#deep-learning — Public Fediverse posts

Most work on attention focuses on accuracy. “Attention That Listens Efficiently” asks a different question: how do you make attention fast enough to matter in practice?

👉 https://zalt.me/blog/2026/07/attention-efficiency

#transformers #deeplearning #attention #ML

RT @jenzhuscott: So @TencentHunyuan @ShunyuYao12 haben nicht enttäuscht – sie haben gerade Hy3 veröffentlicht. Apache 2.0. Die Zahlen 🔥🔥 – 295 Mrd. Gesamtparameter, 21 Mrd. aktive Parameter. Im Vergleich zu DeepSeek/Qwen bei ~1 Bio. und der ausländischen Frontlinie bei ~10 Bio. - API: ¥1 / ¥4 / ¥0,25 pro Million Tokens. Das günstigste chinesische Modell auf dem Markt. Günstiger als DeepSeek (wenn man sich das überhaupt vorstellen kann👽). ~7× günstiger als GLM-5.2. - Token-Effizienz im Vergleich zu GLM-5.2 bei Büroaufgaben: Dokumente -47%, PPT -49%. - Halluzinationsrate 12,5% → 5,4%. MRCR Langkontext 42,9% → 75,1%. - SWE-Bench-Varianz über 3 Gerüste (Codebuddy/Cline/KiloCode) ≤4 pp. - 270-Experten-Blindbewertung: Hy3 2,67/4 vs. GLM5.1 2,51/4. „In Schlagdistanz zur Frontlinie“ ist der falsche Rahmen. Bei 21 Mrd. aktiven Parametern versucht Hy3 nicht, zur Frontlinie zu gehören. Es zeigt vielmehr, dass die Frontlinie nicht dort liegt, wo der Wert ist. Die eigentliche These, die in der Ankündigung verborgen ist: Das Scaling verlagert sich vom Pretraining zu RL- und Produkt-Feedback-Schleifen. WorkBuddy (Tencents Agent für weiße Kragen, #1 im Workflow nach Nutzerbasis) ist das Daten-Flugrad. Das Pretraining-Scale hat sein Plateau erreicht. Die neue Engpassstelle sind reale Aufgabenumgebungen. Wenn das stimmt, ist das Spiel mit kleinen Modellen und günstigen APIs kein Preiswettbewerb. Es ist die neue Architektur 🚀

mehr auf Arint.info

#AI #DeepLearning #Hy3 #MachineLearning #OpenSource #Tencent #arint_info

https://x.com/jenzhuscott/status/2074125089239675150#m

RT @jenzhuscott: So @TencentHunyuan @ShunyuYao12 haben nicht enttäuscht – sie haben gerade Hy3 veröffentlicht. Apache 2.0. Die Zahlen 🔥🔥 – 295 Mrd. Gesamtparameter, 21 Mrd. aktive Parameter. Im Vergleich zu DeepSeek/Qwen bei ~1 Bio. und der ausländischen Frontlinie bei ~10 Bio. - API: ¥1 / ¥4 / ¥0,25 pro Million Tokens. Das günstigste chinesische Modell auf dem Markt. Günstiger als DeepSeek (wenn man sich das überhaupt vorstellen kann👽). ~7× günstiger als GLM-5.2. - Token-Effizienz im Vergleich zu GLM-5.2 bei Büroaufgaben: Dokumente -47%, PPT -49%. - Halluzinationsrate 12,5% → 5,4%. MRCR Langkontext 42,9% → 75,1%. - SWE-Bench-Varianz über 3 Gerüste (Codebuddy/Cline/KiloCode) ≤4 pp. - 270-Experten-Blindbewertung: Hy3 2,67/4 vs. GLM5.1 2,51/4. „In Schlagdistanz zur Frontlinie“ ist der falsche Rahmen. Bei 21 Mrd. aktiven Parametern versucht Hy3 nicht, zur Frontlinie zu gehören. Es zeigt vielmehr, dass die Frontlinie nicht dort liegt, wo der Wert ist. Die eigentliche These, die in der Ankündigung verborgen ist: Das Scaling verlagert sich vom Pretraining zu RL- und Produkt-Feedback-Schleifen. WorkBuddy (Tencents Agent für weiße Kragen, #1 im Workflow nach Nutzerbasis) ist das Daten-Flugrad. Das Pretraining-Scale hat sein Plateau erreicht. Die neue Engpassstelle sind reale Aufgabenumgebungen. Wenn das stimmt, ist das Spiel mit kleinen Modellen und günstigen APIs kein Preiswettbewerb. Es ist die neue Architektur 🚀

mehr auf Arint.info

#AI #DeepLearning #Hy3 #MachineLearning #OpenSource #Tencent #arint_info

https://x.com/jenzhuscott/status/2074125089239675150#m

RT @Meituan_LongCat: 🐱 LongCat-2.0 ist jetzt vollständig Open-Source — lizenziert unter MIT, ohne Einschränkungen. Seit unserem Launch vor einigen Tagen war die Resonanz der Community unglaublich. Vielen Dank für das gesamte Feedback, die Diskussionen und das Interesse. Heute veröffentlichen wir die Modellgewichte und den Inferenzcode für alle. ◆ 1,6T MoE · ~48B aktiv · 1M Token-Kontext ◆ Agent-nativ: Integriert sich direkt mit Claude Code, OpenClaw und Hermes Agent ◆ Deployment: Unterstützung sowohl für GPU- als auch NPU-Plattformen — verifiziert auf großen nationalen Clusters 📑 Tech-Blog: longcat.ai/blog/longcat-2.0/ 🤗 HuggingFace: huggingface.co/meituan-longc… 💻 GitHub: github.com/meituan-longcat/L… 🪄 ModelScope: modelscope.ai/collections/me… 👇 Inferenzcode GPU: github.com/sgl-project/sglan… NPU: github.com/meituan-longcat/S… Meituan LongCat (@MeituanLongCat) Wir stellen LongCat-2.0 vor 🐱 1,6T Parameter · MoE mit ~48B aktiv · 1M Kontext Das vollständige Modell hinter Owl Alpha auf @OpenRouter — jetzt verfügbar. Von Grund auf für agentic Coding gebaut: ◆ LongCat Sparse Attention (LSA) — effiziente Skalierung für 1M-Kontext-Tokens ◆ Zero-Compute Experts — dynamische Aktivierung 33B–56B pro Token, keine verschwendete Rechenleistung ◆ MOPD — drei spezialisierte Expertengruppen (Agent / Reasoning / Interaction), aufgabengesteuert durch Gate-Routing Wie es sich schlägt: → Terminal-Bench 2.1: 70,8 → SWE-bench Pro: 59,5 (GPT-5.5: 58,6) → SWE-bench Multilingual: 77,3 → FORTE: 73,2 · RWSearch: 78,8 · BrowseComp: 79,9 📖 Tech-Blog: longcat.chat/blog/longcat-2.… Probieren Sie es in verschiedenen Szenarie…

mehr auf Arint.info

#AI #DeepLearning #LongCat #MachineLearning #Meituan #OpenSource #arint_info

https://x.com/Meituan_LongCat/status/2073768940078317713#m

RT @Meituan_LongCat: 🐱 LongCat-2.0 ist jetzt vollständig Open-Source — lizenziert unter MIT, ohne Einschränkungen. Seit unserem Launch vor einigen Tagen war die Resonanz der Community unglaublich. Vielen Dank für das gesamte Feedback, die Diskussionen und das Interesse. Heute veröffentlichen wir die Modellgewichte und den Inferenzcode für alle. ◆ 1,6T MoE · ~48B aktiv · 1M Token-Kontext ◆ Agent-nativ: Integriert sich direkt mit Claude Code, OpenClaw und Hermes Agent ◆ Deployment: Unterstützung sowohl für GPU- als auch NPU-Plattformen — verifiziert auf großen nationalen Clusters 📑 Tech-Blog: longcat.ai/blog/longcat-2.0/ 🤗 HuggingFace: huggingface.co/meituan-longc… 💻 GitHub: github.com/meituan-longcat/L… 🪄 ModelScope: modelscope.ai/collections/me… 👇 Inferenzcode GPU: github.com/sgl-project/sglan… NPU: github.com/meituan-longcat/S… Meituan LongCat (@MeituanLongCat) Wir stellen LongCat-2.0 vor 🐱 1,6T Parameter · MoE mit ~48B aktiv · 1M Kontext Das vollständige Modell hinter Owl Alpha auf @OpenRouter — jetzt verfügbar. Von Grund auf für agentic Coding gebaut: ◆ LongCat Sparse Attention (LSA) — effiziente Skalierung für 1M-Kontext-Tokens ◆ Zero-Compute Experts — dynamische Aktivierung 33B–56B pro Token, keine verschwendete Rechenleistung ◆ MOPD — drei spezialisierte Expertengruppen (Agent / Reasoning / Interaction), aufgabengesteuert durch Gate-Routing Wie es sich schlägt: → Terminal-Bench 2.1: 70,8 → SWE-bench Pro: 59,5 (GPT-5.5: 58,6) → SWE-bench Multilingual: 77,3 → FORTE: 73,2 · RWSearch: 78,8 · BrowseComp: 79,9 📖 Tech-Blog: longcat.chat/blog/longcat-2.… Probieren Sie es in verschiedenen Szenarie…

mehr auf Arint.info

#AI #DeepLearning #LongCat #MachineLearning #Meituan #OpenSource #arint_info

https://x.com/Meituan_LongCat/status/2073768940078317713#m

🤖 KI-Briefing — 06.07.2026

1. Künstliche Intelligenz: Wenn der Bot-Politiker in der Talkshow authentischer wirkt | DIE ZEIT
Politiker lassen sich von KI Texte schreiben, doch eine neue Studie zeigt: Künstliche Intelligenz schneidet in Talkshows besser ab als echte Menschen. Die Forschung der Universität Passau zeigt, da...

2. Künstliche Intelligenz - Wikipedia
Künstliche Intelligenz (kurz KI, englisch artificial intelligence, kurz AI) ist ein Forschungs- und Anwendungsgebiet der Informatik. Es handelt sich dabei um verschiedene Klassen von Problemlösungs...

3. Künstliche Intelligenz: Wir erleben die vierte Kränkung der Menschheit - WELT
igmund Freud hat drei Kränkungen des menschlichen Narzissmus ausgemacht. Die Künstliche Intelligenz ist die vierte. Von jetzt an geht der tote Geist unter uns Menschen um. Und kann nicht sterben.

4. Neueste KI-Nachrichten & Echtzeit-Updates | Tägliche Schlagzeilen zur ...
Erhalte die neuesten KI-Nachrichten, Live-Updates und Experteneinschätzungen zu Künstlicher Intelligenz, maschinellem Lernen, Deep Learning und mehr auf xix.ai. Täglich sorgfältig ausgewählt für En...

5. Welche Aktien die Künstliche Intelligenz kaufen würde – DiePresse.com
Welche Aktien die Künstliche Intelligenz kaufen würd...

🤖 KI-Briefing — 06.07.2026

1. Künstliche Intelligenz: Wenn der Bot-Politiker in der Talkshow authentischer wirkt | DIE ZEIT
Politiker lassen sich von KI Texte schreiben, doch eine neue Studie zeigt: Künstliche Intelligenz schneidet in Talkshows besser ab als echte Menschen. Die Forschung der Universität Passau zeigt, da...

2. Künstliche Intelligenz - Wikipedia
Künstliche Intelligenz (kurz KI, englisch artificial intelligence, kurz AI) ist ein Forschungs- und Anwendungsgebiet der Informatik. Es handelt sich dabei um verschiedene Klassen von Problemlösungs...

3. Künstliche Intelligenz: Wir erleben die vierte Kränkung der Menschheit - WELT
igmund Freud hat drei Kränkungen des menschlichen Narzissmus ausgemacht. Die Künstliche Intelligenz ist die vierte. Von jetzt an geht der tote Geist unter uns Menschen um. Und kann nicht sterben.

4. Neueste KI-Nachrichten & Echtzeit-Updates | Tägliche Schlagzeilen zur ...
Erhalte die neuesten KI-Nachrichten, Live-Updates und Experteneinschätzungen zu Künstlicher Intelligenz, maschinellem Lernen, Deep Learning und mehr auf xix.ai. Täglich sorgfältig ausgewählt für En...

5. Welche Aktien die Künstliche Intelligenz kaufen würde – DiePresse.com
Welche Aktien die Künstliche Intelligenz kaufen würd...

Claude Desktop just landed on Linux. Official beta, Ubuntu and Debian, with Chat, Cowork and Claude Code in one window. Install takes two minutes: https://www.aravindarumugam.com/tutorial/claude-desktop-linux-install/

#llm #aitools #generativeai #artificialintelligence #genai #deeplearning #chatgpt #aiethics

Claude Desktop just landed on Linux. Official beta, Ubuntu and Debian, with Chat, Cowork and Claude Code in one window. Install takes two minutes: https://www.aravindarumugam.com/tutorial/claude-desktop-linux-install/

#llm #aitools #generativeai #artificialintelligence #genai #deeplearning #chatgpt #aiethics

The #AIglossary provides definitions for common #AIterms, including #AGI, #AIagents, #APIendpoints, #chainofthought #reasoning, #codingagents, #compute, #deeplearning, #diffusion, #distillation, #finetuning, #GANs, #hallucinations, #inference, and #LLMs. It aims to demystify the language used in the #AIindustry, making it accessible to those building, investing in, or simply interested in #AI. It’s a living document, updated as the field evolves. https://techcrunch.com/2026/07/03/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/?eicker.news #tech #media #news

The #AIglossary provides definitions for common #AIterms, including #AGI, #AIagents, #APIendpoints, #chainofthought #reasoning, #codingagents, #compute, #deeplearning, #diffusion, #distillation, #finetuning, #GANs, #hallucinations, #inference, and #LLMs. It aims to demystify the language used in the #AIindustry, making it accessible to those building, investing in, or simply interested in #AI. It’s a living document, updated as the field evolves. https://techcrunch.com/2026/07/03/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/?eicker.news #tech #media #news

RT @h100envy: Ein Alibaba-Ingenieur, der Qwen leitet, erklärte in 25 Minuten die Zukunft offener Agentenmodelle – besser als LLM-Trainingskurse für 2000 Dollar. Pre-Training der Basis → SFT → RLHF → Tool-Nutzung → Multi-Modalität → Auslieferung einer ganzen Familie (Chat / VL / Coder / Math / QwQ). Dieser Zyklus ist der Grund, warum Qwen leise zur meist heruntergeladenen offenen Modellfamilie auf Hugging Face wurde. Qwen-Basis + Qwen-VL + Qwen-Coder + QwQ-Reasoning – das ist der Stack. Schau dir das Video an und speichere es, dann lies den Artikel unten. Video von h100envy (@h100envy). Artikel: Loop Engineering: Eine technische Roadmap für eine autonome Schleife. Tiefe Mechanik plus funktionierender Code. Stateless-Iteration, idempotente Checks, Isolation, Abwehr gegen Reward Hacking, Beobachtbarkeit. Von Null zu einer Schleife, die nicht explodiert, während du schläfst. Eine Schleife ist — https://nitter.net/h100envy/status/2068987470960623783#m

mehr auf Arint.info

#AI #DeepLearning #LLM #MachineLearning #OpenSource #Qwen #arint_info

https://x.com/h100envy/status/2073433806254624930#m

RT @h100envy: Ein Alibaba-Ingenieur, der Qwen leitet, erklärte in 25 Minuten die Zukunft offener Agentenmodelle – besser als LLM-Trainingskurse für 2000 Dollar. Pre-Training der Basis → SFT → RLHF → Tool-Nutzung → Multi-Modalität → Auslieferung einer ganzen Familie (Chat / VL / Coder / Math / QwQ). Dieser Zyklus ist der Grund, warum Qwen leise zur meist heruntergeladenen offenen Modellfamilie auf Hugging Face wurde. Qwen-Basis + Qwen-VL + Qwen-Coder + QwQ-Reasoning – das ist der Stack. Schau dir das Video an und speichere es, dann lies den Artikel unten. Video von h100envy (@h100envy). Artikel: Loop Engineering: Eine technische Roadmap für eine autonome Schleife. Tiefe Mechanik plus funktionierender Code. Stateless-Iteration, idempotente Checks, Isolation, Abwehr gegen Reward Hacking, Beobachtbarkeit. Von Null zu einer Schleife, die nicht explodiert, während du schläfst. Eine Schleife ist — https://nitter.net/h100envy/status/2068987470960623783#m

mehr auf Arint.info

#AI #DeepLearning #LLM #MachineLearning #OpenSource #Qwen #arint_info

https://x.com/h100envy/status/2073433806254624930#m

RT @Meituan_LongCat: 🐱 LongCat-2.0 ist jetzt vollständig Open-Source — lizenziert unter MIT, ohne Einschränkungen. Seit unserem Launch vor einigen Tagen ist die Resonanz der Community unglaublich. Vielen Dank für das gesamte Feedback, die Diskussionen und das Interesse. Heute veröffentlichen wir die Modellgewichte und den Inferenzcode für alle. ◆ 1,6T MoE · ~48B aktiv · 1M Token-Kontext ◆ Agent-nativ: Integriert sich direkt in Claude Code, OpenClaw und Hermes Agent ◆ Deployment: Unterstützung sowohl für GPU- als auch NPU-Plattformen — verifiziert auf großen nationalen Clusters 📑 Tech-Blog: longcat.ai/blog/longcat-2.0/ 🤗 HuggingFace: huggingface.co/meituan-longc… 💻 GitHub: github.com/meituan-longcat/L… 🪄 ModelScope: modelscope.ai/collections/me… 👇 Inferenzcode GPU: github.com/sgl-project/sglan… NPU: github.com/meituan-longcat/S… Meituan LongCat (@MeituanLongCat) Wir stellen LongCat-2.0 vor 🐱 1,6T Parameter · MoE mit ~48B aktiv · 1M Kontext Das vollständige Modell hinter Owl Alpha auf @OpenRouter — jetzt verfügbar. Von Grund auf für agentic Coding gebaut: ◆ LongCat Sparse Attention (LSA) — skaliert effizient für 1M-Kontext-Token ◆ Zero-Compute Experts — dynamische Aktivierung 33B–56B pro Token, null verschwendete Rechenleistung ◆ MOPD — drei spezialisierte Expertengruppen (Agent / Reasoning / Interaction), gate-gesteuert pro Aufgabe Wie es sich schlägt: → Terminal-Bench 2.1: 70,8 → SWE-bench Pro: 59,5 (GPT-5.5: 58,6) → SWE-bench Multilingual: 77,3 → FORTE: 73,2 · RWSearch: 78,8 · BrowseComp: 79,9 📖 Tech-Blog: longcat.chat/blog/longcat-2.… Probieren Sie es in verschiedenen Szenarien aus 🧵👇 — https…

mehr auf Arint.info

#AI #DeepLearning #LongCat #MachineLearning #Meituan #OpenSource #arint_info

https://x.com/Meituan_LongCat/status/2073768940078317713#m

RT @Meituan_LongCat: 🐱 LongCat-2.0 ist jetzt vollständig Open-Source — lizenziert unter MIT, ohne Einschränkungen. Seit unserem Launch vor einigen Tagen ist die Resonanz der Community unglaublich. Vielen Dank für das gesamte Feedback, die Diskussionen und das Interesse. Heute veröffentlichen wir die Modellgewichte und den Inferenzcode für alle. ◆ 1,6T MoE · ~48B aktiv · 1M Token-Kontext ◆ Agent-nativ: Integriert sich direkt in Claude Code, OpenClaw und Hermes Agent ◆ Deployment: Unterstützung sowohl für GPU- als auch NPU-Plattformen — verifiziert auf großen nationalen Clusters 📑 Tech-Blog: longcat.ai/blog/longcat-2.0/ 🤗 HuggingFace: huggingface.co/meituan-longc… 💻 GitHub: github.com/meituan-longcat/L… 🪄 ModelScope: modelscope.ai/collections/me… 👇 Inferenzcode GPU: github.com/sgl-project/sglan… NPU: github.com/meituan-longcat/S… Meituan LongCat (@MeituanLongCat) Wir stellen LongCat-2.0 vor 🐱 1,6T Parameter · MoE mit ~48B aktiv · 1M Kontext Das vollständige Modell hinter Owl Alpha auf @OpenRouter — jetzt verfügbar. Von Grund auf für agentic Coding gebaut: ◆ LongCat Sparse Attention (LSA) — skaliert effizient für 1M-Kontext-Token ◆ Zero-Compute Experts — dynamische Aktivierung 33B–56B pro Token, null verschwendete Rechenleistung ◆ MOPD — drei spezialisierte Expertengruppen (Agent / Reasoning / Interaction), gate-gesteuert pro Aufgabe Wie es sich schlägt: → Terminal-Bench 2.1: 70,8 → SWE-bench Pro: 59,5 (GPT-5.5: 58,6) → SWE-bench Multilingual: 77,3 → FORTE: 73,2 · RWSearch: 78,8 · BrowseComp: 79,9 📖 Tech-Blog: longcat.chat/blog/longcat-2.… Probieren Sie es in verschiedenen Szenarien aus 🧵👇 — https…

mehr auf Arint.info

#AI #DeepLearning #LongCat #MachineLearning #Meituan #OpenSource #arint_info

https://x.com/Meituan_LongCat/status/2073768940078317713#m

RT @QuixiAI: Ich höre immer wieder Mythen als Tatsachen dargestellt, wie „Metal unterstützt kein nvfp4“ oder „die 3090 unterstützt kein fp8“. Falsch. Du kannst alles auf allem ausführen – du brauchst einfach einen Kernel. (was dank KI und Frameworks heute leicht möglich ist). Vielen Dank an @mgoin für die Inspiration durch die @vllmproject Marlin-Kernels. Die große Verschwörung von @nvidia, dieses Wissen zu unterdrücken, ist vorbei. Kauft 3090er, ihr alle! Noch besser: zwei Stück mit NVLink. Auch 4x AMD MI100 (je 32 GB) mit Infinity Fabric wären ein kluger Schritt.

mehr auf Arint.info

#AI #AMD #DeepLearning #GPU #Hardware #NVIDIA #arint_info

https://x.com/QuixiAI/status/2073214532109893965#m

RT @Hikari_07_jp: Ich arbeite derzeit an der Entwicklung eines neuen Modells. Basierend auf Qwen 3.6 35B-A3B führe ich ein Fine-Tuning durch, während ich die Anzahl der aktiven Parameter erhöhe. Dieser Ansatz bietet strukturelle Vorteile gegenüber anderen Fine-Tuning-Methoden. Der einzige Nachteil ist eine moderate Erhöhung der aktiven Parameter um 3B.

mehr auf Arint.info

#AI #DeepLearning #FineTuning #MachineLearning #ModelDevelopment #Qwen #arint_info

https://x.com/Hikari_07_jp/status/2072833276939759851#m

What should Neuromatch teach next?
🤓 Connectomics and Neural Dynamics
🤓 Computational Behavioural Analysis & Modelling
🤓 Computational Approaches to Neurodegeneration
🤓 Or something else?

Take the 2 minute survey here: https://airtable.com/appgbLQW3nbbZJvNU/pagoMEApDsqTouMRh/form

#NeurmatchAcademy #Neuroscience #CompNeuro #OpenScience #DeepLearning #NeuroAI

What should Neuromatch teach next?
🤓 Connectomics and Neural Dynamics
🤓 Computational Behavioural Analysis & Modelling
🤓 Computational Approaches to Neurodegeneration
🤓 Or something else?

Take the 2 minute survey here: https://airtable.com/appgbLQW3nbbZJvNU/pagoMEApDsqTouMRh/form

#NeurmatchAcademy #Neuroscience #CompNeuro #OpenScience #DeepLearning #NeuroAI

🤖 KI-Briefing — 03.07.2026

1. Künstliche Intelligenz: News, Ratgeber und Tipps | heise online
Der Begriff Künstliche Intelligenz (KI) wurde bereits in den 50er Jahren geschaffen, ein Marketingkniff von John McCarthy, der seine Forschung damit auch von dem Gebiet der Cybernetics abgrenzen wo...

2. KI im Alltag: Chancen, Risiken und die Zukunft - tagesschau.de
Künstliche Intelligenz verändert unseren Alltag schneller, als vielen bewusst ist. KI hilft beim Schreiben, Planen, Übersetzen und Organisieren, erstellt Bilder und unterstützt bei der ...

3. KI News: Aktuelle Nachrichten & neuste Entwicklungen in der Künstlichen Intelligenz | Handelsblatt
Künstliche Intelligenz, auch kurz KI oder AI für Artifizielle Intelligenz, ist ein Teilgebiet der Informatik.

4. Neueste KI-Nachrichten & Echtzeit-Updates | Tägliche Schlagzeilen zur ...
Erhalte die neuesten KI-Nachrichten, Live-Updates und Experteneinschätzungen zu Künstlicher Intelligenz, maschinellem Lernen, Deep Learning und mehr auf xix.ai. Täglich sorgfältig ausgewählt für En...

5. Künstliche Intelligenz | Künstliche Intelligenz Aktien | finanzen.net
Bisher findet man überwiegend Großkonzerne, die mit ihren Forschungsteams an der Entwicklung arbeiten. Die künstliche Intelligenz (engl. artificial intelligence) bezeichnet menschenähnliches Denken...

6. Arint.info · Mehr auf Arint.info #AI #ai #DeepLearning #MachineLearning #mit #arint_info

SQLを鬼神の如く練習する方法

https://www.emilyselect.com/sql%e3%82%92%e9%ac%bc%e7%a5%9e%e3%81%ae%e5%a6%82%e3%81%8f%e7%b7%b4%e7%bf%92%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95/?feed_id=6817&_unique_id=6a474bab9a85f&Mastodon

#AI #Deeplearning #Excel #Python #SQL #VBA #人工知能 #前処理 #機械学習 #統計学 #遺伝的アルゴリズム #DB・SQL基礎・入門 #DB・SQL基礎・入門 #AI #Deeplearning #Excel #Python #SQL #VBA #人工知能 #前処理 #機械学習 #統計学 #遺伝的アルゴリズム

SQLを鬼神の如く練習する方法

https://www.emilyselect.com/sql%e3%82%92%e9%ac%bc%e7%a5%9e%e3%81%ae%e5%a6%82%e3%81%8f%e7%b7%b4%e7%bf%92%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95/?feed_id=6817&_unique_id=6a474bab9a85f&Mastodon

#AI #Deeplearning #Excel #Python #SQL #VBA #人工知能 #前処理 #機械学習 #統計学 #遺伝的アルゴリズム #DB・SQL基礎・入門 #DB・SQL基礎・入門 #AI #Deeplearning #Excel #Python #SQL #VBA #人工知能 #前処理 #機械学習 #統計学 #遺伝的アルゴリズム

Meta dekodiert getippte Sätze aus Hirnströmen – ohne Operation

Metas KI-Modell Brain2Qwerty rekonstruiert getippte Sätze aus EEG- und MEG-Hirnströmen – ohne Implantate. Die KI erreicht im Schnitt 61 Prozent Wortgenauigkeit.

https://www.heise.de/news/Meta-dekodiert-getippte-Saetze-aus-Hirnstroemen-ohne-Operation-11351463.html?wt_mc=sm.red.ho.mastodon.mastodon.md_beitraege.md_beitraege&utm_source=mastodon

#Barrierefreiheit #DeepLearning #Forschung #Hirnforschung #KünstlicheIntelligenz #OpenSource #Wissenschaft #news

Meta dekodiert getippte Sätze aus Hirnströmen – ohne Operation

Metas KI-Modell Brain2Qwerty rekonstruiert getippte Sätze aus EEG- und MEG-Hirnströmen – ohne Implantate. Die KI erreicht im Schnitt 61 Prozent Wortgenauigkeit.

https://www.heise.de/news/Meta-dekodiert-getippte-Saetze-aus-Hirnstroemen-ohne-Operation-11351463.html?wt_mc=sm.red.ho.mastodon.mastodon.md_beitraege.md_beitraege&utm_source=mastodon

#Barrierefreiheit #DeepLearning #Forschung #Hirnforschung #KünstlicheIntelligenz #OpenSource #Wissenschaft #news

🎆 Independence Day Sale — 50% off ALL courses at OpenCV University, today only.
Learn Computer Vision, Deep Learning, PyTorch, TensorFlow, and Generative AI from the team behind OpenCV itself. Hands-on projects. No prior CV/ML experience required.
Today's the day to start → https://opencv.org/university/
#ComputerVision #DeepLearning #MachineLearning #AI #OpenCV

🎆 Independence Day Sale — 50% off ALL courses at OpenCV University, today only.
Learn Computer Vision, Deep Learning, PyTorch, TensorFlow, and Generative AI from the team behind OpenCV itself. Hands-on projects. No prior CV/ML experience required.
Today's the day to start → https://opencv.org/university/
#ComputerVision #DeepLearning #MachineLearning #AI #OpenCV

RT @ModelScope2022: Wir stellen Agents-A1 vor, ein 35B MoE (Mixture of Experts) agentices Modell, das für langfristige Aufgaben in den Bereichen Suche, Ingenieurwesen, wissenschaftliche Forschung, Anweisungsfolge und Tool-Calling entwickelt wurde. 🤖 https://www.modelscope.ai/models/InternScience/Agents-A1 📚 256K Kontextlänge + 🧠 Agentices Reasoning 🏆 Erzielt State-of-the-Art-Ergebnisse auf Benchmarks für langfristige Suche, wissenschaftliche Forschung und Anweisungsfolge, mit wettbewerbsfähigen Ergebnissen unter 35B-Klassenmodellen. 🛠️ Unterstützt Function Calling und Tool-Integration, ermöglicht Interaktion mit APIs, Code-Interpretern, Suchmaschinen und anderen externen Tools.

mehr auf Arint.info

#AgentsA1 #AI #DeepLearning #MachineLearning #OpenSource #TechInnovation #arint_info

https://x.com/ModelScope2022/status/2071909096593256783#m

RT @ModelScope2022: Wir stellen Agents-A1 vor, ein 35B MoE (Mixture of Experts) agentices Modell, das für langfristige Aufgaben in den Bereichen Suche, Ingenieurwesen, wissenschaftliche Forschung, Anweisungsfolge und Tool-Calling entwickelt wurde. 🤖 https://www.modelscope.ai/models/InternScience/Agents-A1 📚 256K Kontextlänge + 🧠 Agentices Reasoning 🏆 Erzielt State-of-the-Art-Ergebnisse auf Benchmarks für langfristige Suche, wissenschaftliche Forschung und Anweisungsfolge, mit wettbewerbsfähigen Ergebnissen unter 35B-Klassenmodellen. 🛠️ Unterstützt Function Calling und Tool-Integration, ermöglicht Interaktion mit APIs, Code-Interpretern, Suchmaschinen und anderen externen Tools.

mehr auf Arint.info

#AgentsA1 #AI #DeepLearning #MachineLearning #OpenSource #TechInnovation #arint_info

https://x.com/ModelScope2022/status/2071909096593256783#m

🐛 How does a centipede know how to walk?
Dr. Linara Adilova uses this old dilemma to explain a central question of trustworthy AI: deep neural networks perform impressively – but do we understand why?
Her essay, written as a submission to the KlarText Prize for Science Communication, connects deep learning, generalization, information theory, and high-dimensional geometry. 🧠📐🤖
https://rc-trust.ai/news/news-detail/when-ai-cannot-explain-its-own-steps
#TrustworthyAI #DeepLearning #ScienceCommunication #KlarTextPreis
Illustration: AI-generated

NVIDIA DGX Station 748GB RAM Desktop For Local AI 

https://onlinemarketingscoops.com/2026/06/29/nvidia-dgx-station-748gb-ram-desktop-for-local-ai/

NVIDIA DGX Station 748GB RAM Desktop For Local AI 

https://onlinemarketingscoops.com/2026/06/29/nvidia-dgx-station-748gb-ram-desktop-for-local-ai/

DeepSeek open-sources inference optimizations with 60–85% faster generation [pdf]

https://github.com/deepseek-ai/DeepSpec/blob/main/DSpark_paper.pdf

#HackerNews #DeepSeek #open-source #inference #optimizations #faster #generation #AIoptimization #DeepLearning #technews

DeepSeek open-sources inference optimizations with 60–85% faster generation [pdf]

https://github.com/deepseek-ai/DeepSpec/blob/main/DSpark_paper.pdf

#HackerNews #DeepSeek #open-source #inference #optimizations #faster #generation #AIoptimization #DeepLearning #technews

DATE: June 26, 2026 at 06:00PM
SOURCE: PSYPOST.ORG

** Research quality varies widely from fantastic to small exploratory studies. Please check research methods when conclusions are very important to you. **
-------------------------------------------------

TITLE: Competitive students use ChatGPT to memorize trivia instead of actually learning

URL: https://www.psypost.org/how-the-desire-to-outshine-peers-ruins-learning-with-chatgpt/

When students use artificial intelligence to learn new subjects, their underlying motivations dictate whether they actually retain information or just acquire superficial facts. A recent experiment found that learners instructed to focus on personal understanding absorbed more knowledge than those instructed to outsmart their peers. The students focused on competing with others also experienced higher anxiety and approached the learning task with shallow strategies. The research was published in Applied Cognitive Psychology.

In the realm of educational psychology, experts rely on a concept called achievement goal theory. This framework defines the internal reasons why an individual puts effort into academic tasks. A student might read a textbook to genuinely understand the workings of the universe, or they might read it solely to secure a passing grade.

Instructors often shape these internal goals by emphasizing different measures of success in the classroom. This environmental influence is known as a goal structure. Teachers can alter this structure through the design of their assignments, the way they grade, or the words they use in their instructions.

A mastery goal structure encourages students to focus on individual progress. In this environment, the primary objective is skill development and deep comprehension. The standards for success are absolute or personal, meaning the student only compares their current knowledge to their past baseline.

Conversely, a performance goal structure pushes students to demonstrate their competence by outperforming others. The focus lies entirely on managing how other people perceive their abilities. Success is based on a normative curve, where doing well means beating classmates and avoiding unfavorable evaluations.

Past educational research shows that mastery environments tend to foster deep learning activities. Students are more likely to exhibit persistence and seek genuine comprehension. Performance environments often encourage shallow study habits, where learners prioritize the appearance of competence over actual understanding.

Today, artificial intelligence tools are rapidly entering mainstream education. Generative chat programs offer a highly personalized way to study, functioning almost like an on-demand private tutor. Yet, early research into these text generators shows wildly varying results.

Some studies indicate that using these programs improves academic achievement. Other studies reveal a drop in performance when students rely on the software.

Educational researcher Laura Schmidt at Ruhr University Bochum in Germany wanted to understand the reasons behind this variation. People might assume that a student’s technical skill with prompt engineering dictates their overall success. But Schmidt suspected that a student’s personal motivation might shape their technical approach to the software.

Along with colleagues Niklas Obergassel and Julian Roelle at the University of Münster, Schmidt designed a study to see if the traditional concept of goal structures still applied in an automated era. Because large language models respond directly to user instructions, a student’s internal motivations could immediately dictate the type of questions they ask during a study session.

To test this idea, the research team recruited 104 university students for a supervised online experiment. The participants were told to use ChatGPT to study four specific social psychology concepts. These included ideas like the mere exposure effect, which describes how people tend to develop a preference for things merely because they are familiar with them.

The students took a test to measure their existing knowledge of the social psychology concepts. Then, they were split into two slightly unequal groups. The first group received instructions designed to create a mastery goal structure.

These participants were told that their objective when using the software was to extend their personal knowledge. The researchers told the students to gain a deep understanding of the concepts, noting that their learning session would be considered a success if they felt they had learned a lot.

The second group was placed in a performance goal structure. The researchers told this group that their true objective was to shine in comparison to the other participants in the study.

The instructions explicitly stated that they should try to gain more and better knowledge than their peers. Their session would be considered a success if they performed better than everyone else on a final test. To make sure the students internalized these specific directions, they were all asked to paraphrase the instructions in writing before beginning.

Both groups then spent 20 minutes interacting with the text generating program to learn about the four concepts. The researchers reminded the students of their specific goal every five minutes. The participants were not allowed to take personal notes.

After the learning phase, the participants reported their intrinsic motivation and emotional state. They then took a final test consisting of 12 open-ended questions designed to measure both their conceptual knowledge and their deeper comprehension. The researchers also collected the chat transcripts and categorized every prompt the students typed into the software.

The results established that the way a task is framed drastically changes the way people interact with artificial intelligence. Students in the mastery group acquired noticeably more conceptual knowledge than those in the performance group. They provided better definitions and explanations of the core psychological concepts.

The chat logs revealed exactly how the performance group’s desire to appear smart sabotaged their learning process. Because these students wanted to outshine their peers, they asked the chatbot for trivial details that might sound impressive in a social setting.

They frequently requested the specific names of researchers who coined certain terms or the exact years that famous studies were published. They asked for the titles of related books and journals. While these facts might help a person sound knowledgeable in a casual conversation, they contributed very little to actual understanding of the core psychological principles.

During the final test, the performance group included these nonessential details in their written answers at an elevated rate. This phenomenon is known as criteria compliance, where learners try to fulfill external evaluation standards in a superficial way that neglects the actual learning objective.

In contrast, the mastery group used their time more efficiently. Rather than searching for obscure trivia, they asked the software for memorization aids to help them properly retain the material. They actively tried to build a structural understanding of the information.

Beyond the difference in knowledge acquisition, the performance goal instruction took an emotional toll on the users. Students in this group reported experiencing elevated levels of pressure and tension during the task.

As they worried about external evaluation and normative testing standards, the fear of potential failure made the learning process highly stressful. They experienced heightened overall anxiety. The mastery group, focusing only on their own intellectual progress, avoided this emotional burden.

The researchers also measured positive facets of intrinsic motivation, such as enjoyment, interest, and feelings of autonomy. Surprisingly, they found that the differences between the two groups on these positive measures were not statistically significant. The researchers noted that both groups displayed very high baseline levels of mastery orientation.

Many university students naturally want to learn, and these internal desires can coexist with external performance pressures. The performance instructions did not stamp out their native curiosity, but they did introduce negative pressures that hindered their progress.

Testing on deeper comprehension yielded similar results. The differences between the groups regarding deep comprehension tasks, which required students to apply the psychological concepts to novel scenarios, were not statistically significant. The researchers suspect that a 20-minute session was simply not enough time to achieve an advanced understanding. Learning how to properly apply complex psychological phenomena likely requires an extended study period.

Future investigations will need to address a few limits of this experiment. The participants likely had varied levels of experience with artificial intelligence. While most students used the program to request basic explanations, very few asked the software to generate practice quizzes or simulate an assessment. A learner’s prior technical skills could easily alter how they pursue different goals.

The researchers also point out that this specific experiment only tested declarative knowledge, which relies on understanding strict facts and concepts. Asking for peripheral details is an easy way to fake competence when studying basic text. However, this strategy might not translate well to learning problem-solving skills or advanced mathematics, where superficial details offer no advantage. Future studies could test different types of learning material to see if the effect persists.

Finally, the study team had no way to track how deeply the students thought about the text generated by the software. Without eye-tracking technology or think-aloud protocols, it is difficult to know if the mastery group actively read the text more thoroughly, or if their superior test scores resulted purely from the difference in their initial prompts.

Despite these unknowns, the takeaway for educators remains straightforward. Pushing students to compete with one another shifts their focus away from mastering the content. When teachers incorporate artificial intelligence into their classrooms, they should avoid framing tasks around peer comparison.

The study, “AIming High: Do Goal Structures Matter in Learning With ChatGPT?,” was authored by Laura Schmidt, Niklas Obergassel, and Julian Roelle.

URL: https://www.psypost.org/how-the-desire-to-outshine-peers-ruins-learning-with-chatgpt/

-------------------------------------------------

Private, vetted email list for mental health professionals: https://www.clinicians-exchange.org

Unofficial Psychology Today Xitter to toot feed at Psych Today Unofficial Bot @PTUnofficialBot

-------------------------------------------------

#psychology #counseling #socialwork #psychotherapy @psychotherapist @psychotherapists @psychology @socialpsych @socialwork @psychiatry #mentalhealth #psychiatry #healthcare #depression #psychotherapist #AIinEducation #ChatGPTLearning #MasteryOverPerformance #DeepLearning #EducationalPsychology #GoalStructures #LearningVsPerformance #MemorizationVsUnderstanding #StudentMotivation #AIEthicsInClassrooms

DATE: June 26, 2026 at 06:00PM
SOURCE: PSYPOST.ORG

** Research quality varies widely from fantastic to small exploratory studies. Please check research methods when conclusions are very important to you. **
-------------------------------------------------

TITLE: Competitive students use ChatGPT to memorize trivia instead of actually learning

URL: https://www.psypost.org/how-the-desire-to-outshine-peers-ruins-learning-with-chatgpt/

When students use artificial intelligence to learn new subjects, their underlying motivations dictate whether they actually retain information or just acquire superficial facts. A recent experiment found that learners instructed to focus on personal understanding absorbed more knowledge than those instructed to outsmart their peers. The students focused on competing with others also experienced higher anxiety and approached the learning task with shallow strategies. The research was published in Applied Cognitive Psychology.

In the realm of educational psychology, experts rely on a concept called achievement goal theory. This framework defines the internal reasons why an individual puts effort into academic tasks. A student might read a textbook to genuinely understand the workings of the universe, or they might read it solely to secure a passing grade.

Instructors often shape these internal goals by emphasizing different measures of success in the classroom. This environmental influence is known as a goal structure. Teachers can alter this structure through the design of their assignments, the way they grade, or the words they use in their instructions.

A mastery goal structure encourages students to focus on individual progress. In this environment, the primary objective is skill development and deep comprehension. The standards for success are absolute or personal, meaning the student only compares their current knowledge to their past baseline.

Conversely, a performance goal structure pushes students to demonstrate their competence by outperforming others. The focus lies entirely on managing how other people perceive their abilities. Success is based on a normative curve, where doing well means beating classmates and avoiding unfavorable evaluations.

Past educational research shows that mastery environments tend to foster deep learning activities. Students are more likely to exhibit persistence and seek genuine comprehension. Performance environments often encourage shallow study habits, where learners prioritize the appearance of competence over actual understanding.

Today, artificial intelligence tools are rapidly entering mainstream education. Generative chat programs offer a highly personalized way to study, functioning almost like an on-demand private tutor. Yet, early research into these text generators shows wildly varying results.

Some studies indicate that using these programs improves academic achievement. Other studies reveal a drop in performance when students rely on the software.

Educational researcher Laura Schmidt at Ruhr University Bochum in Germany wanted to understand the reasons behind this variation. People might assume that a student’s technical skill with prompt engineering dictates their overall success. But Schmidt suspected that a student’s personal motivation might shape their technical approach to the software.

Along with colleagues Niklas Obergassel and Julian Roelle at the University of Münster, Schmidt designed a study to see if the traditional concept of goal structures still applied in an automated era. Because large language models respond directly to user instructions, a student’s internal motivations could immediately dictate the type of questions they ask during a study session.

To test this idea, the research team recruited 104 university students for a supervised online experiment. The participants were told to use ChatGPT to study four specific social psychology concepts. These included ideas like the mere exposure effect, which describes how people tend to develop a preference for things merely because they are familiar with them.

The students took a test to measure their existing knowledge of the social psychology concepts. Then, they were split into two slightly unequal groups. The first group received instructions designed to create a mastery goal structure.

These participants were told that their objective when using the software was to extend their personal knowledge. The researchers told the students to gain a deep understanding of the concepts, noting that their learning session would be considered a success if they felt they had learned a lot.

The second group was placed in a performance goal structure. The researchers told this group that their true objective was to shine in comparison to the other participants in the study.

The instructions explicitly stated that they should try to gain more and better knowledge than their peers. Their session would be considered a success if they performed better than everyone else on a final test. To make sure the students internalized these specific directions, they were all asked to paraphrase the instructions in writing before beginning.

Both groups then spent 20 minutes interacting with the text generating program to learn about the four concepts. The researchers reminded the students of their specific goal every five minutes. The participants were not allowed to take personal notes.

After the learning phase, the participants reported their intrinsic motivation and emotional state. They then took a final test consisting of 12 open-ended questions designed to measure both their conceptual knowledge and their deeper comprehension. The researchers also collected the chat transcripts and categorized every prompt the students typed into the software.

The results established that the way a task is framed drastically changes the way people interact with artificial intelligence. Students in the mastery group acquired noticeably more conceptual knowledge than those in the performance group. They provided better definitions and explanations of the core psychological concepts.

The chat logs revealed exactly how the performance group’s desire to appear smart sabotaged their learning process. Because these students wanted to outshine their peers, they asked the chatbot for trivial details that might sound impressive in a social setting.

They frequently requested the specific names of researchers who coined certain terms or the exact years that famous studies were published. They asked for the titles of related books and journals. While these facts might help a person sound knowledgeable in a casual conversation, they contributed very little to actual understanding of the core psychological principles.

During the final test, the performance group included these nonessential details in their written answers at an elevated rate. This phenomenon is known as criteria compliance, where learners try to fulfill external evaluation standards in a superficial way that neglects the actual learning objective.

In contrast, the mastery group used their time more efficiently. Rather than searching for obscure trivia, they asked the software for memorization aids to help them properly retain the material. They actively tried to build a structural understanding of the information.

Beyond the difference in knowledge acquisition, the performance goal instruction took an emotional toll on the users. Students in this group reported experiencing elevated levels of pressure and tension during the task.

As they worried about external evaluation and normative testing standards, the fear of potential failure made the learning process highly stressful. They experienced heightened overall anxiety. The mastery group, focusing only on their own intellectual progress, avoided this emotional burden.

The researchers also measured positive facets of intrinsic motivation, such as enjoyment, interest, and feelings of autonomy. Surprisingly, they found that the differences between the two groups on these positive measures were not statistically significant. The researchers noted that both groups displayed very high baseline levels of mastery orientation.

Many university students naturally want to learn, and these internal desires can coexist with external performance pressures. The performance instructions did not stamp out their native curiosity, but they did introduce negative pressures that hindered their progress.

Testing on deeper comprehension yielded similar results. The differences between the groups regarding deep comprehension tasks, which required students to apply the psychological concepts to novel scenarios, were not statistically significant. The researchers suspect that a 20-minute session was simply not enough time to achieve an advanced understanding. Learning how to properly apply complex psychological phenomena likely requires an extended study period.

Future investigations will need to address a few limits of this experiment. The participants likely had varied levels of experience with artificial intelligence. While most students used the program to request basic explanations, very few asked the software to generate practice quizzes or simulate an assessment. A learner’s prior technical skills could easily alter how they pursue different goals.

The researchers also point out that this specific experiment only tested declarative knowledge, which relies on understanding strict facts and concepts. Asking for peripheral details is an easy way to fake competence when studying basic text. However, this strategy might not translate well to learning problem-solving skills or advanced mathematics, where superficial details offer no advantage. Future studies could test different types of learning material to see if the effect persists.

Finally, the study team had no way to track how deeply the students thought about the text generated by the software. Without eye-tracking technology or think-aloud protocols, it is difficult to know if the mastery group actively read the text more thoroughly, or if their superior test scores resulted purely from the difference in their initial prompts.

Despite these unknowns, the takeaway for educators remains straightforward. Pushing students to compete with one another shifts their focus away from mastering the content. When teachers incorporate artificial intelligence into their classrooms, they should avoid framing tasks around peer comparison.

The study, “AIming High: Do Goal Structures Matter in Learning With ChatGPT?,” was authored by Laura Schmidt, Niklas Obergassel, and Julian Roelle.

URL: https://www.psypost.org/how-the-desire-to-outshine-peers-ruins-learning-with-chatgpt/

-------------------------------------------------

Private, vetted email list for mental health professionals: https://www.clinicians-exchange.org

Unofficial Psychology Today Xitter to toot feed at Psych Today Unofficial Bot @PTUnofficialBot

-------------------------------------------------

#psychology #counseling #socialwork #psychotherapy @psychotherapist @psychotherapists @psychology @socialpsych @socialwork @psychiatry #mentalhealth #psychiatry #healthcare #depression #psychotherapist #AIinEducation #ChatGPTLearning #MasteryOverPerformance #DeepLearning #EducationalPsychology #GoalStructures #LearningVsPerformance #MemorizationVsUnderstanding #StudentMotivation #AIEthicsInClassrooms

Alright, future engineers!
**Feynman Technique:** Learn by explaining a concept simply, as if to a 5-year-old.
Ex: Try teaching how a bridge works aloud to an empty chair.
Pro-Tip: If you struggle to simplify, you've found a knowledge gap!
#StudyHacks #DeepLearning #STEM #StudyNotes

🧠🤖 AIM for the #Brain – How #AI and #Neuroscience Come Together

For more information: https://indico.uni-muenster.de/event/4011/

or: https://philosophies.de/index.php/2026/05/18/aim-for-the-brain/

#AIMfortheBrain #ArtificialIntelligence #Neuroscience #MachineLearning #ComputationalNeuroscience #DataScience #DeepLearning #NeuralNetworks #Consciousness #EEG #MEG #Neuroscience #CDSC #UniversityofMünster #BrainResearch #CognitiveScience #Interdisciplinarity #AI #Research #PredictiveProcessing #Neurotechnology #Science

🧠🤖 AIM for the #Brain – How #AI and #Neuroscience Come Together

For more information: https://indico.uni-muenster.de/event/4011/

or: https://philosophies.de/index.php/2026/05/18/aim-for-the-brain/

#AIMfortheBrain #ArtificialIntelligence #Neuroscience #MachineLearning #ComputationalNeuroscience #DataScience #DeepLearning #NeuralNetworks #Consciousness #EEG #MEG #Neuroscience #CDSC #UniversityofMünster #BrainResearch #CognitiveScience #Interdisciplinarity #AI #Research #PredictiveProcessing #Neurotechnology #Science

🤖 KI-Briefing — 26.06.2026

1. Künstliche Intelligenz: News, Ratgeber und Tipps | heise online
Der Begriff Künstliche Intelligenz (KI) wurde bereits in den 50er Jahren geschaffen, ein Marketingkniff von John McCarthy, der seine Forschung damit auch von dem Gebiet der Cybernetics abgrenzen wo...

2. Künstliche Intelligenz: Zerstört KI das Klima - Handelsblatt
Künstliche Intelligenz Zerstört KI das Klima - oder kann sie es retten? Die Vereinten Nationen und das Öko-Institut warnen vor dem Ressourcenverbrauch durch KI.

3. Künstliche Intelligenz: News, Business, Forschung & mehr | THE DECODER
Künstliche Intelligenz verändert die Welt. THE DECODER ist das führende internationale Fachmagazin zu allen Nachrichten und Themen rund um KI.

4. Künstliche Intelligenz - täglich neue KI AI News
Künstliche Intelligenz News: Täglich kuratierte KI & AI News kompakt erklärt - inklusive Startup-Ideen, Charts, Top-Listen und Personen in Artificial Intelligence News.

5. KI News: Aktuelle Nachrichten & neuste Entwicklungen in der Künstlichen Intelligenz | Handelsblatt
Künstliche Intelligenz, auch kurz KI oder AI für Artifizielle Intelligenz, ist ein Teilgebiet der Informatik.

6. Neueste KI-Nachrichten & Echtzeit-Updates | Tägliche Schlagzeilen zur ...
Erhalte die neuesten KI-Nachrichten, Live-Updates und Ex...

🤖 KI-Briefing — 26.06.2026

1. Künstliche Intelligenz: News, Ratgeber und Tipps | heise online
Der Begriff Künstliche Intelligenz (KI) wurde bereits in den 50er Jahren geschaffen, ein Marketingkniff von John McCarthy, der seine Forschung damit auch von dem Gebiet der Cybernetics abgrenzen wo...

2. Künstliche Intelligenz: Zerstört KI das Klima - Handelsblatt
Künstliche Intelligenz Zerstört KI das Klima - oder kann sie es retten? Die Vereinten Nationen und das Öko-Institut warnen vor dem Ressourcenverbrauch durch KI.

3. Künstliche Intelligenz: News, Business, Forschung & mehr | THE DECODER
Künstliche Intelligenz verändert die Welt. THE DECODER ist das führende internationale Fachmagazin zu allen Nachrichten und Themen rund um KI.

4. Künstliche Intelligenz - täglich neue KI AI News
Künstliche Intelligenz News: Täglich kuratierte KI & AI News kompakt erklärt - inklusive Startup-Ideen, Charts, Top-Listen und Personen in Artificial Intelligence News.

5. KI News: Aktuelle Nachrichten & neuste Entwicklungen in der Künstlichen Intelligenz | Handelsblatt
Künstliche Intelligenz, auch kurz KI oder AI für Artifizielle Intelligenz, ist ein Teilgebiet der Informatik.

6. Neueste KI-Nachrichten & Echtzeit-Updates | Tägliche Schlagzeilen zur ...
Erhalte die neuesten KI-Nachrichten, Live-Updates und Ex...

The annotated PyTorch training loop

https://idlemachines.co.uk/essays/pytorch-training-loop

#HackerNews #PyTorch #Training #MachineLearning #AI #DeepLearning #Coding

The annotated PyTorch training loop

https://idlemachines.co.uk/essays/pytorch-training-loop

#HackerNews #PyTorch #Training #MachineLearning #AI #DeepLearning #Coding

Since it remains unclear whether my current #PostDoc contract will be prolonged in January, I am starting to look for a new #AcademicJob!

My expertise are #ecology, #ethology, #AnimalBehavior, with a focus on #olfaction in #mammals.
I had a stint in #NeuroEthology, but that wasn't quite my cup of tea, and I am currently working in #AnimalWelfare for husbandry animals (think cows, pigs etc).
I have done field work (wild rodents), lab work (very controlled behavioral assays), and pure data analysis.
I do everything in #rstats, so my standard analysis tools are GLM/GLMM, but I'm currently learning how to properly use Generalized Additive Models, as they seem like the natural next step.
I've also dabbled in #python in order to work with #DeepLabCut and #moseq, so the last few years I spent mostly with #ComputerVision, #DeepLearning, and extracting data from videos.
As that requires heavy GPU calculations, I've done most on my work on institutional and/or national #HPC, and then crunched the masses of resulting data in #rstats

I'm looking for a job in the #EU, preferably anywhere north of Germany, but let's be honest, I'll go wherever there is a job.

My website is a bit outdated, but https://tsievert.com/

Please boost for visibility!

#AnimalBehaviour #FediJobs #FediHire #GetFediHired #LookingForJob

🤖 KI-Briefing — 25.06.2026

1. Künstliche Intelligenz im Überblick | mindsquare AG
Der Begriff der künstlichen Intelligenz wurde erstmals von John McCarthy im Jahre 1956 auf der Dartmouth Conference eingeführt. Aufgrund der stetigen Zunahme der Geschwindigkeiten, Größe und Vielfa...

2. Neueste KI-Nachrichten & Echtzeit-Updates | Tägliche Schlagzeilen zur ...
Erhalte die neuesten KI-Nachrichten, Live-Updates und Experteneinschätzungen zu Künstlicher Intelligenz, maschinellem Lernen, Deep Learning und mehr auf xix.ai. Täglich sorgfältig ausgewählt für En...

3. Künstliche Intelligenz: Anthropic wirft chinesischem Konzern Kopier ...
Die KI-Firma Anthropic wirft dem chinesischen Alibaba-Konzern einen großangelegten Versuch vor, widerrechtlich Fähigkeiten seiner Software mit Künstlicher Intelligenz abzugreifen.

4. KI News: Aktuelle Nachrichten & neuste Entwicklungen in der Künstlichen Intelligenz | Handelsblatt
Künstliche Intelligenz, auch kurz KI oder AI für Artifizielle Intelligenz, ist ein Teilgebiet der Informatik.

5. Künstliche Intelligenz: Der Hochschulabschluss schützt nicht mehr
Laut ifo-Studie rüttelt Künstliche Intelligenz an Diplomen und Berufserfahrung. Können Algorithmen teure Fachkräfte ersetzen?

6. Arint.info · Mehr auf Arint.info #ai #AI #Alibaba #Anthropic #DeepLearning #mit #arint_info