baruAnda sekarang dapat mendengarkan artikel Fox News!

Raksasa yang tertidur itu akhirnya terbangun pada Senin larut malam di Pantai Barat dan Selasa dini hari di Pantai Timur.

Freddie Freeman mencapai posisi terbawah pada inning ke-18 dan melakukan home run solo untuk memberi Los Angeles Dodgers kemenangan Seri Dunia Game 3 atas Toronto Blue Jays, 6-5. Dia menjadi pemain pertama dalam sejarah MLB Postseason yang mencapai beberapa home run di Seri Dunia. Dia melakukannya pada pertandingan pertama tahun lalu melawan New York Yankees.

KLIK DI SINI UNTUK CAKUPAN OLAHRAGA LEBIH LANJUT DI FOXNEWS.COM

Freddie Freeman dari Los Angeles Dodgers merayakan home run melawan Toronto Blue Jays pada inning ke-18 di Game 3 Seri Dunia, Senin, 27 Oktober 2025, di Los Angeles. (Foto AP/Brynn Anderson)

Maraton bisa saja berakhir kapan saja antara inning ke-10 dan ke-18. Dodgers memiliki peluang besar di posisi terbawah ke-13. Freeman datang untuk memukul dengan pangkalan terisi dan memukul bola sejauh yang dia bisa sebelum pemain luar Blue Jays melacaknya.

Toronto membuat beberapa keputusan berisiko di jalur dasar menjelang pertandingan. Upaya yang dilakukan saat itu tidak sia-sia dan menutup permainan, namun permainan bertahan dari Tommy Edman dan Teoscar Hernandez mampu memadamkan harapan kemenangan Blue Jays.

Pertandingan mungkin tidak akan menghasilkan babak tambahan tanpa permainan Shohei Ohtani.

Ohtani mencetak dua home run dalam malam 4-untuk-4 untuk Dodgers. Dia mencapai pangkalan dengan selamat sembilan kali, membuat rekor Seri Dunia. Ohtani dijadwalkan untuk bermain di Game 4 pada Selasa malam — kurang dari 24 jam setelah home run Freeman.

“Saya ingin tidur secepat mungkin agar saya bisa bersiap-siap,” kata Ohtani kepada Tom Verducci dari FOX melalui seorang penerjemah.

Shohei Ohtani dari Los Angeles Dodgers merayakan home run melawan Toronto Blue Jays pada inning ketujuh di Game 3 Seri Dunia, Senin, 27 Oktober 2025, di Los Angeles. (Foto AP/Brynn Anderson)

MOOKIE BETTS DODGERS memenangkan Penghargaan Kemanusiaan Roberto Clemente

Pereda Dodgers Will Klein memainkan peran besar dalam kemenangan Los Angeles. Klein melakukan empat inning bisbol tanpa gol dan melakukan lima inning. Dia melempar 72 lemparan — terbanyak kedua sepanjang malam di belakang rookie Tyler Glasnow.

Hernandez memulai Los Angeles dengan home run solo shortstop Blue Jays Max Scherzer di inning kedua. Ohtani melanjutkannya dengan home run pertamanya malam itu di inning ketiga. Tapi hanya ini dua kelemahan Scherzer.

Pelempar bintang veteran mengunci rekor home run. Dia dipukul untuk tiga perolehan run pada lima pukulan dalam 4,1 inning.

Toronto kembali berada di puncak posisi keempat.

Penangkap Blue Jays, Alejandro Kirk, melakukan home run tiga kali dari Tyler Glasnow untuk memberi Toronto keunggulan. Vladimir Guerrero Jr. dan Bo Bichette mencetak gol di ruang bawah tanah. Kemudian, Andres Jimenez mencetak gol Addison Barger dengan pengorbanan.

Alejandro Kirk dari Toronto Blue Jays merayakannya setelah melakukan home run tiga kali melawan Los Angeles Dodgers pada inning keempat di Game 3 Seri Dunia, Senin, 27 Oktober 2025, di Los Angeles. (Foto AP/David J. Phillip)

Ganda RBI Ohtani dan single RBI Freddie Freeman menyamakan permainan di posisi terbawah kelima. Tapi Bichette memilih Guerrero dalam home run untuk kembali memimpin.

Tentu saja, Ohtani mempunyai peluang untuk memberikan dampak yang lebih besar. Dengan tidak ada seorang pun yang tersingkir di posisi terbawah ketujuh, Ohtani melakukan pukulan keras dari Ceranthony Dominguez untuk menyamakan kedudukan lagi.

Los Angeles Dodgers dan Toronto Blue Jays bertemu di Seri Dunia 2025. (rubah)

Klik di sini untuk mengunduh aplikasi FOX NEWS

Itu adalah maraton 18 inning dari sana, menyamai rekor permainan terpanjang dalam sejarah Seri Dunia.

Game 4 dijadwalkan untuk Selasa malam pukul 8 malam ET di FOX.

Ikuti Fox News Digital Liputan olahraga di X Dan berlangganan Buletin Huddle Olahraga Fox News.

Ryan Gaydos adalah editor senior di Fox News Digital.

Tautan sumber

baruAnda sekarang dapat mendengarkan artikel Fox News!

Pembawa acara Fox News Sean Hannity mengumumkan bahwa ia akan menjadi tuan rumah balai kota dengan calon gubernur New Jersey dari Partai Republik Jack Ciattarelli, yang akan disiarkan di Fox News Kamis.

Pemilihan gubernur New Jersey adalah salah satu pemilu yang paling diawasi ketat, dengan Ciattarelli sekali lagi berupaya mengubah Garden State dari biru menjadi merah setelah nyaris mengalahkan Gubernur Demokrat Phil Murphy pada tahun 2021.

CIATTARELLI mendapatkan momentum dalam pemilihan gubernur New Jersey karena jajak pendapat semakin ketat

Jajak pendapat telah diperketat dalam beberapa pekan terakhir terhadap lawannya, calon gubernur dari Partai Demokrat, Rep. Mickey Sherrill.

Para pemilih keturunan Asia-Amerika akan memainkan peran besar dalam pemilihan gubernur New Jersey, dan pejabat DNC ​​memperingatkan bahwa partai tersebut harus meningkatkan upaya penjangkauan AAPI pada pemilu mendatang. (Victor J. Blue/Getty Images; Mark Kozlarich/Getty Images)

Jajak pendapat Fox News yang dilakukan pada 10-14 Oktober menunjukkan Sherrill mendapat 50% dukungan di kalangan calon pemilih, sementara Ciattarelli mendapat 45%. Keunggulan Sherrill turun 5 poin dari keunggulan 8 poinnya dalam jajak pendapat Fox News bulan September di New Jersey.

MAGA STAR bergabung dengan CIATTARELLI dalam kampanye di New Jersey ketika Partai Republik bertujuan untuk menggulingkan kantor gubernur

Dalam sebuah wawancara dengan Fox News Digital pada tanggal 15 Oktober, Chiattarelli mencatat bahwa ia telah “mendapatkan keuntungan besar” dalam pencalonannya pada tahun 2021 “di Hudson County dan Passaic County,” dua kubu lama Partai Demokrat. Dia juga mencatat bahwa Presiden Donald Trump memiliki pengikut di negara-negara tersebut.

Jack Ciattarelli, calon gubernur New Jersey dari Partai Republik, dalam wawancara dengan Fox News Digital pada 15 Oktober 2025 di Bayonne, New Jersey. (Paul Steinhauser/Berita Fox)

“Presiden melakukannya dengan sangat baik pada tahun 2024 di wilayah yang sama. Dan jika Anda melihat siapa yang mendukung saya, termasuk beberapa tokoh Demokrat terkemuka di sini di Hudson County, masyarakat menginginkan perubahan,” kata Ciattarelli.

Klik di sini untuk informasi lebih lanjut tentang cara berpartisipasi di Balai Kota Hannity bersama Jack Ciattarelli

Sementara itu, Sherrill mencatat persetujuan Ciattarelli terhadap kebijakan Presiden Trump terhadap dirinya.

NJ REPUBLICAN CIATTARELLI MENGANCAM UNTUK MENUNTUT CHERYL ATAS KLAIM OPIOID

Pada tanggal 8 Oktober, dia menuduh saingannya dari Partai Republik “tidak menunjukkan tanda-tanda akan menentang presiden ini.”

“Faktanya, presiden sendiri menggambarkan Jack sebagai 100% MAGA, dan dia telah menunjukkan semua tandanya,” Cheryl menegaskan.

Perlombaan ini diguncang oleh tuduhan-tuduhan yang meledak-ledak dari kedua belah pihak.

Menurut catatan militer Sherrill, Akademi Angkatan Laut AS melarangnya berpartisipasi dalam upacara wisuda tahun 1994 di tengah skandal kecurangan, yang disebut Ciattarelli sebagai diskualifikasi.

Saksikan FOX NEWS Kamis pukul 9 malam ET untuk Balai Kota Hannity bersama Jack Ciattarelli

Veteran tersebut kemudian menargetkan lawannya dari Partai Republik dengan menuduhnya “terlibat” dalam puluhan ribu kematian akibat opioid di New Jersey, berdasarkan kepemilikannya terhadap perusahaan penerbitan medis yang mendorong konten yang mempromosikan penggunaan opioid sebagai pengobatan berisiko rendah untuk nyeri kronis.

KLIK DI SINI UNTUK MENDAPATKAN APLIKASI FOX NEWS

Mengunjungi Hannity.com Untuk informasi tiket balai kota hari Kamis di Point Pleasant, New Jersey, menjelang pemilihan negara bagian pada 4 November.

Stephanie Samsel adalah asisten produksi digital di Fox News Digital. Dia sebelumnya menulis untuk Reformasi Kampus dan Pusat Penelitian Media, di mana dia membahas bias politik dalam pendidikan dan hiburan. Ikuti dia di @XStephSamsel.

Tautan sumber

Kerangka kerja baru yang dikembangkan oleh para peneliti di Google Cloud dan DeepMind bertujuan untuk mengatasi salah satu tantangan utama dalam mengembangkan Agen Penggunaan Komputer (CUA): mengumpulkan contoh pelatihan berkualitas tinggi dalam skala besar.

Bingkai, di-dubbing Perhatikan dan pelajari (W&L), mengatasi masalah pembuatan data pelatihan dengan cara yang tidak memerlukan anotasi manusia dan dapat secara otomatis mengekstrak demo dari video mentah.

Eksperimen mereka menunjukkan bahwa data yang dihasilkan oleh W&L dapat digunakan untuk melatih atau menyempurnakan penggunaan komputer dan model dasar yang ada guna meningkatkan kinerja mereka dalam tugas-tugas penggunaan komputer. Namun yang sama pentingnya, pendekatan yang sama dapat digunakan dalam konstruksi Belajar dalam konteks (ICL) merupakan contoh agen pengguna komputer, yang memungkinkan perusahaan membuat CUA untuk tugas internal yang disesuaikan tanpa memerlukan pelatihan model khusus yang mahal.

Kemacetan data CUA

Web kaya dengan tutorial video dan screencast yang menggambarkan alur kerja kompleks untuk menggunakan aplikasi. Video-video ini adalah tambang emas yang bisa didapat Agen penggunaan komputer Dengan pengetahuan domain dan instruksi untuk menyelesaikan berbagai tugas melalui interaksi antarmuka pengguna.

Namun, sebelum dapat digunakan untuk melatih agen CUA, video ini harus diubah menjadi saluran beranotasi (yaitu, serangkaian deskripsi tugas, tangkapan layar, dan tindakan), yang merupakan proses yang mahal dan memakan waktu jika dilakukan secara manual.

Pendekatan yang ada untuk mengatasi hambatan data ini bergantung pada anotasi video ini melalui penggunaan model bahasa multimodal, yang biasanya menghasilkan akurasi rendah dan contoh yang salah. Pendekatan yang berbeda menggunakan agen otonom yang mengeksplorasi antarmuka pengguna secara mandiri untuk mengumpulkan jalur. Namun, teknik yang menggunakan pendekatan ini biasanya menghasilkan contoh sederhana yang tidak berguna dalam situasi dunia nyata yang tidak dapat diprediksi.

Seperti yang dicatat oleh para peneliti dalam makalah mereka, “Secara umum, pendekatan ini mengandalkan heuristik rapuh, mahal karena mengandalkan eksplorasi di lingkungan nyata, atau menghasilkan demonstrasi dengan kompleksitas rendah yang tidak sesuai dengan niat manusia.”

Perhatikan dan pelajari

Kerangka kerja Watch and Learn berupaya untuk mengatasi tantangan dalam menciptakan demonstrasi CUA dengan memikirkan kembali rumusan masalah.

Alih-alih menghasilkan lintasan secara langsung atau mengandalkan jaringan pipa multi-tahap yang kompleks, para peneliti membingkai masalahnya sebagai “tujuan dinamis terbalik”: dengan dua pengamatan berturut-turut, memprediksi tindakan perantara yang mengarah pada transformasi.

Menurut para peneliti, formulasi ini “lebih mudah dipelajari, menghindari heuristik buatan tangan, dan dapat digeneralisasi dengan kuat di seluruh aplikasi.”

Kerangka kerja W&L dapat dibagi menjadi tiga fase utama: pelatihan model dinamika terbalik (IDM), pengambilan video mentah, dan pelatihan agen CUA.

Pada fase pertama, para peneliti menggunakan agen untuk berinteraksi dengan halaman web langsung untuk membuat 500.000 transisi (dua pengamatan berturut-turut dan tindakan yang mengarah pada transisi). Mereka kemudian menggunakan data ini (bersama dengan 132.000 transisi yang dianotasi manusia dari kumpulan data terbuka yang ada) untuk melatih model dinamis terbalik (IDM) yang melakukan dua pengamatan berturut-turut dan memprediksi tindakan transisi. IDM yang dilatih, sebuah model transformator kecil, mengungguli model dasar yang tersedia dalam memprediksi tindakan transformasi.

Selanjutnya, para peneliti merancang saluran yang mengambil video dari platform seperti YouTube dan menjalankannya melalui IDM untuk membuat trek berkualitas tinggi. IDM mengambil frame video berturut-turut dan mengidentifikasi tindakan (menggulir, mengklik) yang menyebabkan perubahan pada lingkungan, yang kemudian dikompilasi ke dalam jalur beranotasi. Dengan menggunakan metode ini, mereka menghasilkan 53.125 jalur dengan label kerja yang sangat akurat.

Contoh-contoh ini dapat digunakan untuk melatih model penggunaan komputer yang efektif untuk tugas-tugas tertentu. Namun para peneliti juga menemukan bahwa jalur yang diekstraksi melalui IDM dapat berfungsi sebagai contoh pembelajaran kontekstual untuk meningkatkan kinerja CUA pada tugas yang diberikan pada waktu inferensi. Untuk ICL, mereka menggunakan Gemini 2.5 Flash untuk menambahkan anotasi tambahan ke contoh pemantauan/tindakan di jalur, yang kemudian dapat dimasukkan ke dalam prompt agen CUA (biasanya 3-5 contoh) selama inferensi.

“Peran ganda ini (pelatihan dan pembinaan dalam konteks) memungkinkan integrasi yang fleksibel dengan model sumber terbuka dan agen tujuan umum,” tulis para peneliti.

W&L beraksi

Untuk menguji kegunaan W&L, para peneliti melakukan serangkaian percobaan menggunakan model web sumber tertutup dan terbuka Standar OSWorldyang mengevaluasi agen di lingkungan desktop dan sistem operasi nyata dalam berbagai tugas, termasuk produktivitas, pemrograman, dan desain.

Untuk menyempurnakannya, mereka menggunakan koleksi 53.000 lintasan untuk melatih dua model sumber terbuka: UI-TARS-1.5, model bahasa gerak dan visi sumber terbuka yang kuat yang dirancang khusus untuk penggunaan komputer, dan Ratu 2.5-VLLLM Multimodal Tertimbang Terbuka.

Untuk pengujian pembelajaran kontekstual, mereka menerapkan contoh W&L pada model multimedia tujuan umum seperti Gemini 2.5 Flash, OpenAI o3, dan Claude Sonnet 4.

W&L menghasilkan peningkatan dibandingkan OSWorld di semua kategori model, termasuk hingga 3 poin untuk ICL dalam model tujuan umum dan hingga 11 poin untuk model sumber terbuka yang disempurnakan.

Yang penting, manfaat ini dicapai tanpa anotasi manual apa pun, “menunjukkan bahwa alur kerja manusia dalam skala web dapat berfungsi sebagai landasan praktis dan terukur untuk mengembangkan CUA menuju penerapan di dunia nyata,” tulis para peneliti.

Hal ini dapat mempunyai implikasi penting bagi penerapan di dunia nyata, memungkinkan organisasi mengubah koleksi video dan rekaman konferensi yang ada menjadi data pelatihan untuk CUA. Ini juga mempermudah pembuatan jalur pelatihan baru. Yang harus Anda lakukan adalah merekam video melakukan berbagai tugas dan membubuhi keterangan dengan IDM. Ketika model-model terkemuka terus ditingkatkan dan menjadi lebih murah, Anda dapat berharap untuk mendapatkan lebih banyak manfaat dari data yang ada dan bidang ini akan terus berkembang.

Tautan sumber