন এটা গুরুত্বপূর্ণ, এবং কি দেখতে হবে — শব্দবাক্য ছাড়া.
যখন সংকেত পাতলা হয়, আমরা ফিড প্যাড করার পরিবর্তে কিছুই প্রকাশ করি না।
সোর্স-চেক করা AI গল্প, নতুনতম প্রথম, এমন লোকেদের জন্য যাদের AI বুঝতে হবে হাইপ না করে।
Anthropic বলছে ভবিষ্যতের Claude মডেলগুলি EU AI আইন মেনে চলার জন্য Google DeepMind-এর SynthID-টেক্সটের উপর ভিত্তি করে একটি পরিসংখ্যানগত ওয়াটারমার্ক এম্বেড করবে। সংস্থাটি বলে যে এটি কোনও অক্ষর, টোকেন বা ব্যবহারকারীর পরিচয় যোগ করে না - এবং একটি সম্পূর্ণ পুনর্লিখন এটিকে পরাজিত করে।
যাচাইকৃত উৎস: anthropic.comকার্সার একটি সংক্ষিপ্ত পোস্ট প্রকাশ করেছে যে স্পেসএক্স এআই কোডিং টুলের অধিগ্রহণ সম্পন্ন করেছে, একটি প্রক্রিয়া শেষ করেছে যা এপ্রিল মাসে SpaceXAI এর সাথে মডেল-প্রশিক্ষণ অংশীদারিত্বের মাধ্যমে শুরু হয়েছিল। পোস্টটি বিশ্বের বৃহত্তম জিপিইউ বহর যাকে বলে তাতে অ্যাক্সেসের প্রতিশ্রুতি দেয়, তবে কোনও শর্ত, সময়সীমা বা পণ্যের পরিবর্তন প্রকাশ করে না।
cursor.comএকটি প্রিপ্রিন্ট স্টিয়ারবেঞ্চ-ওয়ার্কের সাথে পরিচয় করিয়ে দেয়, যে মুহূর্তে একজন এআই এজেন্ট কাজ করার বা পর্যালোচনার জন্য বিরতি দেওয়ার সিদ্ধান্ত নেয় সেই মুহূর্তের একটি 106-দৃশ্যক পরীক্ষা। 30টি মডেলের শর্ত জুড়ে, লেখকরা রিপোর্ট করেছেন যে ভুলভাবে ক্লিয়ার করা কাজ ধারণ করা ভুলভাবে অনিরাপদ কাজের অনুমতি দেওয়ার চেয়ে প্রায় 28 গুণ বেশি সাধারণ ছিল।
একটি নতুন arXiv প্রিপ্রিন্ট স্ট্রেস-পরীক্ষা করে স্বয়ংক্রিয় গ্রেডার হিসাবে ব্যবহৃত নয়টি সীমান্ত মডেল এবং রিপোর্ট করে যে তারা সকলেই চ্যালেঞ্জের অধীনে তাদের রায় পরিবর্তন করে — এবং পরিবর্তিত রায় সাধারণত সঠিক উত্তর থেকে দূরে সরে যায়, এর দিকে নয়।
একটি নতুন arXiv প্রিপ্রিন্ট যুক্তি দেয় যে বিবর্তন কৌশলগুলির সাথে প্রশিক্ষণ-পরবর্তী LLM - একটি জনসংখ্যা-ভিত্তিক, গ্রেডিয়েন্ট-মুক্ত পদ্ধতি যা ওজনকে সরাসরি বিরক্ত করে - pass@k এবং সমাধান কভারেজের উপর শক্তিবৃদ্ধি শিক্ষাকে হারায়। বিমূর্তটি আরও ভাল গণিত-বেঞ্চমার্ক ফলাফল উদ্ধৃত করে তবে কোনও মডেল, বেঞ্চমার্ক বা সংখ্যার নাম দেয় না।
একটি নতুন arXiv প্রিপ্রিন্ট বেঞ্চমার্ক একটি নির্দিষ্ট এজেন্ট ব্যর্থতা মোড: যখন একটি স্ব-উন্নতিকারী এজেন্ট মেমরিতে একটি অনিরাপদ পদ্ধতি লেখে, তখন এটি পুনরুদ্ধার করা এবং পরবর্তী সেশনগুলিতে কার্যকর করা যেতে পারে। প্রতিটি বিকশিত কনফিগারেশন পরীক্ষিত অনিরাপদ আর্টিফ্যাক্ট তৈরি করেছে, এবং তিনটি দূষিত টাস্ক ক্যারিওভার আক্রমণের সাফল্য দ্বিগুণ করেছে।
arXiv-এ পোস্ট করা একটি প্রিপ্রিন্ট একটি ফ্রেমওয়ার্ক বর্ণনা করে যা তৃতীয় পক্ষের মডেলে পাঠানোর আগে কোয়েরিতে সংবেদনশীল নাম অদলবদল করে এবং উপনামের জন্য নথি উদ্ধার করে। লেখকরা তাদের এন্ড-টু-এন্ড ইউজার মেট্রিকের উপর 80% নির্ভুলতা এবং তিনটি ছোট মডেল জুড়ে 74.91% এবং 77.83% এর মধ্যে সম্পূর্ণ-গোপন হার রিপোর্ট করেছেন।
arXiv-এ পোস্ট করা একটি প্রিপ্রিন্ট CABS+ বর্ণনা করে, একটি মডেল-মার্জিং পদ্ধতি যা গ্রিড অনুসন্ধানকে গ্রেডিয়েন্ট-মুক্ত সহগ অনুসন্ধানের সাথে প্রতিস্থাপন করে। লেখকরা একটি বেসলাইনের জিপিইউ মেমরির এক চতুর্থাংশের নিচে এবং অন্যটির তুলনায় মোটামুটি 4x স্পিডআপ দুটি বেসলাইনের উপর দ্বিগুণ-অঙ্কের কর্মক্ষমতা লাভের রিপোর্ট করেছেন।
একটি arXiv প্রিপ্রিন্ট স্থানিক মেমরি এজেন্টকে বর্ণনা করে, যা অনুমানের সময়ে পুনরুদ্ধার করা পাঠ্য পাঠ হিসাবে যাচাইকৃত অভিজ্ঞতা সঞ্চয় করে, মডেল ওজন পরিবর্তন না করে পাঁচটি স্থানিক বেঞ্চমার্ক এবং চারটি দৃষ্টি-ভাষা মডেল জুড়ে লাভের দাবি করে। এটি পর্যালোচনা করা হচ্ছে; এর বিমূর্ত নাম কোন বেঞ্চমার্ক, বেস মডেল বা মার্জিন নেই।
একটি arXiv প্রিপ্রিন্ট PROVE-RT উপস্থাপন করে, যা পুনরুদ্ধার এবং স্টেজড প্রম্পটিং ব্যবহার করে বৃহৎ ভাষার মডেলগুলিকে রিয়েল-টাইম সময়সূচী বিশ্লেষণের জন্য PROSA/ROCQ প্রুফ স্ক্রিপ্ট লিখতে। লেখকরা একটি কিউরেটেড মূল্যায়ন সেটে 44.7% সাফল্যের হার রিপোর্ট করেছেন, যেখানে সরাসরি প্রম্পটিং নির্ভরযোগ্যভাবে বৈধ যান্ত্রিকীকরণ তৈরি করতে ব্যর্থ হয়।
একটি নতুন arXiv ওয়ার্কিং পেপার যুক্তি দেয় যে ভারতের ভোক্তা সুরক্ষা আইন, 2019 নীতিগতভাবে এআই-সম্পর্কিত ক্ষতিতে পৌঁছানোর জন্য যথেষ্ট বিস্তৃত, তবে AI সরবরাহ শৃঙ্খল জুড়ে কার্যকারণ প্রমাণ করা এবং দোষারোপ করা অমীমাংসিত রয়ে গেছে। শুধুমাত্র বিমূর্ত এখানে সর্বজনীনভাবে সংক্ষিপ্ত করা হয়েছে; কাগজ সমকক্ষ পর্যালোচনা করা হয় না.
একটি অ্যাপল মেশিন লার্নিং রিসার্চ পেপার যুক্তি দেয় যে মুছে ফেলার অনুরোধের প্রতিটি ডেটা পয়েন্ট সক্রিয় অপসারণের প্রয়োজন হয় না। ভাষা এবং ভিশন টাস্ক জুড়ে প্রভাব ফাংশন ব্যবহার করে, লেখক বলেছেন কম-প্রভাব উদাহরণগুলি ভুলে যাওয়া সেট থেকে বাদ দেওয়া যেতে পারে, প্রায় 50 শতাংশ পর্যন্ত অশিক্ষার কম্পিউট কাটা যায়।
প্রতি সপ্তাহে একটি দরকারী ব্রিফিং
সপ্তাহের যাচাইকৃত AI খবর, আসল ডেটা, দরকারী টুল, শেখার পছন্দ এবং নতুন AI চাকরি পান।
একজন AI পেশাদার নিয়োগ করছেন বা একটি দরকারী AI পণ্য চালু করছেন? যারা এখানে শিখতে এবং অভিনয় করতে এসেছেন তাদের সামনে এটি রাখুন।
একটি AI চাকরি পোস্ট করুন একটি AI টুল জমা দিন