Tom Ferguson ist vorbeigekommen diesen NachrichtenartikelWer hat wirklich den Money Edge der Midterms 2026?, und conflict enttäuscht, diese völlig falsche Grafik zu sehen:

Das Downside hierbei ist nicht die Einbeziehung des nicht mehr kandidierenden Platner, wie es in einer Fußnote heißt. Vielmehr, wie Ferguson sagt,

Die Instances zeigt, wie Platner Collins übertrifft; während sie Millionen und Abermillionen Greenback voraus ist, wie unsere Diagramme zeigen.

Hier ist das Diagramm von Ferguson neulich mit uns geteilt:

Wenn Collins 39 Millionen Greenback gesammelt hat, warum hat die Instances dann gesagt, dass Collins nur 8 Millionen Greenback gesammelt hat? (Sie haben auch Platners Gesamtsumme unterschätzt, allerdings deutlich weniger, nämlich 13 Millionen US-Greenback statt 16 Millionen US-Greenback.)

Ich fragte Ferguson, wie das passiert sei – wie konnte die Instances so große Fehler machen? Er antwortete:

Wahrscheinlich haben sie einfach die Wahlkampfgelder der Kandidaten genutzt. Die Tremendous Pacs berichten an anderer Stelle. Man muss sie nachschlagen. Das ist regular; Darüber waren wir uns im Klaren, als wir Platner gemacht haben. Republikanische Kandidaten wie Collins operieren tatsächlich mit einer Menge Geld. Das ist übrigens die berühmte Koordinationsdiskussion. Jetzt ist es durch die Entscheidung des Obersten Gerichtshofs sogar juristisch hinfällig.

Collins wird von vielen verschiedenen Fahrzeugen unterstützt. Leicht zu finden und nicht neu.
Die Instances-Reporter sind einfach faul; Sie wissen von den Tremendous Pacs, können sich aber nicht zur Arbeit durchringen. Das ist die freundliche Interpretation.

Dayum.

Letztendlich liegt das Downside hier nicht so sehr bei der New York Instances – so groß sie auch ist, sie ist nur eine Nachrichtenorganisation, und sie versucht ihr Bestes zu geben –, sondern bei der Aushöhlung der Nachrichtenmedien im Allgemeinen.

Anders ausgedrückt: Das Downside liegt nicht darin, dass die New York Instances nicht das Downside ist. Das Downside ist, dass die New York Instances eine der wenigen großen unabhängigen Nachrichtenorganisationen überhaupt ist. Wenn viele andere Organisationen diese Dinge melden würden, müssten wir uns nicht darauf verlassen, dass die Instances keinen Fehler macht.

Ferguson fährt fort:

Vergleichen Sie die endlosen Artikel über Demokraten, die bei den Beratungen in Maine reden. Der Milliardärsaufgabe Der Instances-Typ sollte etwas an Collins arbeiten.

Vgl. Unsere Quellendiskussion im ersten Beitrag:

Wir haben Daten der Federal Election Fee verwendet, um ähnliche Zahlen für die viel diskutierte Senatswahl in Maine zu erstellen. Die amtierende Senatorin Susan Collins kandidiert für die Republikaner, während Graham Platner ihr demokratischer Herausforderer ist. Unsere Summen Rechnen Sie mit Beiträgen von Tremendous Pacs und anderen externen Organisationen, die im Namen eines Kandidaten oder gegen einen Kandidaten ausgegeben werden (was wir als Ausgaben für den Gegner des Kandidaten zählen).

Die Notiz ist der Hammer, additionally kopiere ich sie hier:

Massendaten-Downloads der Federal Election Fee werden nicht blitzschnell aktualisiert. Es dauert eine gewisse Zeit, bis einzelne elektronische Einreichungen in diese Dateien übernommen werden. In diesem Fall fehlt bei den Massen-Downloads der Daten der 12-tägige Pre Major Report (12P) (eingereicht vor der Vorwahl am 9. Juni) und enthält Beiträge an den Hauptwahlkampfausschuss bis einschließlich 20. Mai 2026. Bei den Massen-Downloads fehlen auch die unabhängigen Ausgaben, die bis zum Wahltag getätigt wurden. Wir haben die elektronischen Unterlagen des Hauptwahlkampfkomitees der Kandidaten und die unabhängigen Ausgaben eingeholt, um die Lücke bei den Massendatendownloads zu schließen. Wir haben diese elektronischen Unterlagen vom 12. bis 14. Juni heruntergeladen. Collins nutzt mehrere Ausschüsse, um Geld zu sammeln und auszugeben, und diese Ausschüsse haben unterschiedliche Einreichungsfristen. Das Pine Tree Outcomes PAC hat einen 12P eingereicht und meldet Spenden bis einschließlich 20. Mai. Das Lead Maine Committee hat Spenden bis zum 28. April. Das Stronger Maine Tremendous PAC hat Spenden bis zum 31. März, das Collins Victory Committee ist der 31. März und das Susan Collins for Maine JFC ist der 31. März. Collins sammelt auch Geld für ihre wichtigsten Kampagnen- und Führungskomitees über Joint Fundraising Committees (JFCs). Hierbei handelt es sich um Gemeinschaftskonten, die es mehreren Kandidaten oder Parteigremien ermöglichen, gemeinsam Geld zu sammeln. Ein einzelner Spender stellt dem JFC einen „Eltern“-Scheck aus, der dann unter den teilnehmenden Komitees aufgeteilt wird. Wenn Collins eindeutig Begünstigte solcher Vereinbarungen ist, wie zum Beispiel beim Collins Victory Committee, zählen wir den vollständigen Elternscheck als Teil ihrer Spenderverteilung. Wenn Collins nur einer von mehreren Kandidaten ist, die am JFC beteiligt sind, wie etwa bei der One-Group-Senate-Mehrheit, zählen wir nur den unterteilten Anteil, der Collins direkt als Teil ihrer Spenderverteilung gegeben wird, und nicht den vollständigen Elternscheck. Indem wir den übergeordneten Scheck für Ausschüsse, die sie kontrolliert, aber nur den unterteilten Scheck für Ausschüsse, denen sie lediglich beitritt, zählen, können wir den wahren Beitrag jedes Spenders an Collins genau einmal gutschreiben, ohne die gleichen {Dollars} doppelt zu zählen oder Gelder zu absorbieren, die im Namen anderer Kandidaten gesammelt wurden.

Additionally, ja, sie mussten etwas arbeiten.

Der oben verlinkte Artikel der New York Instances ist aus zwei Gründen scheiße:

1. Es ging völlig schief und die Geschichte über den massiven Fundraising-Vorteil des republikanischen Kandidaten wurde völlig verfehlt.

2. Es conflict in einem überheblichen Stil geschrieben, ohne dass der Leser erkennen konnte, dass in der Nachrichtenmeldung tatsächlich mehr als die Hälfte des Wahlkampfgeldes fehlte.

Ich werde dies an meine Kollegen bei der Instances weiterleiten. Vielleicht führen sie eine Korrektur durch?

[ad_2]

Jemand hat mich darauf hingewiesen dieser Beitrag vom ehemaligen Kolumnisten der Washington Submit, Philip Bump:

Der Hyperlink zu Bumps längerem Beitrag lautet Hier. Ich stelle die Zahlen von Moynihan oder Bump nicht in Frage – ich habe sie nicht selbst überprüft, aber ich habe keinen Grund zu der Annahme, dass sie falsch sind –, aber ich denke, dass sie beide den Kern der Bezos‘ Beweggründe irgendwie verfehlen.

Hier ist meine Geschichte (die, wie im obigen Titel erwähnt, reine Spekulation ist):

Jeff Bezos ist ein reicher Kerl, der viel Geld übrig hat. Er kann es sich leisten, eine große Zeitung zu kaufen, wenn sie zum Verkauf steht, oder eine eigene Zeitung zu gründen, wenn er das möchte. Er hätte das zum Beispiel in Seattle tun können. Aber das gilt nicht nur für Bezos, sondern auch für viele andere reiche Leute, und die meisten von ihnen kaufen keine Nachrichtenorganisationen oder gründen sie nicht. Dafür gibt es Gründe: Erstens kostet das Betreiben einer Zeitung Geld, und selbst wenn man reich ist, möchte man kein Geld wegwerfen. Zweitens lesen immer weniger Menschen Zeitungen oder schauen Nachrichten im Fernsehen. Wenn Sie eine Zeitung kaufen oder gründen, steigen Sie nicht im Erdgeschoss ein; Es ist eher so, als würde man einen Aufzug betreten, der sich im freien Fall befindet. Der Traum im Technologiebereich besteht darin, das nächste große Ding mit unbegrenztem Potenzial zu finden, und nicht darin, in eine reife und im Niedergang begriffene Branche zu investieren.

Warum kaufte Bezos dann überhaupt die Washington Submit? Nun, es ist ein einzigartiges Anwesen mit Einfluss und einer sagenumwobenen Geschichte. Vielleicht liegt es additionally einfach daran, dass es verfügbar wurde und er es sich geschnappt hat. Möglicherweise hatte er das vage Ziel, den Journalismus zu unterstützen, aber auch der Besitz einer Zeitung bietet einen gewissen Schutz vor voreingenommener Berichterstattung. Selbst wenn Bezos die Zeitung ohne Umschweife besitzt und ihre Reporter bereit sind, schlechte Nachrichten gegen ihn zu berichten, werden sie ihm vermutlich eine faire Likelihood geben und nicht aktiv gegen ihn voreingenommen sein. Später wurde er vom Nationwide Enquirer belästigt, es ist additionally nicht so, dass so etwas nicht passieren könnte. Wenn Sie glauben, dass die Medien Ihnen schaden könnten, kann es von Vorteil sein, über ein eigenes Medienunternehmen zu verfügen. Additionally eine Mischung aus Gemeinsinn und der Idee, ein führender Bürger zu sein, möglicherweise auch mit defensivem Wert. Und wer weiß, vielleicht die Möglichkeit eines Geschäftserfolgs.

Das hat eine Logik. Angenommen, Sie können sich die anfänglichen Ausgaben und die laufenden Kosten leisten, wenn Sie eine Zeitung kaufen oder gründen, sie mit seriösen Journalisten und Redakteuren besetzen und sie ihr Ding machen lassen, dann haben Sie sich eine gute Presse und einen gewissen Schutz gegen voreingenommene Berichterstattung und politische Einschüchterung gekauft, Sie können das Gefühl haben, dass Sie einen Beitrag zur Zivilgesellschaft leisten, und es ist ein Spielzeug, mit dem man spielen kann; Daran ist nichts auszusetzen!

Aber was geschah dann zwischen 2013 und 2026? Ich vermute, dass das alles einfach zu viel Aufwand geworden ist. Anstatt eine Quelle guter Presse zu sein, wurde der Besitz der Washington Submit zu einem PR-Drawback. Wenn Bezos Geschichten berichtet oder Kommentare veröffentlicht, die die Republikaner schlecht aussehen lassen, wird er von rechts angegriffen. Als er seinen Mitarbeitern sagt, sie sollen mit den Republikanern sparsam umgehen, wird er von hyperlinks angegriffen. Der Kerl wird von beiden Seiten verprügelt. Wenn er zulässt, dass die Submit weiterhin von ihren Redakteuren geführt wird, bekommt er weder von der Mitte noch von der Linken Anerkennung, sondern muss sich mit einer anhaltenden Verärgerung seitens der Rechten auseinandersetzen. Doch als er beschließt, dieses Drawback zu lösen, indem er ein willfähriges externes Redaktionsteam hinzuzieht, ist er plötzlich der Mann, der die Nachrichten zerstört hat.

Unterdessen ist unklar, welchen Nutzen Bezos aus dem Besitz der Zeitung zieht. Theoretisch könnte er sein Eigentum an der Submit als politisches Instrument nutzen und Trump beispielsweise sagen, dass er die Titelseiten mit Geschichten über Jeffrey Epstein füllen wird, wenn die Regierung Amazon keinen lukrativen Auftrag gibt. Aber in der Praxis scheint es nicht so zu sein, dass Bezos diese Artwork von Hardball spielt. Die Vermeidung von Umsatzsteuern ist eine Sache, Lobbyarbeit ist in Ordnung, aber direkte Drohungen wären vielleicht eine zu weitreichende Eskalation.

Anstatt Spaß zu machen, gute Werbung zu machen und eine Artwork politische Versicherung zu sein, ist der Besitz der Submit zum Gegenteil geworden: Es ist eine Nervensäge, lädt zu Angriffen von allen Seiten ein und verwickelt ihn mehr denn je in die Politik. Außerdem verschlingt es ständig Geld.

Aus dieser Perspektive ist es für Bezos additionally sinnvoll, sich von der ganzen Sache zu trennen. Es geht nicht darum, dass die Kosten für den Betrieb der Zeitung im Vergleich zu seinem unvorstellbaren Reichtum irrelevant sind.

An diesem Punkt fragen Sie sich vielleicht, warum Bezos die Reste der Zeitung nicht verkauft oder sie einfach einstellt. Es könnte eine geschäftliche Entscheidung seinerseits sein, oder vielleicht auch die Einschätzung, dass es nützlich sein könnte, die Washington Submit in der Nähe zu haben, wenn Sie sich in einem Streit befinden, der die öffentliche Meinung betrifft.

Und wiederum ist Bezos nicht der einzige Zillionär da draußen, der es sich leisten kann, eine Großstadtzeitung zu kaufen. Die Tatsache, dass Zillionäre (ob politisch denkend oder einfach nur zum Schutz ihrer Geschäftsinteressen motiviert) nicht Schlange stehen, um Zeitungen zu kaufen oder eigene Alternativen zu gründen, deutet darauf hin, dass sie in Medieneigentum keinen großen Wert sehen. Es liegt auch etwas an der Natur des Geschäfts: Wenn man eine Nachrichtenagentur oder eine Organisation kauft, gibt es all diese Reporter, die die Nachrichten ohne politische Einmischung berichten wollen. Dann muss man es aufsaugen und von den Leuten, die man ernährt, gebissen werden, oder man muss eine Menge Leute entlassen und sie durch willfährige Ersatzleute ersetzen. Vielleicht wird dies in Zukunft weniger ein Drawback sein, da das Angebot an konservativen Journalisten zunimmt.

PS Sam in Kommentaren bietet eine weitere believable Erklärung: Bezos sah darin eine Geschäftsmöglichkeit und dachte, er könne die Washington Submit in eine worthwhile Zeitung verwandeln.

[ad_2]

Agentische KI-Systeme basieren auf großen Sprachmodellen und stellen eine Verbindung zu Instruments, Speicher und externen Umgebungen her. Sie unterstützen bereits wissenschaftliche Entdeckungen, Softwareentwicklung und klinische Forschung, kämpfen jedoch immer noch mit unzuverlässiger Werkzeugnutzung, schwacher langfristiger Planung und schlechter Verallgemeinerung. Die neueste Forschungsarbeit ‚Anpassung der Agenten-KIVon Stanford, Harvard, UC Berkeley schlägt Caltech eine einheitliche Sicht darauf vor, wie sich diese Systeme anpassen sollten, und ordnet vorhandene Methoden einem kompakten, mathematisch definierten Rahmen zu.

Wie diese Forschungsarbeit ein Agenten-KI-System modelliert?

Die Forschungsumfrage modelliert ein Agenten-KI-System als Basismodellagenten zusammen mit drei Schlüsselkomponenten. Ein Planungsmodul zerlegt Ziele in Handlungssequenzen und verwendet dabei statische Verfahren wie Chain-of-Thought und Tree-of-Thought oder dynamische Verfahren wie ReAct und Reflexion, die auf Suggestions reagieren. Ein Instrument-Nutzungsmodul verbindet den Agenten mit Websuchmaschinen, APIs, Codeausführungsumgebungen, Modellkontextprotokollen und Browserautomatisierung. Ein Speichermodul speichert kurzfristigen Kontext und langfristiges Wissen, auf das durch Retrieval Augmented Era zugegriffen wird. Die Anpassung ändert Eingabeaufforderungen oder Parameter für diese Komponenten mithilfe überwachter Feinabstimmung, präferenzbasierter Methoden wie der direkten Präferenzoptimierung, Methoden des verstärkenden Lernens wie der Optimierung der Proximalrichtlinie und der Optimierung der relativen Gruppenrichtlinie sowie parametereffizienter Techniken wie der Adaption niedriger Ränge.

Vier Anpassungsparadigmen

Das Framework definiert 4 Anpassungsparadigmen durch die Kombination von 2 binären Entscheidungen. Die erste Dimension ist das Ziel, Agentenanpassung versus Werkzeuganpassung. Die zweite Dimension ist das Überwachungssignal, die Instrument-Ausführung im Vergleich zur Agenten-Ausgabe. Daraus ergeben sich A1 und A2 für die Anpassung des Agenten und T1 und T2 für die Anpassung der Werkzeuge.

A1, Instrument Execution Signaled Agent Adaptation, optimiert den Agenten mithilfe von Suggestions aus der Toolausführung. A2, Agent Output Signaled Agent Adaptation, optimiert den Agenten mithilfe eines Indicators, das nur an seinen endgültigen Ausgängen definiert ist. T1, Agent-Agnostic Instrument Adaptation, optimiert Instruments, ohne sich auf einen bestimmten Agenten zu beziehen. T2, Agent-Supervised Instrument Adaptation, optimiert Instruments unter Aufsicht eines festen Agenten.

A1, Lernen aus überprüfbarem Instrument-Suggestions

In A1 empfängt der Agent eine Eingabe x, erzeugt einen strukturierten Instrument-Aufruf a, die Instruments geben ein Ergebnis y zurück und das Lernziel O_tool misst den Instrument-Erfolg, zum Beispiel die Richtigkeit der Ausführung oder die Qualität des Abrufs. Der Artikel behandelt sowohl die überwachte Nachahmung erfolgreicher Werkzeugverläufe als auch das verstärkende Lernen, bei dem überprüfbare Werkzeugergebnisse als Belohnung verwendet werden.

Toolformer, ToolAlpaca und Gorilla veranschaulichen überwachte A1-Methoden, da jede Ausführungsergebnisse realer Instruments verwendet, um Trainingsspuren vor der Nachahmung zu erstellen oder zu filtern. Bei allen bleibt das Überwachungssignal auf der Ebene des Werkzeugverhaltens definiert, nicht auf der Ebene der endgültigen Antwort.

DeepRetrieval ist ein zentrales Beispiel für verstärktes A1-Lernen. Es stellt die Abfrageneuformulierung als einen Markov-Entscheidungsprozess dar, bei dem der Standing die Benutzerabfrage ist, die Aktion eine umgeschriebene Abfrage ist und die Belohnung Abrufmetriken wie Recall und nDCG, einen Formatbegriff, und, für Textual content zu SQL, SQL-Ausführungsgenauigkeit kombiniert. Die Richtlinie wird mit KL-regularisierter Proximal-Richtlinienoptimierung trainiert und das gleiche Ziel umfasst die Literatursuche, die Beantwortung von Korpusfragen und die Textausgabe in SQL.

A2, Lernen aus den endgültigen Agentenausgaben

A2 deckt Fälle ab, in denen das Optimierungsziel O_Agent nur von der endgültigen Ausgabe o abhängt, die vom Agenten erzeugt wird, selbst wenn der Agent intern Instruments verwendet. Die Umfrage zeigt, dass die alleinige Überwachung von o nicht ausreicht, um Werkzeuge beizubringen, da der Agent Werkzeuge ignorieren und dennoch die Wahrscheinlichkeit verbessern kann. Effektive A2-Systeme kombinieren daher die Überwachung von Instrument-Aufrufen mit der Überwachung von endgültigen Antworten oder weisen o spärliche Belohnungen zu, wie z. B. die Genauigkeit der exakten Übereinstimmung, und verbreiten sie über die gesamte Flugbahn zurück.

T1, agentenunabhängiges Instrument-Coaching

T1 friert den Hauptagenten ein und optimiert die Instruments, sodass sie weitgehend wiederverwendbar sind. Das Ziel O_tool hängt nur von den Werkzeugausgaben ab und wird anhand von Metriken wie Abrufgenauigkeit, Rating-Qualität, Simulationstreue oder Erfolg nachgelagerter Aufgaben gemessen. Von A1 trainierte Suchrichtlinien wie DeepRetrieval können später als T1-Instruments in neuen Agentensystemen wiederverwendet werden, ohne den Hauptagenten zu ändern.

T2, Werkzeuge optimiert unter einem gefrorenen Agenten

T2 geht von einem leistungsstarken, aber festen Agenten A aus, was häufig der Fall ist, wenn es sich bei dem Agenten um ein Closed-Supply-Grundmodell handelt. Das Instrument führt Aufrufe aus und gibt Ergebnisse zurück, die der Agent dann zur Erstellung von o verwendet. Das Optimierungsziel lebt wieder von O_agent, aber die trainierbaren Parameter gehören zum Instrument. Das Papier beschreibt qualitätsgewichtetes Coaching, zielbasiertes Coaching und Reinforcement-Studying-Varianten, die alle Lernsignale für das Instrument aus den endgültigen Agentenausgaben ableiten.

Die Umfrage behandelt das Langzeitgedächtnis als Sonderfall von T2. Der Speicher ist ein externer Speicher, der durch gelernte Funktionen geschrieben und gelesen wird, und der Agent bleibt eingefroren. Zu den jüngsten T2-Systemen gehören s3, das einen 7-Milliarden-Parametersucher trainiert, der eine durch einen eingefrorenen Generator definierte Acquire-Past-RAG-Belohnung maximiert, und AgentFlow, das einen Planer trainiert, größtenteils eingefrorene Qwen2.5-basierte Module mithilfe von Circulate GRPO zu orchestrieren.

Wichtige Erkenntnisse

• Die Forschung definiert einen präzisen 4-Paradigmen-Rahmen für die Anpassung der Agenten-KI, indem sie zwei Dimensionen kreuzt: ob die Anpassung auf den Agenten oder die Instruments abzielt und ob das Überwachungssignal von der Toolausführung oder von den endgültigen Agentenausgaben kommt.
• A1-Methoden wie Toolformer, ToolAlpaca, Gorilla und DeepRetrieval passen den Agenten direkt anhand von überprüfbarem Instrument-Suggestions an, einschließlich Abrufmetriken, SQL-Ausführungsgenauigkeit und Codeausführungsergebnissen, oft optimiert mit KL-regularisierter Proximal Coverage Optimization.
• A2-Methoden optimieren den Agenten anhand von Signalen zu endgültigen Ausgaben, beispielsweise Antwortgenauigkeit, und das Papier zeigt, dass Systeme immer noch Werkzeugaufrufe überwachen oder spärliche Belohnungen über vollständige Trajektorien verbreiten müssen, andernfalls kann der Agent Werkzeuge ignorieren und gleichzeitig die Wahrscheinlichkeit erhöhen.
• T1 und T2 verlagern das Lernen auf Werkzeuge und Gedächtnis, T1 trainiert allgemein nützliche Retriever, Sucher und Simulatoren ohne einen bestimmten Agenten im Hinterkopf, während T2 Werkzeuge unter einem eingefrorenen Agenten anpasst, wie in s3 und AgentFlow, wo ein fester Generator einen erlernten Sucher und Planer überwacht.
• Das Forschungsteam stellt eine Anpassungslandschaft vor, die monolithische versus modulare und lokale versus systemische Kontrolle in Beziehung setzt, und argumentiert, dass praktische Systeme seltene A1- oder A2-Updates auf einem starken Basismodell mit häufigen T1- und T2-Anpassungen von Retrievern, Suchrichtlinien, Simulatoren und Speicher für Robustheit und Skalierbarkeit kombinieren.

---

Schauen Sie sich das an Papier Und GitHub-Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Michal Sutter ist ein Knowledge-Science-Experte mit einem Grasp of Science in Knowledge Science von der Universität Padua. Mit einer soliden Grundlage in statistischer Analyse, maschinellem Lernen und Datentechnik ist Michal hervorragend darin, komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.

[ad_2]