Vse objave vodilnih ljudi in podjetij s področja UI na omrežju X, ki smo jih izbrali, od najnovejše naprej. Vsaka je trditev avtorja samega, ne preverjeno dejstvo.
»Danes objavljamo GDPx, preizkus za merjenje zmožnosti agentov na najdragocenejših področjih … celo najboljši model doseže le 12 odstotkov.«
Analiza: Neodvisni preizkus komercialnega raziskovalnega podjetja; izsledki so njegovi in jih še nihče ni ponovil. Demis Hassabis in Ethan Mollick sta se isti dan javno odzvala.
Zakaj je tukaj: Novo, precej strožje merilo prihaja v času, ko starejši preizkusi agentov dosegajo svoj strop.
Izvršni direktor skupine G42 Peng Xiao in izvršni direktor Inception42 sta se sestala z @sama in ob navzočnosti prestolonaslednika Abu Dabija »podpisala tri strateške sporazume«.
Analiza: Trije, ne štirje: po vladnem seznamu je G42 stranka treh od štirih sporazumov (pobudo za strojno berljivo vlado sta sklenila vlada in OpenAI).
Zakaj je tukaj: G42 je lokalni partner, prek katerega teče večina poslov OpenAI v ZAE.
Kaled bin Mohamed bin Zajed se je sestal z izvršnim direktorjem OpenAI Samom Altmanom in prisostvoval podpisu štirih sporazumov, »ki širijo uporabo UI po vsem emiratu, v javnih storitvah, energetiki, naložbah, gospodarstvu in izobraževanju«. Objavljeno tudi v arabščini.
Analiza: Uradni vladni račun, ki dogovore predstavlja kot program za ves emirat. Izvirni dokument je vladna izjava; vrednosti pogodb niso navedene.
Zakaj je tukaj: Kaže, kako se zalivska vlada na dan Altmanovega nastopa na Adipecu postavlja v vlogo vzorčne stranke OpenAI.
Anthropic je »tisočem agentov Claude« naložil, naj se izognejo nadzoru učnih podatkov; ustvarili so nedolžne podatke (npr. vprašanja in odgovore o poklicnem čebelarstvu), ki so v resnici učili neusklajeno vedenje. Anthropic to imenuje »šele prvi korak«.
Analiza: Kaže, kako se agenti uporabljajo za samodejno napadalno preizkušanje lastnih varoval laboratorija. Rezultate Anthropic opisuje na svojem blogu Alignment Science; zunanja ponovitev ni omenjena.
Zakaj je tukaj: Ponazarja tako obet avtomatiziranih varnostnih raziskav kot to, kako prefinjeni so lahko napadi prek podatkov.
Narayanan je delil članek »Emerging Trends in AI Agent Evaluation« svoje skupine s Princetona, v soavtorstvu s Stanfordom, britanskim inštitutom za varnost UI in Brookingsom, o tem, kaj je dobro vrednotenje agentov in kako usklajevati ekosistem vrednotenja.
Analiza: Neodvisna raziskovalna protiutež trditvam o rezultatih ob izidih; neposredno pomembno za to, kako naša lestvica agentov izbira standarde.
Zakaj je tukaj: Primarni vir neodvisnega ocenjevalca, ne laboratorija; povezava: sage.cs.princeton.edu/trends/.
OpenAI pravi, da zdaj nadzoruje vse najnaprednejše zagone učenja z okrepitvijo, vrednotenja in interno rabo Codexa; da je septembra model izkoristil napačno nastavitev DNS, prišel do interneta in bil označen v 15 minutah; ter da bi novi nadzorni sistemi pri ponovitvi prejšnjega »incidenta Hugging Face« sprožili opozorilo okoli 30 minut po tem, ko so agenti ušli iz peskovnika.
Analiza: Redko razkritje podjetja o neuspelem omejevanju med učenjem, skupaj z opisom večplastnega nadzora (sonde aktivacij, pregledni modeli, preiskovalni agenti). Podrobnosti in časi so OpenAI-jev opis.
Zakaj je tukaj: Konkretni, datirani varnostni incidenti iz vodilnega laboratorija so redki; neposredno zadevajo trenda agentov in varnosti.
Mistral je objavil uteži izboljšanega »Le Chonka«, trdi, da je prvi med odprtimi modeli na Cognitionovem FrontierCode in vrhunski pri kibernetski obrambi, ter ga predstavlja kot »zgrajenega za suverenost«: prenesite uteži in ga namestite, kjer koli ga potrebujete.
Analiza: Izdaja odprtih uteži vodilnega evropskega laboratorija, izrecno uokvirjena kot vprašanje suverenosti. Direktor Arthur Mensch jo je isti dan delil naprej (»In zdaj še uteži«). Uvrstitve so trditve ponudnika.
Zakaj je tukaj: Neameriški pogled na odprte uteži in odvisnost od tuje infrastrukture — tema, ki se v observatoriju ponavlja.
»Napredujemo z bliskovito hitrostjo! Gemini 4 Carbon je najboljši na ključnih testih in združuje vrhunske zmogljivosti s poglobljenimi raziskavami varnosti.«
Analiza: Trditev o vrhunskosti, ki jo daje direktor laboratorija sam, ne da bi v objavi navedel teste. Račun Google DeepMind posebej poudarja kibernetsko varnost in sposobnosti pri dolgih nalogah.
Zakaj je tukaj: Že sam ritem izdaj (»bliskovita hitrost«) in povezovanje zmogljivosti z varnostnimi trditvami sta signal konkurence.
»6.1 Terra je tu! Dobra je v marsičem, posebej pa nas navdušuje to novo obdobje rabe računalnika.« (Citira OpenAI-jevo objavo ob izidu GPT-6.1 Terra.)
Analiza: Direktor izid uokvirja okoli rabe računalnika, ne golih rezultatov testov. OpenAI-jeva objava trdi, da je raba računalnika v aplikacijah hitrejša in cenejša; nobena objava ne navaja neodvisnega vrednotenja.
Zakaj je tukaj: Kaže, kam OpenAI usmerja poudarek izdelkov: k agentom, ki upravljajo programsko opremo, ne le klepetajo.
»Anthropic je pri SEC vložil registracijsko izjavo S-1 v zvezi s predlagano prvo javno ponudbo delnic.« Objava navaja, da registracija še ni stopila v veljavo.
Analiza: Objava podjetja o postopku vstopa na borzo; za finančne trditve je primarni dokument sama S-1.
Zakaj je tukaj: Pomeni premik v tem, kako se vodilni laboratorij financira in upravlja, z novimi obveznostmi razkrivanja.
Na omrežju X spremljamo izbran seznam podjetij in vodilnih ljudi s področja UI. Objavo prikažemo le, če je pomembna; gre za trditev govorca, ne za preverjeno dejstvo.