AI FRONTIER
Signals worth understanding before they become obvious.
LLMON: Bahasa Markup Native LLM, kini di Granite 4.1 3B dan 8B
IBM merilis dua model pratinjau eksperimental, granite-4.1-3b-LLMON-preview dan granite-4.1-8b-LLMON-preview, yang diturunkan dari model dasar Granite 4.1 dan dilatih untuk membaca serta menghasilkan teks bertanda LLMON, yang memisahkan instruksi dari data untuk menangkal injeksi prompt tidak langsung.
- Pada benchmark OPI, model LLMON menghindari 47% lebih banyak serangan dibanding model frontier terbaik yang diuji dan 95% lebih banyak dibanding model open-source terbaik.
- LLMON mendefinisikan enam pembatas yang dipasang di tokenizer sebagai token tunggal yang dicadangkan.
- Pelatihan menggunakan lima tahap GRPO berurutan yang diikuti tahap DPO akhir pada seribu pasangan preferensi on-policy.
- Model ini adalah pratinjau eksperimental, siap untuk eksplorasi dan evaluasi tetapi bukan untuk produksi.
Pengembang agen RAG atau pemanggilan alat dapat beralih ke pratinjau LLMON untuk performa umum yang sebanding dengan Granite 4.1 Instruct dengan ketahanan injeksi prompt yang lebih kuat.
Panduan fine-tuning untuk model generasi 3D TRELLIS.2: adapter LoRA dan kontainer
Hugging Face merilis skrip dan kontainer fine-tuning untuk TRELLIS.2 yang melatih adapter LoRA hanya pada sparse-structure flow DiT dan shape flow DiT, dengan target akurasi geometri sol pada 188 objek alas kaki GSO.
- Eksperimen menggunakan 188 objek alas kaki dari GSO, yang berisi total 1.030 objek.
- Sekitar 9,3 juta parameter adapter dilatih pada kedua DiT target: rank 8 di lapisan attention dan MLP sparse-structure flow DiT, serta rank 16 di lapisan attention shape flow DiT.
- Kontainer prapemrosesan merender 16 tampilan per objek dengan Blender, dan eksekusi penuh untuk 188 objek memakan waktu sekitar 1 jam pada job a100-large (80 GB).
- Kontainer pelatihan menyediakan konfigurasi ss dan shape; contoh menetapkan max_steps=3000 dan i_save=500, dan checkpoint adapter dapat diunggah ke Hub.
Untuk dataset 3D berukuran kecil, membekukan texture flow DiT dan hanya menambahkan LoRA pada DiT terkait bentuk memungkinkan perbaikan cacat geometri dengan komputasi terbatas.
Google Research perkenalkan profil risiko CKM dan coaching personal berbasis wearable
Google Research memperkenalkan kerangka machine learning tahap investigasi yang mengubah sinyal wearable pasif menjadi health age yang dapat diubah, memakai world model terkondisi aksi untuk menyimulasikan lintasan kebiasaan 12 minggu yang dipersonalisasi, dan diperluas ke biomarker darah rutin untuk melacak kesehatan ...
- Dalam studi head-to-head tersamar dengan 49 profil peserta dan 490 penilaian berpasangan, coach gaya hidup memilih rencana berbasis kontrafaktual sebagai rencana keseluruhan terbaik pada 71,4% penilaian (p < 0,001).
- Dokter menilai 99,2% rencana kontrafaktual berada dalam batas intensitas olahraga yang aman dan 97,6% akurat pada klaim fisiologis.
- Model health age CKM multimodal dievaluasi pada 819 peserta WEAR-ME, menggabungkan sinyal wearable dengan rasio kolesterol/HDL, eGFR, dan HOMA-IR.
- Penulis menyatakan evaluasi dilakukan offline menggunakan kohort penelitian retrospektif dan model ini adalah prototipe penelitian, bukan alat diagnostik klinis.
Bagi pembangun AI, ini menunjukkan pola loop tertutup ketika world model menghasilkan lintasan kontrafaktual dan model bahasa mengubahnya menjadi coaching yang dapat ditindaklanjuti, divalidasi lewat tinjauan ahli tersamar dan metrik kesela...
Google Antigravity menambahkan “agen jarak jauh” yang menjalankan agen AI di cloud
Google Antigravity menambahkan fitur “agen jarak jauh” yang menjalankan agen AI di cloud dan terus bekerja di luar jam kerja.
- Fitur ini bernama “agen jarak jauh”, dan agen AI berjalan di cloud.
- Menurut Publickey, agen AI terus bekerja di luar jam kerja.
Bagi para builder, agen yang di-hosting di cloud memperluas eksekusi melampaui satu sesi, sehingga serah terima dan pemantauan harus dirancang untuk eksekusi tanpa pengawasan.
Studi: AI memangkas pencarian kerentanan dari sembilan bulan menjadi 90 jam
Menurut studi yang dilaporkan All About SECURITY, AI mengurangi waktu pencarian kerentanan dari sembilan bulan menjadi 90 jam.
- Laporan menyatakan waktu pencarian kerentanan turun dari sembilan bulan menjadi 90 jam.
- Sumber: All About SECURITY.
Bagi pembangun AI, pengurangan yang dilaporkan ini menunjukkan pencarian kerentanan berbantuan AI dapat memangkas signifikan tenggat penelitian keamanan.