Después de AÑOS de espera e incertidumbre, las tarjetas verdes para mi familia han sido aprobadas, y nos mudamos a Silicon Valley desde Japón la semana pasada. He estado en la Bahía desde 2012 intermitentemente, pero este es el momento más emocionante para estar aquí. Emocionado de unirme a mis grandes colegas y hacer ASI🔥

🚨 Matemáticas de la Olimpiada + IA: Ejecutamos Gemini 2.5 Pro de Google en los nuevos problemas del IMO 2025. Con un cuidadoso diseño de indicaciones y pipeline, resolvió 5 de 6 — ¡notable para tareas que exigen una profunda comprensión y creatividad! ¡El modelo podría ganar oro! 🥇 #IA #Matemáticas #LLMs #IMO2025

¡IMO 🥇 logrado! ¡Realmente orgulloso de haber contribuido a la parte de post-entrenamiento y pensamiento de este modelo! ¡Acercándonos a la ASI!

Asiáticos: arreglaremos nuestro propio lío

Para luchar contra los asiáticos, necesitas asiáticos.

Por qué los equipos de preentrenamiento y postentrenamiento necesitan llevarse bien

El equipo de Grok está internalizando las operaciones de datos humanos (por ejemplo, reclutando para el rol de tutor de IA para japonés). Es probable que más laboratorios de frontera piensen en poseer y operar la mano de obra de datos.

El equipo de Grok está internalizando las operaciones de datos humanos (por ejemplo, reclutando para el rol de tutor de IA para japonés). Dada la transición de Scale AI, es probable que más laboratorios de frontera piensen en poseer y operar la mano de obra de datos.

¡Si estás en ICML e interesado en RL o en multilingüismo, por favor saluda a @marafinkels! Hemos trabajado estrechamente en los últimos meses para desarrollar un método de RL que solucione un problema crítico de calidad de Gemini. ¡Ella también tiene grandes ideas de investigación! Espero que Gemini y la academia se mantengan en contacto.

Nueva entrada de blog sobre la asimetría de la verificación y la "ley del verificador": La asimetría de la verificación, la idea de que algunas tareas son mucho más fáciles de verificar que de resolver, se está convirtiendo en una idea importante a medida que tenemos RL que finalmente funciona de manera general. Grandes ejemplos de asimetría de la verificación son cosas como los rompecabezas de sudoku, escribir el código para un sitio web como Instagram y los problemas de BrowseComp (se necesitan ~100 sitios web para encontrar la respuesta, pero es fácil verificar una vez que tienes la respuesta). Otras tareas tienen una casi simetría de verificación, como sumar dos números de 900 dígitos o algunos scripts de procesamiento de datos. Sin embargo, otras tareas son mucho más fáciles de proponer soluciones viables que de verificarlas (por ejemplo, verificar un ensayo largo o declarar una nueva dieta como "solo comer bisonte"). Una cosa importante a entender sobre la asimetría de la verificación es que puedes mejorar la asimetría haciendo un trabajo previo. Por ejemplo, si tienes la clave de respuestas a un problema matemático o si tienes casos de prueba para un problema de Leetcode. Esto aumenta enormemente el conjunto de problemas con una asimetría de verificación deseable. La "ley del verificador" establece que la facilidad de entrenar a la IA para resolver una tarea es proporcional a cuán verificable es la tarea. Todas las tareas que son posibles de resolver y fáciles de verificar serán resueltas por la IA. La capacidad de entrenar a la IA para resolver una tarea es proporcional a si la tarea tiene las siguientes propiedades: 1. Verdad objetiva: todos están de acuerdo en cuáles son las buenas soluciones 2. Rápido de verificar: cualquier solución dada puede ser verificada en unos pocos segundos 3. Escalable para verificar: muchas soluciones pueden ser verificadas simultáneamente 4. Bajo ruido: la verificación está tan correlacionada con la calidad de la solución como sea posible 5. Recompensa continua: es fácil clasificar la bondad de muchas soluciones para un solo problema Una manifestación obvia de la ley del verificador es el hecho de que la mayoría de los benchmarks propuestos en IA son fáciles de verificar y hasta ahora han sido resueltos. Observa que prácticamente todos los benchmarks populares en los últimos diez años cumplen con los criterios #1-4; los benchmarks que no cumplen con los criterios #1-4 tendrían dificultades para hacerse populares. ¿Por qué es tan importante la verificabilidad? La cantidad de aprendizaje en IA que ocurre se maximiza cuando se satisfacen los criterios anteriores; puedes dar muchos pasos de gradiente donde cada paso tiene mucha señal. La velocidad de iteración es crítica: es la razón por la que el progreso en el mundo digital ha sido mucho más rápido que el progreso en el mundo físico. AlphaEvolve de Google es uno de los mejores ejemplos de aprovechar la asimetría de la verificación. Se centra en configuraciones que cumplen con todos los criterios anteriores y ha llevado a una serie de avances en matemáticas y otros campos. A diferencia de lo que hemos estado haciendo en IA durante las últimas dos décadas, es un nuevo paradigma en el que todos los problemas se optimizan en un entorno donde el conjunto de entrenamiento es equivalente al conjunto de prueba. La asimetría de la verificación está en todas partes y es emocionante considerar un mundo de inteligencia irregular donde cualquier cosa que podamos medir será resuelta.