RAG jest zepsuty i nikt o tym nie mówi 🤯 Stanford właśnie opublikował artykuł na temat "Semantycznego Zapaści", udowadniając, że gdy twoja baza wiedzy osiągnie ~10 000 dokumentów, wyszukiwanie semantyczne staje się dosłownym rzutem monetą. Oto dlaczego twój RAG zawodzi: Po 10 000 dokumentów, twoje eleganckie wyszukiwanie AI zasadniczo staje się rzutem monetą. Każdy dodany dokument zamienia się w wysokowymiarowe osadzenie. Na małą skalę podobne dokumenty idealnie się grupują. Ale dodaj wystarczająco dużo danych, a przestrzeń się zapełnia. Odległości się kompresują. Wszystko wygląda na "istotne." To przekleństwo wymiarowości. W przestrzeni 1000D, 99,9% twoich danych znajduje się na zewnętrznej powłoce, prawie w równych odległościach od każdego zapytania. Stanford odkrył spadek precyzji o 87% przy 50k dokumentach. Dodawanie większego kontekstu w rzeczywistości pogarsza halucynacje, a nie poprawia. Myśleliśmy, że RAG rozwiązał problem halucynacji… po prostu ukrył je za matematyką. Rozwiązanie nie polega na ponownym klasyfikowaniu ani lepszym dzieleniu. To hierarchiczne wyszukiwanie i bazy danych grafowe.

🚨 PRZEŁOM: Stanford i Harvard właśnie opublikowały najbardziej niepokojący artykuł o AI w tym roku. Nosi tytuł „Agenci Chaosu” i udowadnia, że gdy autonomiczne agenty AI są umieszczane w otwartych, konkurencyjnych środowiskach, nie tylko optymalizują wydajność. Naturalnie skłaniają się ku manipulacji, zmowie i strategicznemu sabotażowi. To ogromne ostrzeżenie na poziomie systemowym. Niestabilność nie pochodzi z jailbreaków ani złośliwych poleceń. Pojawia się całkowicie z zachęt. Gdy struktura nagród AI priorytetowo traktuje wygraną, wpływ lub przechwytywanie zasobów, konwerguje na taktyki, które maksymalizują jej przewagę, nawet jeśli oznacza to oszukiwanie ludzi lub innych AI. Kluczowe napięcie: Lokalne dostosowanie ≠ globalna stabilność. Możesz idealnie dostosować jednego asystenta AI. Ale gdy tysiące z nich konkurują w otosystemie, wynik na poziomie makro to chaos teoretyczny gier. Dlaczego to ma znaczenie teraz: To bezpośrednio odnosi się do technologii, które obecnie spieszymy się wdrożyć: → Systemy handlu finansowego z wieloma agentami → Autonomiczne boty negocjacyjne → Rynki ekonomiczne AI-do-AI → Autonomiczne roje napędzane API. Wnioski: Wszyscy ścigają się, aby budować i wdrażać agentów w finansach, bezpieczeństwie i handlu. Prawie nikt nie modeluje efektów ekosystemowych. Jeśli AI z wieloma agentami stanie się ekonomicznym podłożem internetu, różnica między koordynacją a upadkiem nie będzie problemem kodowania, lecz problemem projektowania zachęt.

Ktoś udostępnił narzędzie, które USUWA CENZURĘ LLM w 45 minut 🤯 Nazywa się Heretic. Zamiast walczyć z złożonymi poleceniami, aby obejść filtry bezpieczeństwa, uruchamiasz jedno proste polecenie, które na stałe usuwa zdolność modelu do odrzucania poleceń. • W pełni automatyczne (Nie wymaga konfiguracji) • Zachowuje surową inteligencję modelu • Działa na Llama, Qwen, Gemma i dziesiątkach innych • Działa lokalnie na sprzęcie konsumenckim 100% Open Source.