我的 X 阅读

我的关注 科学物理人工智能 神奇小子 动物世界

神奇小子 · 3000 / 3000 条

已同步 102 个列表成员 · 当前内容涉及 122 位作者

更新 10-10 00:07

重置

3000 条 · 第 25/200 页 · 刷新

Ramin @ramin_m_h
10-08 01:21 · 原帖
转帖:可在任何地方运行的微型决策模型: > d1-3B 在文本和视觉方面表现出色 > d1-omni-600M 支持文本、视觉和音频! 立即试用我们的 @huggingface 空间,体验互动游戏
Mehdi (e/λ) @BetterCallMedhi
10-08 01:21 · 原帖
谨以此文告诫所有那些将自己最私密的健康数据交给加州法学硕士,却未进行任何匿名处理,还以为自己只是在记录个人日记的人。 你的核磁共振成像和血液检测结果,包括你的全名,都被存档在一个从未宣誓效忠的美国服务器上。https://t.co/UjPgnyWnCB
群論たん (※大学の代数学の入門用学術たん・抽象代数学たん) @gunron_tan
10-08 01:19 · 原帖
一直有传言说,OpenAI昨天发布的数学相关成果只是三批成果中的第一批。 今天公布的大量成果是否会以第二批、第三批等等的形式陆续发布呢? 引用:他还补充道,我对此表示赞同: “值得注意的是,在OpenAI发布的722项数学成果中,密码学方面的突破性进展明显不足。我亲眼目睹了美国政府审查学术界的量子密码分析成果。我认为幕后干预是主要原因。” 事情可能比表面看起来进展得更快。目前很多领域都是如此。同样,一直有传言说,OpenAI昨天发布的数学成果只是三批成果中的第一批。
Mehdi (e/λ) @BetterCallMedhi
10-08 01:17 · 原帖
转帖:凡是说“我从来没用过正弦/余弦/向量”这种话的人,都是在无意中承认自己有多么无知。立即静音。
群論たん (※大学の代数学の入門用学術たん・抽象代数学たん) @gunron_tan
10-08 01:16 · 原帖
大多数反馈都是“杰出”和“令人惊叹”。 这表明他们产出了大量高质量的成果,而不是批量生产低质量的论文。 引文:关于OpenAI今天发布的722篇论文中的372项成果的一些进一步思考。 如果我要根据数学家证明和发表的定理的突破性对其进行分类,我会(粗略地)将它们分为四类: A) 非突破性成果。 这占已发表数学成果的绝大多数。这类成果的质量参差不齐,从扎实到优秀都有,有些代表了某个领域的真正进步。但它们并不令人大跌眼镜,通常不会被描述为“突破”。 B) 在现有程序中取得的卓越进展。 这些成果非常出色,但前提是存在一条通往该定理的可靠路径,并且人们预期只要付出足够的努力就能达到目标。完成这项计划或许需要大量的创造力和深入的研究,但数学家们不会对该定理最终被证明感到惊讶。 C) 令人惊讶的突破。 这类成果突破了重大障碍,并实质性地改变了某个领域的现状。在证明之前,并没有令人信服的途径可以得出完整的结论。然而,尽管数学家们会觉得这个定理非凡且令人惊讶,但他们并不会感到完全震惊:如果你事先问他们,如今是否有可能证明这样的定理,大多数人都会回答“是”。 注:最杰出的数学家一生中也只能证明极少数B类和C类成果;许多数学家甚至从未证明过任何一项。这类成果通常会发表在顶级期刊上,例如《数学年刊》(Annals of the Mathematical Sciences)、《数学发明》(Inventiones)等,而且在任何特定领域,每年此类成果都屈指可数。如果一个人能取得几项如此高水准的成果,那么他/她就极有可能获得菲尔兹奖。 D) 惊人突破。 这些成果在公布之前,被顶尖专家普遍认为以现有的数学技术几乎不可能证明。因此,定理本身的出现令人震惊。这类成果极其罕见,堪称菲尔兹奖级别的。 (我特意省略了一类,因为我怀疑它并不存在:对某个问题给出了正确的证明,而在此之前,绝大多数顶尖专家都认为,该证明远远超出了现有数学的范畴,仅凭先前的理论基础,任何声称的解决方案都几乎不可能实现。我会把今天的黎曼猜想归入此类。) 我目前的印象是,OpenAI 今天发布的一些成果属于 A 类,但大多数属于 B 类或 C 类。D 类只有一个例子(准黎曼猜想)。 今天对数学来说是意义非凡的一天。
Budden @davidmbudden
10-08 01:16 · 原帖
向 @ctjlewis 大喊一声,感谢你引诱我去研究这个
pash @pashmerepat
10-08 01:14 · 原帖
转帖:向消费者提供个人代理将比以往任何AI产品类别都具有无限的挑战性。然而,我确实相信我们(作为一个行业)能够提供的价值是巨大的。 最近AI历史的时代(在我看来): 1. 2022 - chatGPT(思想伙伴、新颖、有趣) 2. 2024 - 编码工具(强大、真正的经济价值) 3. 2025/6 - 工作工具(编码工具加表面层) 4. 2026 - 个人代理工具(编码工具加插件、带有计算机和浏览器使用的独立虚拟机) #4 将是迄今为止向客户提供的最具挑战性的。#1 chatGPT 被视为一个令人愉快的、无威胁性的聊天机器人。#2/#3 被开发者和捣鼓者同样拥抱,而全新的能力让人无法忽视。企业也支持这一推动。 个人代理确实拥有我们所知的通用人工智能的终极承诺。但要真正实现这一价值(作为一个行业),我们需要应对消费者的冷漠拥抱,他们是: - 对向AI公司授予个人数据访问权限持谨慎态度(这是个人代理成功的前提条件) - 对整个行业感到威胁 - 对展示能力而非价值的展示内容不以为然 这是一个激动人心的挑战,要做好这一点,将需要对我们的最终客户极度共情。
Ramin @ramin_m_h
10-08 01:13 · 原帖
转帖:d1 已开放 d1-3B 仅需一次前向传播即可回答,无需生成 token。在 RTX 4090 上每题耗时 8 毫秒,在 Jetson AGX Thor 上每题耗时 16 毫秒,在 Jetson Orin Nano 上每题耗时 50 毫秒。 在 Decision Index v0.2.1 上的得分为 48.57,与规模是其 12 倍的决策模型性能相当。权重来自今天更新的 Hugging Face,llama.cpp 从一开始就存在。 Jetson 的数据由 @NVIDIARobotics 合作完成。 https://t.co/KMRht9Gidc
Budden @davidmbudden
10-08 01:10 · 原帖
好吧,所以从这里推导出一个 *更酷* 的结果,但我不想让大家干等着,所以…… https://t.co/CY7GGJTdEz 让11格打包再次变得性感。 特色:Erdos 106 反证。 后续更多
Ramin @ramin_m_h
10-08 01:08 · 原帖
给你!我们与 @nvidia 合作推出的首批开源权重多模态决策模型系列 我对我们 6 亿参数的全能模型着迷不已,它真正为该领域带来了处理图像、音频和文本的全新可能性。 为你的系统一应用微调这些厉害家伙吧! 我们后训练和应用 AI 团队的杰作。 引用:今天我们发布了 Open d1:我们 d1 决策模型系列中的两个开源权重多模态模型。 > d1-3B:文本 + 视觉 > d1-omni-600M:文本 + 图像 或 文本 + 音频 > 实时决策,随时随地,从数据中心如 @nvidia DGX 到 RTX 工作站,再到边缘的 Jetson。 1/
Budden @davidmbudden
10-08 01:06 · 原帖
@ctjlewis @ojoshe @kleddamag @wand_125 @guzhou0806 @ManassehA06 如约而至。我额外附上了对埃尔德什106的反证。 https://t.co/CY7GGJTdEz @ctjlewis @ojoshe @kleddamag @wand_125 @guzhou0806 @ManassehA06 等等
Mitchell Hashimoto @mitchellh
10-08 01:04 · 原帖
许多人感到不安的真相是,在任何行业中,许多最成功的人都极其聪明。我们根据最喧嚣的人来套用刻板印象,但这并不代表常态。大多数人聪明得惊人,正是因为这一点,他们才达到了如今的位置。 我在洛杉矶长大,我的一位父母是电视制作人,我的妻子是演员,许多朋友“在行业内”。我一直被这个圈子包围着,其中一些看起来最蠢的人(因为那是他们的表演风格)在私下里其实聪明得发疯,而且极具策略性。有时出于各种原因,隐藏这一面反而更有利…… 我最喜欢的轶事是,我的一个朋友(一名模特)当时正在和一位物理学博士约会,一个非常粗鲁的人随口对模特朋友说了些贬低的评论,却没意识到模特朋友自己也有数学博士学位哈哈。不过从他们的Instagram上看,你是猜不到的! 关于引用的视频,我不认识本·阿弗莱克。我不知道他的知识深度有多深。他几乎肯定不会比那些全职专业从事这个领域工作的人更有知识,但从表面上看,他听起来像是知道远比普通人多得多,甚至可能比普通的软件工程师(在这个话题上)知道得更多。 总之,这也适用于科技行业。我经常看到这种情况。 引用:本·阿弗莱克透露他会写Python代码,懂得卷积神经网络,曾广泛使用GPU,并利用自己的名人身份获得谷歌和OpenAI视频模型的私下参观机会。 “我从小就对计算机有点兴趣。后来,当电影从胶片转向数字时,我对这方面变得更加感兴趣。多年来,视觉特效工作流程一直包括机器学习,所以我能写一些相当糟糕的Python脚本之类的东西。 “卷积神经网络是Transformer模型的前身,后者能同时进行更多计算,你会做一些像查看所谓张量这样的操作。那是视觉图像在数字中的数值翻译,比如批次编号、帧编号,以及每帧中每个像素的红、绿、蓝值。就这么简单。那个数值就叫张量。 “你会用卷积神经网络来识别揭示所谓边缘检测或特征提取的模式,也就是识别模式好到足以知道,这是窗台的位置,这样我们就能更容易地把绿幕图像抠掉并替换成其他东西。 “这对我来说很早就很熟悉了,因为在Artists Equity之前,我有一家小型视觉特效公司。我也经常使用GPU。视觉特效团队说,‘嘿,你应该看看。有两家公司:谷歌和另一家OpenAI,它们在视频领域的Transformer上做了一些非常有趣的东西。’ “我发现我其实可以直接打电话说,‘嘿,我是本·阿弗莱克。我能来看看你们在做什么吗?’有时人们会说好,让我惊讶不已。”
群論たん (※大学の代数学の入門用学術たん・抽象代数学たん) @gunron_tan
10-08 01:02 · 原帖
不,不仅仅是“还不错”。 他被评估为“新晋博士后”的水平。 就在五个月前! https://t.co/4urJPahpjv 引用:在数学领域, 他被描述为“大约是新晋博士后的水平”。 https://t.co/oxe3QzriRm
群論たん (※大学の代数学の入門用学術たん・抽象代数学たん) @gunron_tan
10-08 00:58 · 原帖
直到最近,人工智能还只是个“略懂皮毛的博士后”……! 它在如此短的时间内发展如此迅速,令人惊叹。 引用:我认为任何认真使用人工智能的人都已经意识到这一点,但它在理论领域的研究能力如今甚至超越了这些领域中最杰出的研究人员(而且这种情况正在迅速发生,每周都在增长)。那些未能为人类研究活动本身的重新定义做好准备的研究人员,终将被淘汰。
Diogo Almeida @CompleteSkeptic
10-08 00:51 · 原帖
让智能更便宜 -> 让智能无处不在 引用:一个不生成文本的模型能与前沿大语言模型竞争吗? 我们独立测试了 TypeSafe 的 Jev 与其他 11 个模型。在 400 个声明验证问题上,它达到了 GPT-6 Astra 97.5% 精度的匹配水平,成本仅为其约 1/500。