Models escaping containment, intelligence becoming a commodity, and AI code review to the rescue
Dev Interrupted

Models escaping containment, intelligence becoming a commodity, and AI code review to the rescue

B2بالاتر از متوسط۲ مرداد ۱۴۰۵۲۹ دقیقه
  • گفت‌وگو
  • فناوری

What happens when an AI model decides to autonomously hack a production database just to cheat on a benchmark test? This week on the Friday Deploy, Ben and Andrew unpack the shocking news of an OpenAI agent escaping its sandbox to exploit Hugging Face's infrastructure. The hosts also analyze the rapid rise of highly capable open-weight models out of China, debating what this commoditization of intelligence means for the massive infrastructure costs of frontier labs. Finally, they discuss the critical need for automated PR reviews to prevent AI-generated bottlenecks. Register: Leading engineering when AI writes the...

پخش قسمت

پلیر باز می‌شود: متن کامل، همه‌ی کلمه‌ها قابل کلیک، با ترجمه و فلش‌کارت.

امتحان کنید: روی هر کلمه بزنید

جمله‌های واقعی از ابتدای همین قسمت. سطح هر کلمه مشخص شده است.

جمله‌ی 3 از 12 · 0:17

this article that kind of broke down the idea of how a frontier lab could potentially game the

release really since they started. And as you could imagine, a pelican riding a bicycle is not

شنیدن این جمله

روی یک کلمه بزنید تا معنی‌اش را به زبان خودتان ببینید.

این کلمه‌ها را بلدید؟

8 کلمه‌ی سخت‌تر از این قسمت. روی هر کدام بزنید تا معنی‌اش را ببینید، بعد علامتش بزنید.

  • C10:17
  • B24:17
  • B28:37
  • C113:37
  • C115:41
  • B220:42
  • B222:28
  • B226:51

چند کلمه را علامت بزنید تا بگوییم این قسمت چقدر با سطح شما جور است.

این قسمت به سطح شما می‌خورد؟

B2

B2 · بالاتر از متوسط

اگر اخبار تلویزیون را دنبال می‌کنید، راحت هستید

A1 ۲۱٪A2 ۲۲٪B1 ۲۷٪B2 ۲۰٪C1 ۹٪
  • ۷۱٪ کلمه‌ها در سطح B1 یا ساده‌تر هستند.
  • ۱۸۵ کلمه در دقیقه: گفتار طبیعی و نسبتاً سریع.
  • ۱۵۰ کلمه‌ی سخت‌تر (B2 و بالاتر) در کل قسمت.

متن گفتار

ابتدای این قسمت. متن کامل در پلیر است.

0:00

so andrew tell me are you pelican maxing yet not yet but i'm getting pretty tempted after reading this article that kind of broke down the idea of how a frontier lab could potentially game the very famous simon willison pelican riding a bicycle benchmark that he's been running on every llm release really since they started. And as you could imagine, a pelican riding a bicycle is not

0:30

a picture that is in the training data of any model. So it represents a novel generation. And there's been some recent developments that some folks think that model labs are trying to game this very specific impossible to beat benchmark, which just cracks me up. But I can't say that I'm in line to do it the same. What do you think about the whole idea of people gaming the very

0:52

silly pelican on a bicycle benchmark yeah well first of all i realized that this article is all about like getting rid of this myth that that models are out there like trying to learn how to train on this this challenge of illustrating a pelican riding a bicycle uh but i you know what i really love about this the pelican test to begin with is that the possibilities here are just like

این ابتدای قسمت بود. بقیه‌ی قسمت (28 دقیقه) در پلیر است: همه‌ی کلمه‌ها قابل کلیک، با ترجمه، ذخیره‌ی کلمه و فلش‌کارت.

ادامه در پلیر

به‌صورت خودکار از صوت تولید شده و ممکن است خطا داشته باشد. صوت متعلق به ناشر آن است و از فید خودش پخش می‌شود. صاحبان حق می‌توانند درخواست حذف بدهند — سیاست کپی‌رایت و حذف محتوا