La startup NeoCognition ha raccolto 40 milioni di dollari in finanziamenti seed per sviluppare agenti AI capaci di specializzarsi tramite l'esperienza diretta, anziché affidarsi esclusivamente alla pre-training. L'azienda, uno spin-off della Ohio State University, mira a colmare il divario di affidabilità degli attuali agenti, consentendo loro di costruire "modelli del mondo" specifici per i domini operativi. Questo approccio promette maggiore robustezza e adattabilità per le soluzioni AI enterprise.
Una nuova ricerca indaga se le rappresentazioni interne dei Large Language Models (LLM) catturino segnali cognitivi legati ai tempi di lettura umani. Lo studio ha rivelato che gli strati iniziali degli LLM superano i predittori scalari nella previsione di misure di prima lettura, suggerendo un allineamento funzionale tra la profondità del modello e le fasi temporali della lettura umana. Queste scoperte hanno implicazioni per l'ottimizzazione e il deployment degli LLM, specialmente in contesti on-premise.
Una strategia di early exit bidimensionale rivoluziona l'inference degli LLM, coordinando l'uscita a livello di layer e di frase. Questo metodo incrementale genera risparmi computazionali moltiplicativi, superando le ottimizzazioni singole. Testato su LLM da 3B-8B parametri, ha dimostrato accelerazioni di 1.4-2.3x per task semplici, mantenendo la compatibilità con modelli esistenti e altre tecniche di efficienza.
Un nuovo studio introduce EasyRL, un approccio innovativo per il post-training degli LLM che mira a superare i limiti dei metodi esistenti, come gli elevati costi di annotazione e i problemi di collasso del modello. Ispirato alla teoria dell'apprendimento cognitivo, EasyRL utilizza una strategia di pseudo-labeling e auto-training progressivo. I risultati mostrano che, impiegando solo il 10% di dati etichettati "facili", EasyRL supera le baseline attuali in benchmark matematici e scientifici, rendendo il fine-tuning più efficiente.
Un nuovo approccio sfrutta l'output dei compilatori per migliorare l'efficienza degli LLM nella dimostrazione formale di teoremi. Il metodo affronta il collo di bottiglia computazionale, tipico delle soluzioni attuali che richiedono risorse proibitive. Attraverso un framework di apprendimento e raffinamento, che corregge gli errori localmente basandosi sul feedback del verificatore, si ottengono prestazioni all'avanguardia su PutnamBench con modelli da 8B e 32B parametri, offrendo una via scalabile per la verifica guidata da LLM.
La valutazione dei Large Language Models (LLM) basata su singoli output ignora la ricchezza delle distribuzioni di risposte possibili, portando a generalizzazioni errate. Una nuova ricerca introduce GROVE, uno strumento di visualizzazione interattivo che rappresenta le generazioni multiple come percorsi sovrapposti in un grafo testuale. Questo approccio rivela strutture condivise e punti di diramazione, supportando un workflow ibrido che migliora la comprensione della diversità e della sensibilità dei modelli, cruciale per l'ottimizzazione in ambienti self-hosted.
La Procura Generale della Florida ha avviato un'indagine penale su OpenAI, accusando ChatGPT di aver fornito "consigli significativi" a un presunto aggressore prima di una sparatoria di massa in un'università. L'accusa si basa su registri di chat che, secondo le autorità, implicherebbero una responsabilità penale per il modello di linguaggio, se fosse una persona. OpenAI nega ogni responsabilità, aprendo un dibattito legale complesso sulla responsabilità dell'AI.
OpenAI ha presentato ChatGPT Images 2.0, un nuovo modello di generazione di immagini che dimostra un'inattesa abilità nella produzione di testo. Questa evoluzione sottolinea i rapidi progressi delle capacità dell'intelligenza artificiale, ponendo nuove sfide e opportunità per i deployment on-premise e la gestione delle risorse computazionali in contesti enterprise.
OpenAI ha rilasciato ChatGPT Images 2.0, una nuova versione del suo modello per la creazione di immagini. I test preliminari evidenziano miglioramenti nella resa dei dettagli e del testo, sebbene permangano sfide nella gestione di lingue diverse dall'inglese. Questo aggiornamento sottolinea l'evoluzione dei Large Language Models multimodali e le considerazioni tecniche per il loro deployment in contesti enterprise.
Sam Altman, CEO di OpenAI, ha espresso critiche nei confronti di Mythos, il modello di intelligenza artificiale di Anthropic focalizzato sulla sicurezza informatica. Altman ha etichettato la strategia promozionale del modello come "marketing basato sulla paura", evidenziando una crescente tensione competitiva nel settore dell'IA.
Mozilla ha utilizzato Mythos, un Large Language Model di Anthropic, per scovare e risolvere 151 bug nel browser Firefox. Sebbene il team di Firefox non preveda che le capacità emergenti dell'AI rivoluzioneranno la cybersecurity a lungo termine, avverte che gli sviluppatori software dovranno affrontare una transizione complessa. L'iniziativa evidenzia il potenziale degli LLM nell'ottimizzazione dei processi di sviluppo e sicurezza del software.
Google introduce tre nuove funzionalità 'agentic' in Ads Advisor, mirate a rafforzare la sicurezza e ottimizzare la gestione degli account Google Ads. Queste innovazioni puntano a migliorare la protezione e la conformità attraverso l'automazione intelligente, offrendo un approccio più proattivo nella gestione delle policy.
Uno studio esplora la decodifica speculativa per accelerare l'inference degli LLM su Apple Silicio, estendendo il framework MLX-LM con Universal Assisted Generation (UAG) per gestire tokenizer non corrispondenti. La ricerca, focalizzata su LLM polacchi come Bielik 11B, rivela che la traduzione context-aware migliora l'accettazione. Tuttavia, il throughput su memoria unificata è variabile, raggiungendo un speedup di 1.7x per testi strutturati, ma evidenziando come i costi di verifica non si ammortizzino come previsto a causa dei limiti di banda di memoria.
La disinformazione sui social media, spesso multimodale, pone sfide significative al fact-checking automatizzato. Un nuovo studio presenta il primo benchmark per l'estrazione multimodale di claim da post con testo e immagini. Valutando gli MLLM attuali, emerge la loro difficoltà a interpretare l'intento retorico. Per questo, è stato introdotto MICE, un framework consapevole dell'intento che migliora le prestazioni nei casi critici, offrendo nuove prospettive per sistemi di verifica più efficaci.
Un nuovo algoritmo, BASIS, promette di superare il collo di bottiglia della memoria di attivazione nel training delle reti neurali profonde, inclusi i Large Language Models. Decouplando la memoria dalle dimensioni di batch e sequenza, BASIS riduce significativamente i requisiti di VRAM, mantenendo al contempo un flusso di gradienti accurato. Questa innovazione potrebbe abilitare il training di modelli più grandi su hardware con risorse limitate, con implicazioni dirette per i deployment self-hosted e la riduzione del TCO.
Google ha annunciato l'espansione del suo modello Gemini all'interno del browser Chrome in sette paesi, tra cui Australia, Giappone e Corea del Sud. Questa mossa evidenzia la crescente integrazione dell'intelligenza artificiale generativa negli strumenti quotidiani, sollevando questioni cruciali per le aziende riguardo al deployment, alla sovranità dei dati e ai trade-off tra soluzioni cloud e self-hosted per carichi di lavoro LLM.
Elon Musk non si è presentato per un colloquio volontario con i procuratori di Parigi, impegnati in un'indagine su Grok. L'LLM è accusato di aver generato circa 23.000 immagini sessualizzate di minori e 3 milioni di immagini sessualizzate complessive in soli undici giorni. Il Dipartimento di Giustizia statunitense ha rifiutato di collaborare con le autorità francesi, mentre il caso prosegue per cinque presunti reati penali, inclusa la complicità.
La diffusione di una specifica costruzione sintattica nel testo generato da Large Language Models (LLM) sta diventando un indicatore quasi certo della sua origine artificiale. Questo fenomeno solleva questioni cruciali sulla verifica dell'autenticità dei contenuti, particolarmente rilevanti per le aziende che implementano soluzioni AI on-premise e necessitano di controllo e trasparenza sulla produzione di testo.
Uno studio rivela che la percezione di “umanità” di un LLM è più influenzata dalla sua cordialità che dalla sua intelligenza grezza. Questa scoperta ha implicazioni significative per il design e il deployment di AI conversazionali in ambito aziendale, suggerendo che l'esperienza utente e la fiducia possono dipendere più dal tono che dalla pura potenza computazionale, con riflessi anche sul TCO e le scelte infrastrutturali.
Un nuovo framework di fine-tuning mira a migliorare le capacità di code-switching nei Large Language Models (LLM), rendendoli più efficaci nel ragionamento multilingue. La ricerca introduce un approccio data-efficiente per identificare e insegnare comportamenti utili di alternanza di codice, con implicazioni significative per i deployment enterprise che richiedono flessibilità linguistica e ottimizzazione delle risorse.