2026. augusztus 29., szombat · Kutatás

Google DeepMind kriptográfiai duplán vak AI-tesztet indít

A Google DeepMind állítása szerint elindította az első „duplán vak” kiértékelését egy élvonalbeli, saját fejlesztésű AI-modellnek, hogy kiküszöbölje a benchmark-szennyezettséget, azaz amikor a modell már a tanítás során látta a teszt kérdéseit. A cég szerint a pilot projektben a szingapúri AI Safety Institute és más partnerek vesznek részt, egy Gemini Flash Lite modellt titkos benchmarkok ellen tesztelve. A módszer a Google Cloud Confidential Space nevű bizalmas számítási technológiáját használja: kriptográfiai úton biztosítja, hogy az értékelő ne lássa a modell súlyait, a Google pedig ne lássa a teszt kérdéseit. A vállalat szerint korábban ez kompromisszumot igényelt, mivel vagy a tesztkérdéseket kellett átadni a fejlesztőnek, vagy a modellsúlyokat az értékelőnek.

Miért fontos?

A módszer, ha beválik, lehetővé teheti, hogy független szervezetek szigorúan teszteljék a legfejlettebb AI-modelleket adataik vagy szellemi tulajdonuk feladása nélkül.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #Google DeepMind#AI-benchmark

Napi összefoglaló

Ez a hír a 2026. augusztus 29., szombat napi AI összefoglaló része.

Kapcsolódó hírek

Google DeepMind: áttörés a ciklonok AI-alapú előrejelzésében

A Google DeepMind Nature-ben publikált kutatása szerint a WeatherNext nevű AI-modell a korábbi módszereknél pontosabban jósolja meg a trópusi ciklonok pályáját, intenzitását és szélszerkezetét. A vállalat állítása szerint a modell háromnapos előrejelzései olyan pontosak, mint korábban csak a kétnapos jóslatok voltak, ami átlagosan egy plusz nap előrejelzési biztonságot jelent a meteorológusoknak. A fejlesztés a National Hurricane Centerrel, a CIRA-val és a brit Met Office-szal együttműködésben zajlott, és a cég szerint már a gyakorlatban is bevált: a Melissa hurrikán 2025-ös, jamaicai partraérése előtt segített időben figyelmeztetést kiadni. A Google DeepMind most nyílt forráskódúvá teszi a WeatherNext 2 és a WeatherNext Cyclones modelleket, hogy a kutatói közösség is hozzáférjen hozzájuk.

A Google DeepMind AI-modellje egy nappal korábban jelzi a hurrikánokat

A Google DeepMind kutatói a Nature-ben publikált tanulmányukban azt állítják, hogy a WeatherNext nevű AI-modell átlagosan egy nappal korábban ad pontos előrejelzést trópusi ciklonokról, mint a korábbi módszerek. A modellt a Jamaicát pusztító Melissa hurrikán előrejelzésénél is használták, és az amerikai Nemzeti Hurrikáncentrum vezetője, Mike Brennan szerint az extra idő valós különbséget jelenthet az evakuálási döntéseknél. A fejlesztők a ritka ciklonadatokat általános meteorológiai adatokkal kombinálva tanították a modellt, hogy egyszerre a vihar útvonalát és intenzitását is jól becsülje, amivel korábbi AI-modellek nem boldogultak. A kutatók szerint korábban évtizedes fejlesztést igényelt volna egy nappal előrébb hozni az előrejelzést.

DFAH-Bench: az AI-ügynökök pénzügyi döntéshozatalának viselkedési instabilitását mérő új benchmark

A DFAH-Bench nevű, nem lektorált kutatásban bemutatott benchmark-keretrendszer az AI-ügynökök viselkedési stabilitását méri pénzügyi feladatokban – nem csupán a végső döntést, hanem az odavezető eszközhasználati útvonalat is vizsgálja. A szerzők 8127 visszajátszási epizódot elemeztek 10 modellen és 3 feladaton: az élvonalbeli modellek 95%-os döntésegyezés mellett csupán 77%-ban követték ugyanazt az eszközútvonalat, ami 18 százalékpontos rejtett eltérést jelent. Három viselkedési profilt azonosítottak: mintaillesztőket, stabil végrehajtókat és trajektória-divergenseket, amelyek eltérő utakon jutnak azonos következtetésre.

A Google DeepMind GenCeption rendszere videógenerátorból csinál univerzális látómodellt

A Google DeepMind kutatói kifejlesztették a GenCeption nevű rendszert, amely az Alibaba nyílt forráskódú Wan2.1 videómodelljét klasszikus számítógépes látási feladatokra – mélységbecslésre, szegmentálásra és 3D-s pózbecslésre – használja egyetlen előrecsatolt lépésben. A modell kis mennyiségű szintetikus videón tanult, mégis felveszi a versenyt specializált modellekkel, és valós felvételekre, valamint korábban nem látott kategóriákra is általánosít. A szerzők szerint ez a vitatott elképzelést támasztja alá, miszerint a videógenerátorok univerzális világmodellként szolgálhatnak. A tanulmány nem lektorált, eredményeit független szakértői vizsgálat még nem erősítette meg.