Papa Leone XIV firma la sua prima enciclica sull’intelligenza artificiale. Il messaggio centrale è che la tecnologia non è mai neutrale, e la scelta è tra torre di Babele e ricostruzione collettiva.
Per sbloccare running economy e step speed loss sul Forerunner 970 serve l’HRM-600 da 170 euro. L’abbiamo testato per settimane, mezza maratona inclusa.
Un framework sviluppato da Meta, Google e università automatizza la progettazione delle strategie di test-time scaling, riducendo il consumo di token fino al 69,5% senza cali di accuratezza.
Un framework sviluppato da Meta, Google e università automatizza la progettazione delle strategie di test-time scaling per LLM, riducendo il consumo di token fino al 69,5% senza sacrificare l’accuratezza.
Un team di ricercatori ha sviluppato AutoTTS, un framework che automatizza la progettazione delle strategie di ragionamento per i LLM. In fase di test ha ridotto il consumo di token fino al 69.5% senza cali di accuratezza.
Per misurare economia di corsa e step speed loss con un Garmin Forerunner 970 serve il HRM-600, che costa 170 euro. L’ho indossato per settimane, inclusa una mezza maratona. Il dato chiave: la perdita di velocità media per passo è stata dell’8,2%.
Ricercatori di Meta, Google e varie università hanno creato AutoTTS, un framework che scopre automaticamente strategie di test-time scaling ottimali per LLM. Nei test ha ridotto il consumo di token fino al 69,5% senza sacrificare l’accuratezza.
Il sensore HRM-600 di Garmin sblocca due metriche avanzate: running economy e step speed loss. Dopo settimane di test con la Forerunner 970, ecco cosa vale davvero la pena sapere.
Ricercatori di Meta, Google e diverse università hanno sviluppato AutoTTS, un framework che automatizza la scoperta di strategie di test-time scaling per LLM. Nei test ha ridotto il consumo di token del 69,5% senza cali di accuratezza.
Un mese di corse, una mezza maratona e 170 dollari di investimento per capire se le metriche running economy e step speed loss di Garmin sono utili o solo un vezzo da triatleti.
Un team di ricercatori ha sviluppato AutoTTS, un framework che automatizza la scoperta di strategie di test-time scaling per LLM. I test mostrano una riduzione del consumo di token fino al 69.5% a parità di accuratezza.
Il framework scopre autonomamente politiche di allocazione del calcolo durante l’inferenza, riducendo i costi operativi senza sacrificare l’accuratezza.