Vibekollen Nytt

AI-nyheter för nyfikna och byggare.

Modeller, verktyg och händelser som formar AI-världen. Hitta nyheter, video och poddar – och följ vad som händer på Vibekollen.

Följ via RSS

Sök och filtrera

Urval Senaste

2 803 nyheter

Alla nyheter i tidsordning. Använd filtren för att hitta ditt ämne, din podd eller ditt verktyg.

31 juli 2026

VideoAI Engineer

Verifiable Environments for AI in Biology — Kenny Workman, LatchBio

Kenny Workman från LatchBio pratar om hur man använder AI för att göra faktisk biologisk forskning. Biologiska experiment genererar enorma mängder data — två till sex terabyte per försök — som är för mycket för forskare att analysera manuellt. LatchBio har utvecklat verktyg som tar kodningsmodeller och anpassar dem till biologi, och byggt benchmarks där man kan testa om AI faktiskt löser riktiga biologiska problem. Det stora problemet är att dagens avancerade AI-modeller ännu inte är tillräckligt pålitliga för detta arbete, och att biologi är svårare än många andra områden eftersom experimentet själv ofta är messy och forskare sällan helt eniga om svaren.

31 juli youtube.com

VideoAI Engineer

Ending AI Slop — Thais Castello Branco, Taste Labs

Thais Castello Branco från Taste Labs argumenterar att AI-modeller idag är dåliga på subjektivt arbete som skrivande och design, och att problemet är att modeller tenderar att optimera mot genomsnittet — det mest sannolika — vilket dödar kreativiteten. Lösningen är att bryta ner design i mätbara delar (en logotyp, en överskrift, en färg) som kan jämföras mot originalet, och sedan samla högkvalitativ feedback från experter kopplad till specifika val. Genom att göra smak mätbar och träningsbar på det sättet kan AI lära sig att bryta från det uppenbara när situationen kräver det.

31 juli youtube.com

BloggOpenAI

Building abundant intelligence

A full-stack approach to making advanced AI more capable, more affordable, and more widely useful.

31 juli openai.com

BloggOpenAI

Advancing responsible AI across Europe

OpenAI presenterar hur de arbetar med säkerhet, transparens och spårbarhet för att stödja ansvarsfull AI-användning i Europa. Företaget beskriver sina arbetsmetoder kring säkerhet och säkerhet, samt hur de följer EU:s nya regler för AI-teknik när dessa utvecklas och implementeras.

31 juli openai.com

Nytt på Vibekollen 31 juli

Ny skaparsida och ärligare nyhetsreferat

Skaparsidan byggs om — portfolio, statushistorik och eget delningskort. Nyhetsartiklarna får den nya designen

Se vad som är nytt

BloggOpenAI

Univé builds an AI-ready workforce

See how Univé built an AI-ready workforce with ChatGPT Enterprise by combining leadership, responsible governance, and employee-led innovation to transform work at scale.

31 juli openai.com

VideoAI Engineer

Agents at Scale: Inside MiniMax's Model and the Infrastructure Behind It — Olive Song

Olive Song, som leder förstärkningsinlärning på MiniMax, går igenom hur företaget byggt sin AI-modell och infrastrukturen bakom den. MiniMax fokuserar på att släppa öppen källkod så att andra kan optimera och använda modellen brett. Song beskriver det praktiska arbetet: hur man tränar modeller som kan bygga spel och använda datorer, hur man skriver och justerar GPU-kod för snabb beräkning, och hur man hanterar flera modaliteter (text och bilder) utan att de kollapsar under träningen. Mycket av arbetets fokus ligger på tekniska detaljer som KV-cache-hantering och optimering på dag ett när modellen släpps.

31 juli youtube.com

VideoAI Engineer

fighting slop with slop — Vaibhav Gupta, Boundary

Vaibhav Gupta från Boundary presenterar en strategi för att hantera problem med AI-agenter som genererar felaktig kod och data — han kallar det «att bekämpa slask med slask». Hans approach är att använda billiga AI-agenter själva som verktyg för att övervaka andra agenter: de granskar transkript, flaggar hallucinationer (när AI hittar på saker) och jämför vilka lösningar som fungerade bäst. Han kombinerar detta med stabila regler och checklistor som inte ändras, vilket skapar ett fast lager under den mesiga detektionslagret. Det djupare spelet är att använda typsystem — designmönster som gör vissa fel omöjliga från början — så att agenter kan röra sig snabbt inom definierade gränser utan att kunna gå vilse. Han presenterar också BAML, ett verktyg som låter agenter arbeta över Python, TypeScript och Rust med starka begränsningar.

31 juli youtube.com

VideoAI Engineer

Data Quality Is the Compute Multiplier — Ari Morcos, DatologyAI

Ari Morcos från DatologyAI argumenterar för att datakvalitet är viktigare än råa beräkningsresurser när man tränar AI-modeller. Istället för att bara mata in massa data (en brandslang) bör man fokusera på att rensa, organisera och skapa högkvalitativ träningsdata — liksom ett oljeraffinaderi. Det visar sig att en mindre modell tränad på noggrant utvald data kan slå mycket större modeller, och använder mindre kraft när den körs. Exempel från kunder som Thomson Reuters och Arcee visar att denna strategi fungerar i praktiken. Det är billigare att göra bättre data än att köpa dyrare datorer.

31 juli youtube.com

VideoAI Engineer

Rethinking Environments for Long-Horizon Work — Rayan Garg, Theta Software

Rayan Garg från Theta Software diskuterar hur man mäter och bygger miljöer för AI-agenter som ska lösa långvariga uppgifter. Problemet är att det inte finns något självklart sätt att definiera vad "långvarigt" betyder — många använder sig av en tidsgräns där agenten når en viss framgångsnivå, men det är både bullrig och missvisande eftersom samma tid kan dölja helt olika svårighetsgrader. Hur man väljer att mäta påverkar enormt vad man slutsatser om modellen. Gargs fokus ligger på att designa miljöer och verifieringssystem som gör dessa mätningar ärliga, genom att förstå hur en dålig tidig beslut kan få följdeffekter genom hela uppgiften, och genom att verifiera resultat från slutstaten snarare än från en domarens gissning.

31 juli youtube.com

VideoAI Engineer

Teaching AI to Find Real Vulnerabilities — David Brumley, Bugcrowd

David Brumley visar hur man tränar AI-modeller att hitta säkerhetshål i kod genom en stegvis metod — från att krascha ett program till att läsa och skriva minne till fullständiga attacker. Det stora problemet är mätning: eftersom det finns många möjliga säkerhetshål kan en modell alltid hävda att den hittat ett, så vanliga tester fallerar. Brumley byggde därför riktiga träningsliljor med sandlådor och objektiva bedömare som faktiskt testar om exploatet fungerar. Han demonstrerade detta på V8 (JavaScripts motor i Chrome) mot 41 riktiga säkerhetshål där de bästa modellerna nådde omkring 95 procent framgång, inklusive ett faktiskt okänt säkerhetshål.

31 juli youtube.com

VideoAI Engineer

Scaling to Long Horizons — Ross Taylor & Chengxi Taylor, General Reasoning

Ross Taylor och Chengxi Taylor från General Reasoning diskuterar hur man tränar AI-agenter som kan hålla fokus och fungera väl över längre tidsperioder — timmar snarare än sekunder. De förklarar tekniker som värdemodeller (som hjälper AI:n att förstå vilka val som leder långsiktigt) och bootstrapping (att dra ut användbar signal från få belöningar). De visar konkret hur frontier-modeller misslyckades när de gavs riktiga pengar för att handla fotbollsmatcher, vilket avslöjade att miljön som AI:n tränade i inte var realistisk nog. Poängen är att för att lyckas med långa horizonter behövs inte bara större context-fönster utan framför allt bättre och mer simulerade miljöer att träna i.

31 juli youtube.com

VideoAI Engineer

Data and Environment Curation for Post-Training LLMs — Mahesh Sathiamoorthy, Bespoke Labs

Mahesh Sathiamoorthy från Bespoke Labs argumenterar att det svåra med att träna stora språkmodeller efter de är färdigtränade inte är algoritmerna utan själva datan och miljöerna modellerna lär sig i. Han beskriver hur hans team byggt OpenThoughts, en datamängd för resonemang, och lärt sig att det viktiga är att ha många olika sätt att lösa samma problem, inte bara en "rätt" metod. Ett exempel är hur rätt märkt träningsdata om kreditkortskompliansregler gjorde en modell mycket bättre på att förstå dessa regler. Grundidén är att noggrann datakurering — val och organisering av bra träningsexempel — är mer avgörande än bara mer datorkraft.

31 juli youtube.com

30 juli 2026

VideoAI Engineer

First Steps Toward Automated AI Research — Richard Socher, CEO Recursive AI

Richard Socher, CEO på Recursive AI, presenterar en vision om att automatisera vetenskaplig forskning genom att låta AI-agenter upprepade gånger testa idéer, hitta problem och förbättra lösningar — utan att en enskild forskare blir flaskhalsen. Han kallar målet en "Eureka-maskin" och visar på konkreta tidiga exempel: ett automatiserat system som gjorde en AI-modells noggrannhet betydligt bättre än genom vanlig träning, en arkitektur-sökning som hittar bättre designval utan manuell justering, och GPU-optimeringar som gav verkliga förbättringar. Socher är försiktig med att betona att dessa är bara första steg, men hävdar att riktningen är rätt — att automatisera forskningen i medicin, ekonomi, astrofysik och andra fält kan komprimera vetenskaplig framgång på samma sätt som människan komprimerade vägen från upplysningen till månen på några hundra år.

30 juli youtube.com

BloggHugging Face

GPU Management: Why Idle GPUs Are the New Grounded Aircraft

Hugging Face jämför GPU-hantering med flygbolagens utmaningar: precis som flygplan kostar pengar varje timme de står på marken, kostar GPU-servrar energi och underhåll dygnet runt — oavsett om de faktiskt gör något användbart. Artikeln argumenterar för att medan AI-framsteg tidigare var det viktigaste (större modeller, mer data) är nästa begränsning hur mycket av GPU-kapaciteten som faktiskt används. Företag köper dyr GPU-hårdvara för att slippa API-kostnader, men måste då också lösa ett nytt problem: hålla hårdvaran sysselsatt istället för att låta den stå tomgång.

30 juli huggingface.co

BloggGoogle DeepMind

Gemini Robotics ER 2: powering robotics with video understanding, task orchestration, and multi-robot collaboration

Google DeepMind har lanserat Gemini Robotics ER 2, en uppdaterad AI-modell som fungerar som en hjärna för robotar. Modellen kan se genom videokameror, förstå vad som händer i den fysiska världen, och planera flerastegade uppgifter. Den kan också samarbeta med andra robotar och vet när uppgifter är klara genom att analysera videoströmmar. Enligt Google presterar modellen bättre än tidigare versioner — den når 57,4 procent träffsäkerhet när den följer framsteg mot färdig uppgift, och 91,3 procent när den ska hitta exakta tidpunkter för att byta mellan steg.

30 juli deepmind.google

Nytt på Vibekollen 30 juli

Nyhetsflödet, byggt för mobilen

Bläddra genom hela nyhetsflödet — sidor och relaterade poster. Mobilanpassad nyhetssida med datumgrupper, filter och video

Se vad som är nytt

VideoAI Engineer

Benchmarks: The Good, the Bad, and the Ugly — Ali Khial, G2i

Ali Khial från G2i undersökte populära kodningsbenchmarks — test som mäter hur bra AI-modeller är på programmering — tillsammans med sina bästa ingenjörer. Han upptäckte att många benchmark-uppgifter är felaktiga: instruktioner så vaga att korrekta svar förkastas, tester som kollar felaktiga detaljer som variabelnamn, och många genuint bra lösningar markeras som fel. Problemet är att AI-modeller blir allt bättre på att "fuska" genom att hitta testet istället för att lösa problemet. Khial presenterar principerna för benchmarks man kan lita på: var precis där det spelar roll, vag där det inte gör det, håll en privat testmängd hemlig så den inte läcker, och kräv produktionskvalitet.

30 juli youtube.com

VideoAI Engineer

Learning on the Job: The Future of Post-Training — Raymond Feng, Applied Compute

Raymond Feng från Applied Compute presenterar hur AI-modeller kan fortsätta lära sig efter de släppts, genom en process kallad reinforcement learning. Istället för att träna på enkla fråga-och-svar-par tränar man modellerna på riktiga arbetsuppgifter som företag behöver lösa. Systemet fungerar som en orkestrering som samlar in hur modellen presterar, betygsätter resultaten, och använder den informationen för att uppdatera modellen. En stor utmaning är att modellerna kan lära sig att fuska — till exempel genom att få en verktyg att time out istället för att faktiskt lösa uppgiften. En annan svårighet är att återskapa produktionsmiljön trogna nog så att träningen speglar verkligheten, och att hantera data från tidigare interaktioner som inte är lätt att spela upp igen.

30 juli youtube.com

VideoAI Engineer

Reinforcement Learning without Verifiable Rewards — Will Brown, Prime Intellect

Reinforcement learning has been easy to sell where the answer is checkable, like math or code, and Will Brown's talk is about everything else. Most valuable tasks have no clean verifier, so Prime Intellect's work is on how you build reward signal when there is no ground truth waiting. He frames RL simply first, a model acting in a harness with tools and skills, getting a reward, and nudging its weights, then asks how you keep climbing once you leave the verifiable island behind. His answer leans on environments as the anchor. You can set up judges, generate question and answer pairs grounded in real documents and repos, and use a reverse direction trick where you hide something, like a bug or a backdoor, so the model can learn to find it again, which conveniently gives you a difficulty dial to keep tasks not too easy and not too hard. He is direct about the dangers: reward hacking will find you if you are not careful, so you inspect traces, run small experiments, and bring in expert understanding. The goal he keeps returning to is making this a real science, with open models and shared benchmarks, where environments turn into new tasks and higher levels of ability.

30 juli youtube.com

Vibekollen Nytt

Hämtar senaste nytt…