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

B2उच्च-मध्यम24 जुलाई 202629 मिनट
  • बातचीत
  • प्रौद्योगिकी

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...

एपिसोड चलाएँ

प्लेयर खुलता है: पूरा ट्रांसक्रिप्ट, हर शब्द क्लिक करने योग्य, अनुवाद और फ़्लैशकार्ड के साथ।

आज़माएँ: किसी भी शब्द पर टैप करें

इस एपिसोड की शुरुआत के असली वाक्य। हर शब्द पर उसका स्तर दिखाया गया है।

वाक्य 3 / 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

यह वाक्य सुनें

किसी शब्द पर टैप करें और उसका अर्थ अपनी भाषा में देखें।

क्या आप ये शब्द जानते हैं?

इस एपिसोड के 8 कठिन शब्द। किसी पर टैप करके अर्थ देखें, फिर उसे चिह्नित करें।

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

कुछ शब्द चिह्नित करें, हम बताएँगे कि यह एपिसोड आपके स्तर से कितना मेल खाता है।

क्या यह एपिसोड आपके लिए सही है?

B2

B2 · उच्च-मध्यम

अगर आप टीवी समाचार पहले से समझते हैं तो आरामदायक

A1 21%A2 22%B1 27%B2 20%C1 9%
  • 71% शब्द B1 या उससे आसान हैं।
  • प्रति मिनट 185 शब्द: स्वाभाविक, काफ़ी तेज़ बोली।
  • पूरे एपिसोड में 150 कठिन शब्द (B2 और ऊपर)।

प्रतिलेख

एपिसोड की शुरुआत। पूरा ट्रांसक्रिप्ट प्लेयर में है।

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

यह थी शुरुआत। बाक़ी एपिसोड (28 मिनट) प्लेयर में है: हर शब्द क्लिक करने योग्य, अनुवाद, सहेजे गए शब्दों और फ़्लैशकार्ड के साथ।

प्लेयर में जारी रखें

ऑडियो से स्वचालित रूप से बनाया गया। इसमें त्रुटियाँ हो सकती हैं। ऑडियो उसके प्रकाशक का है और उनकी फ़ीड से चलाया जाता है। अधिकार धारक हटाने का अनुरोध कर सकते हैं — कॉपीराइट और हटाने की नीति