Ditulis oleh Joena Relay

Diterbitkan: 09:19 EDT, 3 Juli 2025 | Memperbarui: 09:19 EDT, 3 Juli 2025

Seorang penumpang Ryanaya yang membeli setiap kartu awal selama penerbangan adalah noda dari hasil yang tidak terduga.

Vikram Singh Bern, seorang pencipta konten Inggris dan grup YouTube populer The Sideman, berbagi rekaman online di temannya, Mid-Aer Gamble yang luar biasa, Ethan Payn, pada bulan Juni.

A Video Diunggah di halaman Vic, @victok, Ethan dominan membeli seluruh stok – total 68 paket – kartu goresan tersedia di penerbangan.

Penumpang peer ingin tidak percaya ketika Ethan membayar setumpuk besar kartu seimbang di meja baki, sementara pramugari berdiri di atas mesin kartu, jelas bingung dengan pembelian yang aneh.

Vick berkata pada awal upaya mereka: ‘Kami di sini di Ryanan dan orang ini membeli setiap kartu awal pada penerbangan Ethan. Saya membuka sekitar 100 kartu awal, saya membuka yang satu ini sekaligus ‘

Ketika hiruk -pikuk yang menggaruk terungkap, bahkan penumpang lain mulai terkena bantuan – namun tidak ada kartu yang menang yang ditemukan.

Segera tersebar ke pasangan bahwa tidak ada penghargaan yang tiba, seorang penumpang di latar belakang mendengar teriakan: ‘Tidak ada yang menang.’

Vick menambahkan: ‘Tiga dari tiga pertandingan Anda – saya tidak bisa melakukan dua pertandingan. Kami kalah lagi. ‘Mereka tidak percaya mereka belum memenangkan apa pun.

Vikram Singh Bern (Diilustrasikan) Rekaman berbagi pada perjudian mid-bayu yang luar biasa online dari temannya Ethan Paine pada penerbangan Ryanaya pada bulan Juni

Di akhir klip, keterangan overlay menyoroti jumlah pengalaman mereka: ‘Kami memenangkan total € 0.’

Rekaman itu telah menjadi viral sejak saat itu, ratusan pemirsa terkejut telah melompat ke komentar untuk berbagi pemikiran mereka.

Banyak komentator berpendapat tentang validitas kartu awal dalam penerbangan, beberapa berpikir tentang apakah beberapa benar-benar menang.

Satu orang menulis, “Sedikit menarik, Ryanayar perlu diselidiki, itu benar -benar skandal,” lelucon lain, ‘tim media sosial Ryanayan tampaknya diam sekali.’

Yang ketiga menulis, “5% mereka tidak akan mengizinkan mereka untuk membeli massa lagi,” kata yang lain, “Saya pikir berapa banyak orang yang pernah memenangkan uang untuk mereka.”

Penonton lain mengamati: ‘Jika mereka diam -diam tertinggal di saku, mengapa ada yang mengatakan?’

Tetapi seorang pramugari Ryanayar memperingatkan: ‘Saya memiliki awak kabin untuk Ryanaya dan ada lebih banyak daripada yang tidak Anda ketahui, mereka tidak bisa menjual banyak … ada batasan untuk penumpang. Dalam masalah kru? ‘

Salah satu penumpang Ryanaya mengenang: ‘Saya ingat memenangkan voucher onboard seperti £ 26. Ketika diminta untuk membeli sesuatu yang saya dengar kru kabin mengatakan “seseorang benar -benar menang” – seberapa tipis kesulitan Anda. ‘

Penumpang kolega memandang ketidakpercayaan karena Ethan (diilustrasikan) membayar kartu 68 paket seimbang di atas meja baki, sementara pramugari berdiri di atas mesin kartu, jelas bingung dengan pembelian aneh

Rekaman telah menjadi viral sejak itu, ratusan pemirsa terkejut melompat ke komentar untuk berbagi pemikiran mereka

MailOnline telah menghubungi Ryanayar untuk berkomentar.

Itu datang setelah a Dokter menabrak cantus setelah makan malam hanya $ 15.000 untuk melewatkan penerbangan kelas dokter.

Katie Waldman terbang 10 jam ke Tokyo dari Melbourne minggu lalu ketika dia menunggu 30 menit untuk makan – sebelum pramugari akhirnya mengakui bahwa mereka telah ‘kehabisan’ sebelum mereka mengaku.

“Saya dengan Amelia selama empat tahun dan saya membayar untuk pengembalian penerbangan kami menjadi $ 15.000 atau di sekitarnya dan saya hanya berharap layanan menjadi sedikit lebih baik,” katanya abadi.

Oleh Alex Ruskin

Diterbitkan: 19:07 EDT, 3 Juli 2025 | memperbarui: 19:34 EDT, 3 Juli 2025

Boston Red Sox terakhir mengunjungi Gedung Putih Donald Trump ketika klub adalah juara World Series di tempat pada Mei 2019.

Pada hari Kamis, rekor hanya 43-45 memasuki seri akhir pekan dengan Washington Nationals, dengan sekelompok pemain Red Sox yang disambut oleh Presiden Trump di kantor oval mereka.

“Mengapa Anda memiliki tim 43-45 di Gedung Putih?” Fans bertanya sebagai tanggapan terhadap video Gedung Putih. Pemain menunjukkan dia berjabat tangan dengan Trump di mejanya yang menentukan.

Kebingungan itu bisa dimengerti. Biasanya, kunjungan Gedung Putih seperti itu dipesan untuk juara, dan kehadiran mereka di 1600 Pennsylvania Avenue agak imajinatif, kecuali jika sub.500 Red Sox sangat percaya diri tentang peluang playoff mereka.

Namun pada akhirnya, Red Sox tidak merayakan judul World Series ke -10 mereka lebih awal. Sebaliknya, “tim mengambil bagian dalam tur Gedung Putih akhir pekan ini sebagai bagian dari perjalanan keluarga ke DC,” kata juru bicara klub kepada Daily Mail.

Tidak jelas apakah orang tua pemain juga sedang dalam tur pada hari Kamis, atau apakah mereka mengatur peluang hadiah pada hari Kamis, karena juru bicara Red Sox tidak menanggapi pertanyaan khusus ini. Ngomong -ngomong, Trump tertawa dari beberapa anggota daftar Red Sox.

Ketika Boston’s Justin Wilson memperkenalkan dirinya, Trump bercanda: “Aku kenal kalian semua.”

Ketika Bailer Boston Justin Wilson memperkenalkan dirinya, Trump – seorang penggemar Yankees yang memiliki hari kerja yang sibuk – bercanda: “Saya kenal kalian semua.”

Presiden akan mendapatkan tawa lagi dari kerumunan setelah menerima pujian dari penyelamat lain.

“Pekerjaan yang luar biasa,” kata Brennan Bernardino kepada Trump.

“Aku tahu itu,” eksekutif berusia 79 tahun itu mengatakan dia menghasilkan lebih banyak tawa dari para pemain.

Di luar kebingungan seputar kunjungan pemain, ada kemarahan di antara penggemar Boston yang condong ke kiri.

“Kami menemukan cara untuk kalah pada hari libur kami,” kata orang itu.

“Saya tidak tahu mengapa (Manajer Alex) Kora akan membuat mereka ditampilkan kepada orang ini,” para penggemar bertanya -tanya.

Trump disajikan dengan jersey Red Sox Souvenir oleh JD Martinez dari Boston di Gedung Putih pada 9 Mei 2019, di Gedung Putih.

Cora dan kemudian bintang Sox Mookie Betts melewatkan perjalanan mereka ke Gedung Putih Boston pada Mei 2019, merayakan gelar 2018 tim.

Namun Betts siap ketika dia dan juara yang berkuasa, Los Angeles Dodgers mengunjungi Trump di Washington pada bulan April.

“Mookie Betts, Aww, dia baik,” kata Trump Senin sebelum menemukan mantan MVP 5-kaki-9 di antara rekan satu timnya di atas panggung.

Trump melambaikan tangan Betts sebelum bertukar beberapa kata dan kembali ke podium.

“Mookie,” lanjut Trump. “Orang itu bisa bermain, kan? Maksudku, itu luar biasa.”

Laboratorium Intelijen Buatan Jepang Saman Ini telah menyediakan teknologi baru yang menyediakan beberapa model bahasa besar (LLM) untuk bekerja sama dalam satu misi, yang secara efektif menciptakan “tim impian” agen kecerdasan buatan. Metode ini disebut Multi -lm ab -mctsModel memungkinkan eksperimen dan kesalahan dan mengumpulkan kekuatan unik mereka untuk memecahkan masalah yang sangat kompleks untuk setiap model individu.

Untuk institusi, pendekatan ini menyediakan cara untuk mengembangkan sistem kecerdasan buatan yang lebih kuat dan mampu. Alih -alih dikunci dalam satu penyedia atau model, perusahaan dapat secara dinamis menguntungkan aspek terbaik dari model perbatasan yang berbeda, dan menetapkan kecerdasan buatan yang sesuai untuk bagian yang tepat dari tugas untuk mencapai hasil yang unggul.

Kekuatan Kecerdasan Grup

Model perbatasan AI berkembang dengan cepat. Namun, setiap model memiliki kekuatan dan kelemahan yang dibedakan yang berasal dari data pelatihan dan arsitektur yang unik. Seseorang dapat unggul dalam pengkodean, sementara yang lain unggul dalam penulisan kreatif. Peneliti Sakana AI berpendapat bahwa perbedaan -perbedaan ini bukan kesalahan, tetapi fitur.

“Kami melihat prasangka ini dan berbagai persiapan bukan sebagai pembatasan, tetapi sebagai sumber daya yang berharga untuk menciptakan kecerdasan kolektif,” kata para peneliti kepada mereka. Posting Blog. Mereka percaya bahwa seperti pencapaian manusia terbesar berasal dari berbagai tim, sistem kecerdasan buatan dapat mencapai lebih banyak dengan bekerja bersama. “Dengan mengumpulkan kecerdasan mereka, sistem kecerdasan buatan dapat menyelesaikan masalah yang tidak dapat diatasi untuk satu model.”

Berpikir lebih lama pada saat penalaran

Algoritma Sakana AI yang baru adalah teknik “membatasi waktu penalaran” (juga disebut sebagai “waktu tes tes”), bidang penelitian yang telah menjadi sangat umum tahun lalu. Meskipun sebagian besar fokus dalam kecerdasan buatan adalah “membatasi waktu pelatihan” (yang membuat model lebih besar dan melatihnya pada set data yang lebih besar), penskalaan waktu dalam penalaran meningkatkan kinerja dengan menyesuaikan sumber daya yang lebih matematis setelah melatih model.

Salah satu metode umum termasuk penggunaan pembelajaran penguatan untuk menuntut model untuk membuat urutan yang lebih lama dan lebih rinci untuk seri IDEA (COT), seperti yang ditunjukkan dalam model umum seperti OpenAI O3 dan Deepseek-R1. Cara lain dan lebih sederhana adalah dengan mengambil sampel berulang, di mana model diberi tinggi yang sama beberapa kali untuk menciptakan berbagai solusi potensial, mirip dengan sesi brainstorming. Sakana AI menggabungkan dan mengembangkan ide -ide ini.

“Kerangka kerja kami menawarkan versi yang lebih cerdas dan lebih strategis dari jenis ikan terbaik yang sering),” kata Takoya Akiba, seorang ilmuwan riset AI dan rekan penulis makalah ini. “Ini melengkapi teknik berpikir seperti Long Cot melalui RL. Dengan memilih strategi pencarian dinamis dan LLM, pendekatan ini meningkatkan kinerja dalam sejumlah panggilan LLM, yang mencapai hasil yang lebih baik dalam tugas -tugas kompleks.”

Bagaimana cara kerja bercabang untuk beradaptasi

Inti dari gaya baru adalah algoritma yang disebut AB-MCTS. Ini memungkinkan LLM untuk melakukan pengalaman dan kesalahan secara efektif dengan anggaran dengan kecerdasan dua penelitian yang berbeda: “penelitian lebih dalam” dan “pencarian lebih luas”. Penelitian ini mencakup jawaban yang paling dalam dan menjanjikan lagi dan lagi, sambil mencari cara yang lebih luas menghasilkan solusi yang sama sekali baru dari titik nol. AB-MCTS menggabungkan metode ini, memungkinkan sistem untuk meningkatkan ide yang baik tetapi juga di poros dan mengalami sesuatu yang baru jika telah mencapai jalan buntu atau menemukan arah lain yang menjanjikan.

Untuk mencapai ini, sistem digunakan Pencarian Pohon Monte Carlo (MCTS), algoritma pembuatan keputusan yang digunakan oleh Alphage Alphago. Dalam setiap langkah, AB-MCTS menggunakan kemungkinan untuk menentukan apakah strategis untuk meningkatkan solusi saat ini atau membuat solusi baru.

Para peneliti mengambil langkah maju ini dengan multi -lm AB -MCTS, yang tidak hanya memutuskan “apa” yang harus dilakukan (memoles untuk generasi) tetapi juga “yang” harus melakukannya. Di awal misi, sistem tidak tahu model yang cocok untuk masalah tersebut. Ini dimulai dengan campuran LLMS seimbang yang tersedia, dan dengan kemajuannya, model belajar lebih efektif, dan mengalokasikan lebih banyak beban kerja untuk mereka dari waktu ke waktu.

“Tim Impian” AI yang diuji

Para peneliti menguji sistem multi-pencuri AB-MCTS Pengukuran ARC-AGI-2. ARC (abstraksi dan pemikiran) dirancang untuk menguji kemampuan seperti manusia untuk menyelesaikan masalah pemikiran visual baru, membuatnya sulit bagi kecerdasan buatan.

Tim menggunakan satu set model perbatasan, termasuk O4-Mini, Gemini 2.5 Pro dan Deepseek-R1.

Set model berhasil menemukan solusi yang benar untuk lebih dari 30 % masalah tes 120, yang merupakan hasil yang sangat mengungguli model mana pun yang beroperasi sendiri. Sistem menunjukkan kemampuan untuk mengatur bentuk terbaik dari masalah spesifik dengan cara yang dinamis. Dalam tugas di mana ada jalur yang jelas ke solusi, algoritma LLM paling efektif ditentukan dan sering digunakan.

Hal yang paling mengesankan, tim mencatat kasus -kasus di mana formulir memecahkan masalah yang sebelumnya tidak mungkin bagi mereka. Dalam satu kasus, solusi yang dibuat oleh model O4-Mini salah. Namun, sistem telah melewati upaya yang rusak ini ke Deepseeek-R1 dan Gemini-12.5 Pro, yang berhasil menganalisis kesalahan, memperbaikinya, dan menghasilkan jawaban yang benar pada akhirnya.

“Ini menunjukkan bahwa multi -LM AB-MCT dapat menggabungkan cara yang fleksibel antara model perbatasan untuk menyelesaikan masalah yang dapat diselesaikan, mendorong batas apa yang dapat dicapai dengan menggunakan LLM sebagai kecerdasan kolektif,” tulis para peneliti.

Akiba mengatakan: “Selain positif individu dan negatif dari masing -masing model, kecenderungan halusinasi dapat sangat berbeda di antara mereka,” kata Akiba. “Dengan menciptakan grup dengan model yang lebih kecil kemungkinan untuk halusinasi, dimungkinkan untuk mencapai yang terbaik di kedua dunia: kemampuan logis yang kuat dan dasar yang kuat. Karena halusinasi adalah masalah utama dalam konteks pekerjaan, pendekatan ini mungkin berharga untuk mengurangi itu.”

Dari mencari ke aplikasi yang realistis

Untuk membantu pengembang dan perusahaan menerapkan teknologi ini, Sakana AI merilis algoritma dasar sebagai bingkai sumber terbuka yang disebut TreequestTersedia di bawah lisensi Apache 2.0 (dapat digunakan untuk tujuan komersial). Treequest menyediakan antarmuka pemrograman aplikasi yang fleksibel, memungkinkan pengguna untuk melakukan beberapa AB-MCT untuk tugas mereka sendiri dengan pendaftaran dan logika yang dialokasikan.

“Sementara kami berada di tahap awal aplikasi AB-MCTS pada masalah spesifik yang diarahkan pada bisnis, kami mengungkapkan pencarian kami untuk potensi besar di banyak bidang,” kata Akiba.

Selain standar ARC-AGI-2, tim berhasil menerapkan AB-MCTS pada tugas-tugas seperti pengkodean algoritma yang kompleks dan meningkatkan keakuratan model pembelajaran otomatis.

“AB-MCTS bisa sangat efektif untuk masalah yang membutuhkan pengalaman dan kesalahan berulang, seperti meningkatkan ukuran kinerja untuk program saat ini,” kata Akiba. “Misalnya, ini dapat digunakan untuk menemukan cara untuk meningkatkan waktu respons layanan web secara otomatis.”

Rilis proses open source dapat membuka jalan bagi kategori baru aplikasi AI untuk lembaga yang paling kuat dan andal.

Visi harian tentang kasus penggunaan bisnis dengan VB setiap hari

Jika Anda ingin membujuk bos Anda di tempat kerja, Anda telah membahas VB setiap hari. Kami memberi Anda sendok dari dalam tentang apa yang dilakukan perusahaan dengan kecerdasan buatan kebidanan, dari transformasi organisasi hingga operasi penerbitan praktis, sehingga Anda dapat berbagi visi dari pengembalian investasi maksimum.

Baca Kebijakan Privasi Kami

Terima kasih telah berlangganan. Periksa lebih banyak buletin VB di sini.

Terjadi kesalahan.