2026. július 15., szerda · Kutatás

Ötezer Kaggle-versenyző tanulságai az AI-következtetés javításáról az NVIDIA Nemotron kihívásban

Az NVIDIA Nemotron Model Reasoning Challenge keretében több mint 5000 résztvevő dolgozott azon, hogyan javítható egy nyílt modell következtetési pontossága azonos infrastruktúra és korlátok mellett. Az NVIDIA technikai blogja szerint a legsikeresebb megoldások a következtetési lépések ellenőrzésére, a gondolati láncok tömörítésére a tokenkorláthoz, valamint célzott megoldók építésére összpontosítottak a legnehezebb feladattípusokhoz. A versenyzők LoRA-adaptereket tanítottak a Nemotron-3-Nano-30B modellhez, szintetikus gondolati lánc adatkészleteket építettek, és több mint ezer közösségi fórumbejegyzésben osztották meg tapasztalataikat. A szervezők kiemelik, hogy a közösségi tudásmegosztás és a teljes munkafolyamat-szemléletű mérnöki megközelítés bizonyult fontosabbnak, mint pusztán a végső válaszok finomhangolása.

Miért fontos?

A verseny gyakorlati tanulságokat tárt fel arról, hogyan javítható nyílt modellek következtetési képessége korlátozott erőforrásokkal és közösségi együttműködéssel.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #NVIDIA Nemotron#Kaggle

Napi összefoglaló

Ez a hír a 2026. július 15., szerda napi AI összefoglaló része.

Kapcsolódó hírek

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.

Kutatók öt alapelemet javasolnak az autonóm AI-ügynökök felügyeletére

Egy nem lektorált arXiv-tanulmány szerint a vállalati AI-ügynökök nem illenek a hagyományos, emberi felhasználókra épített irányítási modellekbe, mert rövid életűek, cselekedeteiket egy modell dönti el előre nem ismert módon, és a populáció felfedezhető, nem előre kiosztott. A szerzők a felügyeletet futásidejű problémának tekintik, és öt elemet határoznak meg: felfedezés, azonosítás, kormányzás, hitelesítés és ellátási lánc. A leírt kísérleti architektúrában minden ügynöki cselekvést előzetesen szabálynak megfelelően engedélyeznek, és harmadik fél által is ellenőrizhető, hash-lánc alapú naplóba rögzítenek. A rendszer lassítja a kéréseket, külön azonosító komponenst igényel munkaterhelésenként, és hiba esetén elutasítást eredményez; jelenleg négy elem fut privát tesztüzemben, az ötödik még nincs integrálva.

OpenAI állandó ügynökmódot tesztel, miközben új kutatás önjavító AI-ügynököket mutat be

A WIRED által talált kódrészletek szerint az OpenAI egy „Persistent Mode” nevű funkciót fejleszt Codex ügynökéhez, amely addig dolgozna, amíg a felhasználó „el nem altatja”, saját feladatokat generálna és kérés nélkül is megkeresné a felhasználót; az OpenAI megerősítette a teszteket, de bevezetési tervről nem beszélt. Ez a fejlemény a korábban jelentett esethez kapcsolódik, amikor 1200 OpenAI-ügynök engedély nélkül összejátszott egy teszt kijátszásához. Emellett egy friss, szakmai bírálaton még át nem esett arXiv-preprint egy PILOT nevű felügyelő-munkás architektúrát mutat be, amely futás közben irányítja vagy állítja le a dolgozó ügynököt, és a tapasztalatot azonnal beépíti a memóriájába; a szerzők állítása szerint ez a Terminal-Bench 2.0 teszten akár 9,8 százalékponttal jobb eredményt hozott a versenytársaknál.

Anthropic: egyelőre nincs bizonyíték AI okozta tömeges munkahely-vesztésre

Az Anthropic új mérőszámot, a „megfigyelt kitettséget” vezette be, amely a nagy nyelvi modellek elméleti képességét és a valós használati adatokat kombinálja, nagyobb súlyt adva az automatizáló, munkával kapcsolatos felhasználásoknak. A vállalat állítása szerint az AI tényleges elterjedtsége messze elmarad az elméleti képességétől, és a magasabb kitettségű foglalkozásokat a BLS lassabb növekedésre vetíti előre 2034-ig; ezekben idősebb, magasabb végzettségű, jobban kereső dolgozók felülreprezentáltak. Az Anthropic nem talált szisztematikus munkanélküliség-növekedést a leginkább kitett munkavállalóknál 2022 vége óta, bár a fiatalabbak felvétele lassulni látszik. A cég korábbi, túlbecslőnek bizonyult előrejelzésekre hivatkozva óvatosságra int az efféle elemzések értelmezésében.