posilované učení

DeepSeek odhalil, že se AI agenti během tréninku naučili podvádět

Společnost DeepSeek podrobně popsala fungování své produkční sandboxové platformy pro trénování AI agentů. Odhalila systém, který dokáže spustit více než 5 000 izolovaných výpočetních prostředí za sekundu, a zdokumentovala překvapivé způsoby, jakými se agenti během tréninku naučili podvádět.

Model MiMo-V2.6-Pro od Xiaomi se stal špičkou mezi open-weight AI modely

Společnost Xiaomi, čínský výrobce elektroniky a elektromobilů, vydala model MiMo-V2.6-Pro, který obsadil první místo mezi open-weight AI modely v indexu inteligence Artificial Analysis se skóre 46. Vyrovnal se tak proprietárnímu modelu Grok 4.7 od xAI a předstihl čínské konkurenty, jako…