Det här är så vackert. Och samtidigt: det här är bara början <3 En hel generation autodidakter kommer att växa fram med hjälp av AI.

Dessa resultat var ögonöppnande för mig... ChatGPT Agent presterade bättre än jag förväntade mig på några ganska realistiska investment banking-uppgifter

Jag hade tidig tillgång och ChatGPT agent är, tror jag, ett stort steg framåt för att få AI att göra riktigt arbete Även i detta skede gör den ett bra jobb med att självständigt göra forskning och sätta ihop Excel-filer (med formler!), PowerPoint, etc. Det ger en känsla av hur agenter kommer samman

Uppdatering: Jag lever och mår bra Resultaten är officiella nu och mitt försprång över AI ökade från 5,5 % till 9,5 % 😎 Ärligt talat känns hypen lite bisarr. Hade aldrig förväntat mig att så många människor skulle vara intresserade av programmeringstävlingar. Antar att det betyder att jag borde titta in här oftare👀

ChatGPT Agent: vår första AI med tillgång till en textwebbläsare, en visuell webbläsare och en terminal. Lanseras i ChatGPT Pro, Plus och Team idag.

Mänskligheten har segrat (för tillfället!) Jag är helt utmattad. Jag tänkte att jag har sovit 10 timmar de senaste 3 dagarna och jag lever knappt. Jag kommer att lägga upp mer om tävlingen när jag får lite vila. (För att vara tydlig, det är preliminära resultat, men min ledning bör vara tillräckligt stor)

Jag är oerhört entusiastisk över potentialen i tankekedjans trofasthet och tolkningsbarhet. Det har i hög grad påverkat utformningen av våra resonemangsmodeller, med början med o1-preview. I takt med att AI-system ägnar mer tid åt att arbeta med t.ex. långsiktiga forskningsproblem är det viktigt att vi har något sätt att övervaka deras interna process. Den underbara egenskapen hos dolda CoT:er är att även om de till en början är grundade i ett språk som vi kan tolka, är den skalbara optimeringsproceduren inte fientlig mot observatörens förmåga att verifiera modellens avsikt - till skillnad från t.ex. direkt övervakning med en belöningsmodell. Spänningen här är att om CoTs inte var dolda som standard, och vi ser processen som en del av AI:ns resultat, finns det många incitament (och i vissa fall nödvändighet) att sätta övervakning på den. Jag tror att vi kan arbeta mot det bästa av två världar här - träna våra modeller att vara bra på att förklara sitt interna resonemang, men samtidigt behålla förmågan att ibland verifiera det. CoT-trohet är en del av en bredare forskningsinriktning, som är träning i tolkningsbarhet: att sätta upp mål på ett sätt som tränar åtminstone en del av systemet att förbli ärligt och kontrollerbart i stor skala. Vi fortsätter att öka våra investeringar i denna forskning på OpenAI.