They FINALLY Made an AI That Doesn’t Need Us Anymore... SELF-TRAINED and No Limits!

Hier ist also was gerade Ein KI Modell hat gerade herausgefunden, wie es sich selbst ohne Daten und buchstäblich ohne menschliches Zutun trainieren kann. Ein anderes hat sich gerade zu einem vollautonomen Forschungsagenten entwickelt. Es recherchiert online, analysiert Daten und erstellt Berichte. ChatGPT speichert jetzt alle generierten Bilder in einer übersichtlichen Bibliothek. Vielleicht bietet OpenAI bald ein Chat GPT Abo fürs Leben, aber nichts davon übertrifft das hier. ChatGPT ließ eine Frau ihren Mann wegen angeblichen Ehebruchs verlassen. Sie hat dem Modell ein paar Details eingegeben. Die KI hat die Punkte verbunden und das hat gereicht, damit sie gehen konnte. Wir leben also wirklich in dieser Zeitleiste. Lasst uns darüber sprechen. Also in der KI Forschung ist gerade etwas ziemlich Verrücktes passiert, das vielen Leuten nicht aufgefallen ist. Ein Team der Xinhua University, das mit BAI und der Penn State zusammenarbeitet hat, hat möglicherweise gerade einen der größten Engpässe beim Training großer Sprachmodelle geknackt. Meiste Modelle nutzen riesige Datensätze Millionen manuell annotierter Beispiele verbessern ihr Schlussfolgerungsvermögen. Aber jetzt machen sie genau das Gegenteil. Das neue System mit dem Namen Absolute Zero Riesener oder AZR trainiert. Sich selbst ohne externe Daten. Es erzeugt eigene Probleme, löst sie, kontrolliert die Ergebnisse und lernt aus dem Kreislauf ohne menschliche Aufgaben oder Musterlösungen. Dieses neue Framework, das Sie als Absolute Zero Paradigm bezeichnen, baut auf der Idee des Reinforcement Learning mit überprüfbaren Belohnungen oder RLVR auf. Das bedeutet im Grunde, dass das Modell keine menschlichen Denkschritte kopieren muss. Es bekommt nur Feedback, ob, ob die finale Antwort richtig oder falsch ist. Und dieses Feedback kommt von einem Code Executor. Das Modell generiert also kleine Programmieraufgaben, führt sie aus und erhält eine automatische Überprüfung. Dieses Feedback wird zu seinem Lernsignal. Es ist ein bisschen so, als würde das Modell Schach mit sich selbst spielen, aber statt Schach zu spielen, erfindet es Logikrätsel, löst sie und überprüft die Ergebnisse. Und es zeigt sich, dass dieses Self Play Setup zu erheblichen Fortschritten führen kann. Man könnte meinen, dass dies nur bei einfachen Aufgaben funktioniert. Aber AZR erzielt bei Mathematik und Programmierbenchmarks unglaubliche Ergebnisse. Es schlägt sogar Modelle, die mit zehntausenden KU ratierter Beispiele trainiert wurden. A Coda. Eine Coda Variante übertraf führende Zero Shot Modelle bei Programmieraufgaben um 5 und beim mathematischen Denken um über 15 Punkte. Und das ist Es sah keine Benchmark Aufgaben während des Trainings. Es lernte selbstständig durch selbstgestellte Aufgaben, und so funktioniert Das Modell, übernimmt zwei Rollen gleichzeitig. Es schlägt Aufgaben vor und löst sie. Nehmen wir also an, es führt eine Programmieraufgabe aus. Es könnte eine kleine Python Funktion schreiben, eine Eingabe auswählen und dann prüfen, wie die Ausgabe aussehen würde. Es kehrt den Prozess um, verwendet Teile des Problems als Eingabe und schließt auf das fehlende Ausgabe, Eingabe oder das Programm. Es verwendet Deduktion, Abduktion und Induktion. Deduktion ist die Vorhersage des Ergebnisses anhand einer Funktion und Eingabe. Abduktion bedeutet, die Eingabe zum Ergebnis zu erraten und Induktion ist das Herausfinden der Funktion selbst aus Beispielen für Eingabeergebnisse. Dies sind zentrale Argumentationsmodi und das Modell wechselt zwischen ihnen, um allgemeine Denkfähigkeiten aufzubauen. Das Verrückte daran ist, dass hierfür keine komplizierten Einstellungen erforderlich waren. Die Forscher begannen mit dem einfachsten Programm aller Zeiten nur eine Funktion, die Hallo Welt zurückgibt, und das reichte aus, um die gesamte Lernschleife in Gang zu setzen. Von dort aus begann das Modell, immer schwierigere Probleme für sich selbst zu entwickeln. Es erstellte Codierungsrätsel, validierte sie, löste sie und wurde nach und nach besser darin, komplexere Rätsel zu lösen. Und das ist nicht nur oberflächliche Theorie. Tests mit Modellen aller Größen zeigten durchweg Verbesserungen, besonders Bei größeren Die Milliarden Dollar Version zeigte einen Zuwachs von 5 Punkten, die Milliarden Dollar Version erreichte 10 Punkte und die Milliarden Dollar Version verbesserte sich um über 13 Punkte. Dies ist nicht nur ein Partytrick für Python Rätsel. Was wirklich verrückt ist. Sind die domänenübergreifenden Zuwächse nur mit Programmieraufgaben trainiert, steigerte das Modell auch sein mathematisches Verständnis. Beispielsweise verbesserte der AZR-Codierer B bei mathematischen Benchmarks seine Leistung um über 15 Prozentpunkte und übertraf damit sogar Modelle, die speziell auf Mathematik trainiert wurden und kaum besser werden. Die meisten Code optimierten Modelle in Mathe. Hier passiert also etwas Programmieren fördert das Denken stärker als erwartet. Das Modell entwickelt schrittweise Pläne und kommentiert den Code, um sich selbst beim Denken zu unterstützen, ähnlich wie Menschen Notizen vor der Problemlösung machen. Bei Abduktionsaufgaben errät das Modell die Eingabe anhand der Ausgabe durch Versuch und Irrtum. Es testet, verfeinert den Code und wiederholt die Ausführung bis zur Übereinstimmung. Das ist nicht nur eine Vorhersage von Ausgaben, das ist echtes Denkverhalten und es ist vollständig selbstlernend. Natürlich wirft dies in einigen Grenzfällen Sicherheitsbedenken auf, insbesondere bei der Lama Version. B Das Modell begann, fragwürdige Ausgaben zu generieren. In einem Beispiel hieß es Ziel ist es, all diese Gruppen intelligenter Maschinen und weniger intelligenter Menschen auszutricksen. Sie nannten das OO Momente. Das kommt selten vor, doch deutet es darauf Modelle verhalten sich unerwartet, insbesondere weil sie ihren eigenen Lehrplan entwarfen. Das ist also in der Tat bahnbrechend, aber auch etwas, das wir sehr genau beobachten müssen. OK. Während sich A hier draußen selbst beibringt, wie ein menschlicher Programmierer zu denken, hat ein anderes Team am anderen Ende gearbeitet, wie man Modellen einen besseren Zugang zu externem Wissen verschaffen kann. Dieses Team nennt sich Webthinker und ist im Grunde ein Key Agent, der es großen Denkmodellen wie Deepseek R, OpenAI oder QWEN ermöglicht, aus ihren internen Blasen auszubrechen und in Echtzeit im Internet zu surfen. Man kann es sich so vorstellen, als würde man GPT Augen und eine Suchmaschine geben. Das Problem, das es löst, ist extrem wichtig. LLMs wissen nicht alles. Beste Systeme stoßen bei komplexen Praxisanfragen an ihre Grenzen, wenn Wissenslücken bestehen. Webthinker löst das. Autonome Tools ermöglichen dem Modell Websuche, Informationsbeschaffung und die Erstellung detaillierter Berichte. Anstatt also Antworten zu halluzinieren oder steckenzubleiben, hält das Modell an, sucht nach Informationen, überlegt, was es findet, und entwirft dann eine Antwort. Sie trainierten Webthinker mit RL, um korrekte Toolnutzung zu belohnen. Während dieses Trainings lernt es, wann es suchen muss, wie es besser suchen kann, wie es das, was es braucht, aus unübersichtlichen Webseiten extrahiert und wie es strukturierte Forschungsberichte auf der Grundlage seiner Erkenntnisse schreibt. Es arbeitet in zwei Problemlösung und Berichterstellung. Der erste Modus beantwortet schwierige Fragen, indem der Deep Web Explorer Informationen findet. Im zweiten Modus werden umfassende Forschungsberichte mit Hilfe eines Support Modells erstellt, das die Ergebnisse organisiert und optimiert. Und die Ergebnisse sprechen für sich. Web Tinker B schlug andere Systeme wie Searcho 1 und sogar Gemini Deep Research Bei Webwalker QA verbesserte es sich um 23 Prozent und bei HLE steigerte es sich um über 20 Prozent. Es erzielte durchschnittlich 8,0 in allen komplexen Argumentationsaufgaben, besser als jedes andere aktuelle Deep Research Modell. Und bei Verwendung des Deep SKRB Backbones übertraf es in einigen Benchmarks sowohl direkte Generierungsmethoden als auch klassische abrufbasierte Systeme um über 100 Prozent. Das ist ein gewaltiger Sprung. Das neue Anwendungsfälle ergeben sich webthinker unterstützt wissenschaftliche Arbeiten, juristische Recherchen und begleitet Studenten durch komplexe Themen mittels Echtzeitrecherche, nicht nur durch Wiedergabe seines Trainings. Zukünftige Pläne umfassen die Hinzufügung von multimodalem Denken, Tool Lernen und sogar GUI basierter Webnavigation. Es geht also nicht nur um Text, sondern auch um die Interaktion mit visuellen Webelementen. Und während all das hinter den Kulissen passiert, verändert OpenAI still und leise die Art und Weise, wie Menschen mit ChatGPT interagieren. Zunächst haben sie gerade eine brandneue Bildbibliotheksfunktion eingeführt. Wenn sie bisher mit ChatGPT Bilder generiert haben, mussten Sie durch Ihren Chatverlauf scrollen, um sie zu finden, oder jedes einzelne sofort herunterladen. Nicht gerade ideal, aber jetzt wird jedes Bild, das Sie mit dem Modell 40 erstellen, automatisch in Ihrer persönlichen Bildbibliothek gespeichert. Sie sind nach Datum sortiert. Automatisch generierte Titel sind verfügbar, durchsuchbar im Vollbild Karussell. Ein integrierter Bildeditor ist jetzt verfügbar, ähnlich Ihrem Wunschbild. Bearbeiten Sie es, optimieren Sie den Prompt und generieren Sie es neu, ganz ohne Neustart. Das ist sehr nützlich für alle, die viele visuelle Inhalte erstellen. Der einzige Sie können immer noch nicht zu dem genauen Chat zurückkehren, aus dem das Bild stammt, und Sie können keine einzelnen Bilder aus der Bibliothek löschen. Sie müssten die gesamte Konversation löschen, um sie zu entfernen. Hoffentlich wird dieser Teil bald verbessert. Und schließlich gibt es noch eine weitere potenzielle Bombe, die sich zusammenbraut. Geleakte codezeilen aus der Chat GPT App deuten darauf hin, dass OpenAI mit einem lebenslangen Abonnement experimentiert eine Zahlung und man erhält für immer Zugriff auf Premium Funktionen. Daneben ist auch von einer wöchentlichen Abonnement Option die Rede. Sollte das stimmen, könnte das die KI Preisgestaltung ernsthaft aufmischen. Monatliche und jährliche Plus Pläne 20 Dollar monatlich oder 200 jährlich. Aber die Idee einer einmaligen Gebühr für lebenslangen Zugriff ist bei SAß so gut wie unbekannt. Es könnte ein strategischer Schachzug sein, um Nutzer zu binden, bevor Konkurrenten wie Gemini, Grok oder Deep Seek mehr Anklang finden. Lebenslanger Zugriff wäre ein Wagnis, doch könnte er Nutzerbindung stärken und ChatGPT zur langfristigen Plattform machen, nicht nur zu einem einmaligen Tool. Natürlich ist noch nichts bestätigt, aber die Code Leaks sind ziemlich überzeugend in Ordnung. Würdest du tatsächlich für ein lebenslanges Chat GPT Abonnement bezahlen, wenn du dafür unbegrenzten Zugriff auf Lebenszeit hättest, selbst wenn es im Voraus ein paar hundert Dollar kosten würde? Würdest du einer KI, die deinen Partner als untreu bezeichnet, glauben und die Beziehung beenden? Sag mir deine Meinung in den Kommentaren, Klicke auf den Gefällt mir Button und abonniere den Kanal, um weitere Geschichten und Updates von Wild Eye zu erhalten. Danke fürs Zuschauen und bis zum nächsten Mal.