この実験では、OpenAIとAnthropicのいくつかの大規模言語モデル（LLM）のランダム性をテストしました。モデルにコインを投げさせ、0から10までのランダムな数を予測させることで、研究者たちは、それらの出力が真にランダムではなく、有意なバイアスがあることを発見しました。例えば、コイン投げの実験では、すべてのモデルが「表」を好む傾向があり、GPT-o1は49％という最も極端なバイアスを示しました。奇数/偶数の予測では、ほとんどのモデルが奇数を好み、Claude 3.7 Sonnetは47％という最も強いバイアスを示しました。この結果は、高度なLLMでさえ、トレーニングデータの分布の影響を受けて、予期せぬパターンを示す可能性があることを強調しています。
続きを読む
AI搭載ツールはアウトバウンドマーケティングに革命を起こし、大規模なハイパーパーソナライズされたキャンペーンを実現しています。しかし、このスケーラビリティは、ユーザーの疲労と収益の減少につながる可能性があります。著者は、強力な既存の流通チャネルと確立されたユーザー関係を持つ企業が繁栄すると予測しています。口コミマーケティングとコミュニティ構築は、重要な競争優位性となり、AI駆動の有料獲得への依存は減少します。
続きを読む
Inception Labsは、従来の自己回帰アプローチに挑戦する画期的な拡散型大規模言語モデル（dLLM）を発表しました。トークンを逐次的に予測する自己回帰モデルとは異なり、dLLMはテキストセグメントを同時に生成し、繰り返し改良します。画像やビデオモデルで成功を収めたこの手法は、現在、コード生成において同規模の従来のLLMを凌駕し、速度と効率が5～10倍向上しています。最大の利点は幻覚の減少です。dLLMは重要な部分を生成して検証してから続行するため、チャットボットやインテリジェントエージェントなど、精度が求められるアプリケーションに不可欠です。このアプローチは、複数ステップのエージェントワークフローの改善、ループの回避、計画、推論、自己修正能力の向上を約束します。
続きを読む