Os modelos de fronteira proprietários de hoje são artefatos efêmeros. Essencialmente castelos de areia muito caros. Destinado a ser levado pela maré crescente de replicação de código aberto (primeiro) e disrupção algorítmica (mais tarde).

Parabéns a Eric e à equipe da @genspark_ai por lançar o Genspark AI Developer! É um IDE completo e de configuração zero que é executado em seu navegador, como o Replit. Você descreve o que deseja, obtém feedback visual e itera na saída. Você pode escolher seu modelo (por exemplo, Claude Opus 4.1, GPT-5, etc.). Ideal se você tem pouca experiência em codificação e está procurando uma ferramenta de codificação de vibração fácil de usar.

Prévia do ARC-AGI-3: +3 jogos lançados Abrimos 3 jogos de holdout anteriormente privados da Competição de Agentes de Visualização Agora 6 jogos estão disponíveis para jogar online e via API de agentes Cada jogo foi selecionado para expandir a novidade dos jogos públicos ARC-AGI-3 Você pode vencê-los?

A adoção do LLM entre os trabalhadores dos EUA está se aproximando de 50%. Enquanto isso, o crescimento da produtividade do trabalho é menor do que em 2020. Muitos contra-argumentos podem ser feitos aqui, por exemplo, "eles ainda não sabem como ser produtivos com isso, eles só usam há 1-2 anos", "50% ainda é muito baixo para ver o impacto", "os modelos no próximo ano serão incrivelmente melhores", etc. Mas acho que agora temos evidências suficientes para dizer que o ponto de discussão de 2023 de que "LLMs tornarão os trabalhadores 10x mais produtivos" (algumas pessoas até citaram 100x) provavelmente não é preciso.

Ser pró-tecnologia não significa ser cego para os efeitos negativos da nova tecnologia. É um exercício de otimismo pragmático - maximizando o lado positivo enquanto gerencia o lado negativo.

Fomos capazes de reproduzir as fortes descobertas do artigo HRM sobre ARC-AGI-1. Além disso, realizamos uma série de experimentos de ablação para chegar ao fundo do que está por trás disso. Principais conclusões: 1. A arquitetura do modelo HRM em si (a peça central do artigo) não é um fator importante. 2. O loop de refinamento externo (mal mencionado no artigo) é o principal impulsionador do desempenho. 3. O aprendizado por transferência entre tarefas não é muito útil. O que importa é o treinamento nas tarefas que você vai testar. 4. Você pode usar muito menos aumentos de dados, especialmente no momento da inferência. As descobertas 2 e 3 significam que essa abordagem é um caso de treinamento em tempo de teste de pré-treinamento zero, semelhante ao artigo "ARC-AGI sem pré-treinamento" publicado recentemente por Liao et al.

O Google acaba de lançar um novo LLM minúsculo com excelente desempenho - Gemma3 270M. Agora disponível no KerasHub. Experimente as novas predefinições 'gemma3_270m' e 'gemma3_instruct_270m'!

Perguntas em aberto sobre a economia de carona sem motorista: 1. Qual será a redução de custos (em relação ao Uber/Lyft) da remoção do motorista? 2. Quanto essa redução de custos aumenta a demanda? 3. A mudança de UX afetaria significativamente a demanda? 4. Veríamos um grande aumento na disponibilidade geográfica (não há necessidade de motoristas = pode colocar mais táxis na estrada)? Para 1: o custo de mão de obra de uma viagem Lyft/Uber depois de contabilizar todo o resto é de apenas 20-40% do preço, o que limita a redução a -40% no melhor cenário. No entanto, uma rede de táxi sem motorista teria custos fixos significativamente mais altos (engenheiros de IA, datacenters) e custos unitários adicionais diferentes de zero (limpeza interna frequente, amortização de hardware autônomo), então, realisticamente, estamos olhando para mais de -15-20%. Portanto, é sem dúvida que as viagens autônomas, em escala, serão mais baratas do que os serviços atuais de carona. Mas o tamanho do efeito será muito menor do que a maioria das pessoas espera. Eles ainda serão bastante caros. Para 2: provavelmente não tanto - por causa dos preços dinâmicos, os preços já flutuam mais do que isso, e alguns anos atrás o Uber estava subsidiando fortemente a demanda, então temos alguns dados sobre o que aconteceria com viagens 20% mais baratas. O TAM em áreas já bem servidas pelo Uber/Lyft pode crescer ~20% em termos de milhas, mantendo-se constante em dólares. Para 3: já sabemos (por meio de implantações da Waymo) que as pessoas preferem não ter um motorista no carro, e os clientes insensíveis ao preço estão dispostos a pagar mais por essa experiência. No entanto, nem tudo é positivo: houve preocupações com a limpeza do carro (facilmente endereçável, mas isso aumenta os custos unitários). No geral, não acho que a mudança de UX aumentará muito o TAM, pois para a maioria das pessoas o preço e a disponibilidade serão os fatores críticos. Para 4: este é mais um curinga. A maioria dos custos de uma rede autônoma são custos fixos; Os custos unitários incrementais são principalmente amortização do custo do carro (um erro de arredondamento) e limpeza. Isso significa que uma rede autônoma tem potencial para ter uma cobertura muito maior do que a atual rede Uber/Lyft. Mas certamente não será o caso de essas redes se estenderem * em qualquer lugar *, pelo menos não com um curto tempo de espera. Acho que veremos algum aumento de TAM com esse efeito, talvez +20-30%. No geral: devemos esperar um aumento incremental do TAM em termos de dólares, mas no geral o mercado será mais parecido com o Uber ++ do que com um novo paradigma de transporte. A maioria das pessoas nos EUA, especialmente fora de áreas densas, ainda dirige seu próprio carro.

Algo divertido que descobrimos: você pode usar #Genie3 para entrar e explorar suas pinturas favoritas. Aqui está uma breve visita a "Nighthawks" de Edward Hopper.

O Grok 4 ainda é o estado da arte no ARC-AGI-2 entre os modelos de fronteira. 15,9% para Grok 4 vs 9,9% para GPT-5.