AI FRONTIER
Signals worth understanding before they become obvious.
LLMON: un linguaggio di markup nativo per LLM, ora in Granite 4.1 3B e 8B
IBM ha rilasciato due modelli di anteprima sperimentali, granite-4.1-3b-LLMON-preview e granite-4.1-8b-LLMON-preview, derivati dai modelli base Granite 4.1 e addestrati a leggere e generare testo marcato LLMON, che separa le istruzioni dai dati per contrastare l'iniezione indiretta di prompt.
- Sul benchmark OPI, i modelli LLMON hanno evitato il 47% in più di attacchi rispetto al miglior modello di frontiera testato e il 95% in più rispetto al miglior modello open source.
- LLMON definisce sei delimitatori installati nel tokenizer come token singoli riservati.
- L'addestramento ha usato cinque fasi GRPO sequenziali seguite da una fase DPO finale su mille coppie di preferenze on-policy.
- I modelli sono un'anteprima sperimentale, pronta per l'esplorazione e la valutazione ma non per la produzione.
Gli sviluppatori di agenti RAG o di chiamata di strumenti possono adottare le anteprime LLMON per prestazioni generali comparabili a Granite 4.1 Instruct con una maggiore resistenza all'iniezione di prompt.
Guida al fine-tuning dei modelli di generazione 3D TRELLIS.2: adattatori LoRA e container
Hugging Face pubblica script e container di fine-tuning per TRELLIS.2 che addestrano adattatori LoRA solo sullo sparse-structure flow DiT e sullo shape flow DiT, per migliorare la geometria delle suole su 188 oggetti calzature di GSO.
- L'esperimento usa 188 oggetti calzature di GSO, che contiene 1.030 oggetti in totale.
- Vengono addestrati circa 9,3 milioni di parametri adattatore sui due DiT target: rank 8 nei layer di attenzione e MLP dello sparse-structure flow DiT, e rank 16 nei layer di attenzione dello shape flow DiT.
- Il container di preprocessamento renderizza 16 viste per oggetto con Blender, e l'esecuzione completa per 188 oggetti ha richiesto circa 1 ora su un job a100-large (80 GB).
- Il container di training offre le configurazioni ss e shape; gli esempi impostano max_steps=3000 e i_save=500, e i checkpoint degli adattatori possono essere caricati sull'Hub.
Per piccoli dataset 3D, congelare il texture flow DiT e aggiungere LoRA solo ai DiT legati alla forma consente di correggere difetti geometrici con calcolo limitato.
Google Research presenta profilazione del rischio CKM e coaching personalizzato tramite wearable
Google Research presenta un framework di machine learning in fase di ricerca che traduce segnali passivi dei wearable in un’età di salute modificabile, usa un world model condizionato dalle azioni per simulare traiettorie di abitudini personalizzate di 12 settimane e si estende a biomarcatori ematici di routine per mon...
- I medici hanno giudicato il 99,2% dei piani controfattuali entro limiti sicuri di intensità di esercizio e il 97,6% accurato sulle affermazioni fisiologiche.
- Il modello multimodale di età di salute CKM è stato valutato su 819 partecipanti WEAR-ME, combinando segnali wearable con rapporto colesterolo/HDL, eGFR e HOMA-IR.
- Gli autori precisano che le valutazioni sono state condotte offline su coorti di ricerca retrospettive e che i modelli sono prototipi di ricerca, non strumenti diagnostici clinici.
Per chi costruisce IA, questo mostra un ciclo chiuso in cui un world model genera traiettorie controfattuali e un modello linguistico le converte in coaching attuabile, validato da revisione esperta cieca e metriche di sicurezza clinica.
Google Antigravity aggiunge «agenti remoti» che eseguono agenti IA nel cloud
Google Antigravity aggiunge una funzione «agenti remoti» in cui gli agenti IA vengono eseguiti nel cloud e continuano a lavorare fuori dall'orario di lavoro.
- La funzione si chiama «agenti remoti» e gli agenti IA vengono eseguiti nel cloud.
- Secondo Publickey, gli agenti IA continuano a lavorare fuori dall'orario di lavoro.
Per i builder, gli agenti ospitati nel cloud estendono l'esecuzione oltre la singola sessione, quindi il passaggio di consegne e il monitoraggio vanno progettati per esecuzioni senza supervisione.
Studio: l'IA riduce la ricerca di vulnerabilità da nove mesi a 90 ore
Secondo uno studio riportato da All About SECURITY, l'IA ha ridotto il tempo di ricerca delle vulnerabilità da nove mesi a 90 ore.
- Il rapporto indica che il tempo di ricerca delle vulnerabilità è sceso da nove mesi a 90 ore.
- Fonte: All About SECURITY.
Per i costruttori di IA, questa riduzione riportata indica che la ricerca di vulnerabilità assistita dall'IA può comprimere notevolmente i tempi della ricerca sulla sicurezza.