AI FRONTIER
Signals worth understanding before they become obvious.
LLMON: uma linguagem de marcação nativa de LLM, agora no Granite 4.1 3B e 8B
A IBM lançou dois modelos de prévia experimentais, granite-4.1-3b-LLMON-preview e granite-4.1-8b-LLMON-preview, derivados dos modelos base Granite 4.1 e treinados para ler e gerar texto marcado com LLMON, que separa instruções de dados para combater a injeção indireta de prompt.
- No benchmark OPI, os modelos LLMON evitaram 47% mais ataques do que o melhor modelo de fronteira testado e 95% mais do que o melhor modelo de código aberto.
- O LLMON define seis delimitadores instalados no tokenizador como tokens únicos reservados.
- O treinamento usou cinco estágios GRPO sequenciais seguidos de um estágio DPO final sobre mil pares de preferência on-policy.
- Os modelos são uma prévia experimental, pronta para exploração e avaliação, mas não para produção.
Desenvolvedores de agentes RAG ou de chamada de ferramentas podem adotar as prévias LLMON para desempenho geral comparável ao Granite 4.1 Instruct com maior resistência à injeção de prompt.
Guia de fine-tuning para modelos de geração 3D TRELLIS.2: adaptadores LoRA e contêineres
A Hugging Face publica scripts e contêineres de fine-tuning para o TRELLIS.2 que treinam adaptadores LoRA apenas no sparse-structure flow DiT e no shape flow DiT, visando a precisão da geometria das solas em 188 objetos de calçados do GSO.
- O experimento usa 188 objetos de calçados do GSO, que contém 1.030 objetos no total.
- Aproximadamente 9,3 milhões de parâmetros de adaptador são treinados nos dois DiTs alvo: rank 8 nas camadas de atenção e MLP do sparse-structure flow DiT, e rank 16 nas camadas de atenção do shape flow DiT.
- O contêiner de pré-processamento renderiza 16 vistas por objeto com Blender, e a execução completa para 188 objetos levou aproximadamente 1 hora em um job a100-large (80 GB).
- O contêiner de treinamento oferece as configurações ss e shape; os exemplos definem max_steps=3000 e i_save=500, e os checkpoints dos adaptadores podem ser enviados ao Hub.
Para conjuntos de dados 3D pequenos, congelar o texture flow DiT e adicionar LoRA apenas aos DiTs relacionados à forma permite corrigir defeitos geométricos com computação limitada.
Google Research apresenta perfil de risco CKM e coaching personalizado com wearables
O Google Research apresenta um framework de aprendizado de máquina em fase investigacional que traduz sinais passivos de wearables em uma idade de saúde modificável, usa um modelo de mundo condicionado por ações para simular trajetórias de hábitos personalizadas de 12 semanas e se expande para biomarcadores sanguíneos ...
- Em um estudo cego head-to-head com 49 perfis de participantes e 490 avaliações pareadas, coaches de estilo de vida escolheram o plano baseado em contrafactuais como melhor plano geral em 71,4% das avaliações (p < 0,001).
- Médicos avaliaram 99,2% dos planos contrafactuais dentro de limites seguros de intensidade de exercício e 97,6% como precisos em afirmações fisiológicas.
- O modelo multimodal de idade de saúde CKM foi avaliado em 819 participantes do WEAR-ME, combinando sinais de wearables com relação colesterol/HDL, eGFR e HOMA-IR.
- Os autores afirmam que as avaliações foram conduzidas offline com coortes de pesquisa retrospectivas e que os modelos são protótipos de pesquisa, não ferramentas de diagnóstico clínico.
Para desenvolvedores de IA, isso mostra um padrão em ciclo fechado no qual um modelo de mundo gera trajetórias contrafactuais e um modelo de linguagem as converte em coaching acionável, validado por revisão especializada cega e métricas de ...
Google Antigravity adiciona “agentes remotos” que executam agentes de IA na nuvem
O Google Antigravity adiciona um recurso de “agentes remotos” em que agentes de IA são executados na nuvem e continuam trabalhando fora do horário de trabalho.
- O recurso se chama “agentes remotos”, e os agentes de IA são executados na nuvem.
- Segundo a Publickey, os agentes de IA continuam trabalhando fora do horário de trabalho.
Para os builders, agentes hospedados na nuvem estendem a execução além de uma única sessão, então a passagem de tarefas e o monitoramento precisam ser projetados para execuções sem supervisão.
Estudo: IA reduz a busca de vulnerabilidades de nove meses para 90 horas
Segundo um estudo reportado pela All About SECURITY, a IA reduziu o tempo de busca de vulnerabilidades de nove meses para 90 horas.
- O relatório afirma que o tempo de busca de vulnerabilidades caiu de nove meses para 90 horas.
- Fonte: All About SECURITY.
Para os construtores de IA, essa redução reportada indica que a busca de vulnerabilidades assistida por IA pode comprimir substancialmente os prazos de pesquisa em segurança.