In meinem Neuester Beitrag zu strukturierten Ausgabendie drei Hauptansätze, um maschinenlesbare Antworten von einem LLM zu erhalten. Dies sind der JSON-Modus, Funktionsaufrufe und die strukturierten Ausgaben von OpenAI. Wenn Sie diesen Beitrag noch nicht gelesen haben, lohnt es sich, ihn vor diesem Beitrag kurz zu lesen, da wir direkt darauf aufbauen.

Deshalb gehen wir heute noch einen Schritt weiter und sprechen über etwas, das die Artwork und Weise verändert, wie sich strukturierte Ausgaben in der Praxis anfühlen. Das heißt Pydantisch. Genauer gesagt, während Strukturierte Ausgaben von OpenAI Obwohl die Funktion garantiert, dass das Modell gültiges, schemakonformes JSON zurückgibt, müssen wir auf der Python-Seite noch etwas mit diesem JSON tun. Insbesondere müssen wir es analysieren, die Datentypen validieren, auf die Felder zugreifen, mit unerwarteten Werten umgehen und so weiter. Und hier kommt Pydantic ins Spiel.

Meiner Meinung nach ist die Kombination von Pydantic und OpenAIs Structured Outputs das derzeit sauberste Setup für die Erstellung zuverlässiger LLM-basierter Anwendungen in Python. Am Ende dieses Beitrags werden Sie genau sehen, warum.

Was ist mit Pydantic?

Pydantisch ist eine Python-Bibliothek zur Datenvalidierung mithilfe von Typanmerkungen. Dies bedeutet, dass Sie die Kind und Typen Ihrer Daten als Python-Klasse definieren und dann überprüfen können, ob alle von Ihnen übergebenen Daten tatsächlich dieser Beschreibung entsprechen. Wenn dies nicht der Fall ist, meldet Pydantic einen eindeutigen, beschreibenden Fehler, anstatt zuzulassen, dass sich fehlerhafte Daten stillschweigend durch Ihr System verbreiten.

Hier ist das einfachste mögliche Pydantic-Modell:

from pydantic import BaseModel

class PersonInfo(BaseModel):
    title: str
    age: int
    metropolis: str

Auf diese Weise haben wir jetzt ein Schema, das dies durchsetzt title Und metropolis werden immer eine Zeichenfolge sein, wohingegenage ist immer eine ganze Zahl. Wenn jemand versucht, eine zu erstellen PersonInfo mit age="thirty-two" Pydantic wird es sofort erkennen und uns genau sagen, was schief gelaufen ist.

Aber ist das nicht genau das, was wir bereits mit Funktionsaufrufen und strukturierten Ausgaben gemacht haben? Ja, aber mit einem sehr wichtigen Unterschied.

Einerseits kann das Modell im JSON-Modus oder beim Funktionsaufruf eine Antwort zurückgeben, die dem Schema entspricht, das wir uns vorgestellt haben, oder auch nicht. Selbst wenn das Schema richtig ist, gibt es immer noch eine einfache JSON-Zeichenfolge zurück, sodass wir Felder manuell analysieren, Typen umwandeln und Werte auf der Python-Seite validieren müssen.

Auf der anderen Seite verbessert Structured Outputs dies, indem es dank der eingeschränkten Dekodierung auf Modellebene garantiert, dass der zurückgegebene JSON immer unserem definierten Schema entspricht. Dennoch ist es immer noch nur eine JSON-Zeichenfolge, die wir in Python selbst verwalten müssen.

Mit Pydantic definieren wir unser Schema als Python-Klasse, und die Integration mit der OpenAI-API bedeutet, dass wir zurückkommen ein richtiges Python-Objekt, kein Wörterbuchwobei alle Felder automatisch eingegeben und validiert werden. Das JSON-Schema, das die API benötigt, wird hinter den Kulissen aus unserem Pydantic-Modell generiert. Wir müssen es nie selbst schreiben. Mit anderen Worten, Pydantic ist die Schemadefinitionsschicht, die zwischen unserem Python-Code und der OpenAI-API liegtDadurch wird das gesamte strukturierte Ausgabeerlebnis sauberer, sicherer und wartbarer.

DataCream ist ein Publication zu KI, Daten und Technologie. Wenn Sie sich für diese Themen interessieren, Abonnieren Sie hier!

Aber sehen wir uns in der Praxis an, was wir durch die Verwendung von Pydantic im Vergleich zur bloßen Verwendung strukturierter Ausgaben gewinnen.

So sah die strukturierte Ausgabe vor der Pydantic-Integration aus:

from openai import OpenAI
import json

consumer = OpenAI(api_key="your_api_key")

# outline schema as a uncooked dictionary
instruments = (
    {
        "kind": "perform",
        "perform": {
            "title": "extract_person_info",
            "strict": True,
            "parameters": {
                "kind": "object",
                "properties": {
                    "title": {"kind": "string"},
                    "age": {"kind": "integer"},
                    "metropolis": {"kind": "string"}
                },
                "required": ("title", "age", "metropolis"),
                "additionalProperties": False
            }
        }
    }
)

response = consumer.chat.completions.create(
    mannequin="gpt-4o-mini",
    instruments=instruments,
    tool_choice={"kind": "perform", "perform": {"title": "extract_person_info"}},
    messages=(
        {"position": "consumer", "content material": "Extract data from: 'Maria is 32 years outdated and lives in Athens.'"}
    )
)

# parse manually — we get again a plain dictionary
end result = json.hundreds(response.decisions(0).message.tool_calls(0).perform.arguments)
print(end result("title"))   # "Maria" — however what if the secret is lacking? KeyError.
print(end result("age"))    # is perhaps "32" as a substitute of 32 — kind not assured

Und hier ist das Gleiche mit Pydantic:

from openai import OpenAI
from pydantic import BaseModel

consumer = OpenAI(api_key="your_api_key")

class PersonInfo(BaseModel):
    title: str
    age: int
    metropolis: str

response = consumer.beta.chat.completions.parse(
    mannequin="gpt-4o-mini",
    messages=(
        {"position": "consumer", "content material": "Extract data from: 'Maria is 32 years outdated and lives in Athens.'"}
    ),
    response_format=PersonInfo
)

# we get again a correct Python object, absolutely typed and validated
end result = response.decisions(0).message.parsed
print(end result.title)   # "Maria" — at all times a string
print(end result.age)    # 32 — at all times an integer, by no means a string
print(end result.metropolis)   # "Athens" — at all times a string

Offensichtlich ist die Pydantic-Model kürzer, lesbarer und sicherer. Beachten Sie, wie wir unser Pydantic-Modell an übergeben response_formatund das OpenAI SDK, das die Generierung des JSON-Schemas übernimmt, führt lediglich den API-Aufruf durch strict: Trueund analysiert die Antwort wieder in eine richtige Antwort PersonInfo Objekt. Auf diese Weise erhalten wir Zugriff auf Felder mit Typsicherheit, Validierung und Punktnotation.

Beachten Sie darüber hinaus auch die .parse() Methode, statt der üblichen .create(). Das liegt daran .parse() ist eine Methode im OpenAI SDK, die speziell für die Arbeit mit Pydantic-Modellen entwickelt wurde und die gesamte strukturierte Ausgabepipeline durchgängig verarbeitet.

Aufbau mit Pydantic

1. verschachtelte Modelle und Hear

Einer der Bereiche, in denen Pydantic wirklich glänzt, sind verschachtelte Datenstrukturen. Das Schreiben eines rohen JSON-Schemas für verschachtelte Objekte ist mühsam, aber bei Verwendung von Pydantic werden nur Python-Klassen definiert:

from pydantic import BaseModel
from typing import Checklist

class Handle(BaseModel):
    road: str
    metropolis: str
    nation: str

class ContactInfo(BaseModel):
    title: str
    electronic mail: str
    handle: Handle
    phone_numbers: Checklist(str)

response = consumer.beta.chat.completions.parse(
    mannequin="gpt-4o-mini",
    messages=(
        {
            "position": "consumer",
            "content material": """Extract contact data from:
            'Maria Mouschoutzi, (electronic mail protected), 
            Ermou 15, Athens, Greece. 
            Telephone: +30 210 1234567, +30 697 8901234'"""
        }
    ),
    response_format=ContactInfo
)

contact = response.decisions(0).message.parsed
print(contact.title)                 # "Maria Mouschoutzi"
print(contact.handle.metropolis)        # "Athens"
print(contact.phone_numbers(0))    # "+30 210 1234567"

Der Handle Das Modell ist darin verschachtelt ContactInfo Natürlich übernimmt Pydantic die vollständige Validierung der verschachtelten Struktur. Wir können dann auf Felder mit sauberer Punktnotation zugreifen, wie zum Beispiel: contact.handle.metropolis statt end result("handle")("metropolis")was erhöhen kann KeyError wenn ein Zwischenschlüssel fehlt. Eine der Aufgaben, bei denen Pydantic wirklich praktisch ist, ist die Notwendigkeit verschachtelter Datenstrukturen.

2. Validierung mit Pydantic-Feld

Eine weitere Aufgabe, bei der Pydantic sehr nützlich ist, ist die Validierung der zurückgegebenen Daten. Diese Validierung umfasst die Prüfung von Datentypen, geht aber auch darüber hinaus, da Pydantic auch die Durchsetzung klarer Anweisungen zum tatsächlichen Inhalt der zurückgegebenen Werte ermöglicht. Genauer gesagt können wir mit explizite Validierungseinschränkungen hinzufügen Subjectund gibt dem Modell Anweisungen darüber, welche Werte akzeptabel sind und welche nicht.

Nehmen wir zum Beispiel an, wir haben ein Setup, das Daten zu Produktbewertungen zurückgibt:

from pydantic import BaseModel, Subject
from typing import Elective

class ProductReview(BaseModel):
    product_name: str = Subject(description="The title of the product being reviewed")
    score: int = Subject(ge=1, le=5, description="Score from 1 to five stars")
    sentiment: str = Subject(description="Considered one of: optimistic, impartial, detrimental")
    abstract: str = Subject(max_length=200, description="A quick abstract of the assessment")
    verified_purchase: Elective(bool) = Subject(default=None, description="Whether or not it is a verified buy")

response = consumer.beta.chat.completions.parse(
    mannequin="gpt-4o-mini",
    messages=(
        {
            "position": "consumer",
            "content material": """Extract a structured assessment from:
            'Completely love this espresso machine! 
            Makes good espresso each time. 
            5 stars, would suggest to anybody.'"""
        }
    ),
    response_format=ProductReview
)

assessment = response.decisions(0).message.parsed
print(assessment.product_name)   # "espresso machine"
print(assessment.score)         # 5
print(assessment.sentiment)      # "optimistic"
print(assessment.abstract)        # "Makes good espresso each time."

Insbesondere die ge=1, le=5 auf der score Das Feld teilt dem Modell mit, dass gültige Bewertungen zwischen 1 und 5 liegen max_length=200 auf der abstract stellt sicher, dass wir nie eine Antwort erhalten, die länger als 200 Zeichen ist.

Darüber hinaus ist die description Felder fungieren als Anweisungen für das Modell und helfen ihm dabei, genau zu verstehen, was jedes Feld enthalten soll. Dies ist im Wesentlichen das Äquivalent von description Felder, die wir manuell in Funktionsaufrufschemata geschrieben haben, um dem Modell zu zeigen, was in die einzelnen Felder eingefügt werden soll.

3. Ablehnungen

Hervorzuheben ist auch die Verwendung .parse()verarbeitet das OpenAI SDK auch Modellablehnungen elegant. Genauer gesagt, für den Fall, dass das Mannequin sich weigert, einer Anfrage nachzukommen (z. B. weil der Inhalt gegen die Richtlinien des Fashions verstößt), wird die parsed Feld wird sein None und die refusal Das Feld enthält den Grund. Dies ermöglicht es uns, auch im Falle einer Ablehnung ein strukturiertes Ergebnis zu erhalten und den Anwendungsbenutzer zumindest über den Grund für die Ablehnung seiner Anfrage zu informieren. Dies ist von besonderer Bedeutung für KI-gestützte Apps, die in der Produktion laufen, wo wir nicht wirklich vorhersagen können, welche seltsamen Wünsche der Benutzer möglicherweise haben wird.

So würde sich additionally eine Modellverweigerung bei Pydantic auswirken:

response = consumer.beta.chat.completions.parse(
    mannequin="gpt-4o-mini",
    messages=({"position": "consumer", "content material": "Extract data from the job posting above."}),
    response_format=JobPosting
)

message = response.decisions(0).message

if message.refusal:
    print(f"Mannequin refused: {message.refusal}")
else:
    job = message.parsed
    print(f"Extracted: {job.job_title} at {job.company_name}")

Ein Beispiel aus der Praxis: Extraktion von Dokumentinformationen

Lassen Sie uns alles anhand eines realistischeren Beispiels zusammenfassen. Stellen Sie sich vor, wir bauen eine Pipeline auf, die Stellenausschreibungen verarbeitet und daraus strukturierte Informationen extrahiert. Dies ist genau die Artwork von Aufgabe, bei der strukturierte Ausgaben glänzen: unstrukturierte Eingaben, klar definierte Ausgabeschemata und ein nachgelagertes System, das das Ergebnis in eine Datenbank einfügen muss.

from pydantic import BaseModel, Subject
from typing import Checklist, Elective
from openai import OpenAI

consumer = OpenAI(api_key="your_api_key")

class SalaryRange(BaseModel):
    min_salary: Elective(int) = Subject(default=None, description="Minimal wage in USD per yr")
    max_salary: Elective(int) = Subject(default=None, description="Most wage in USD per yr")
    forex: str = Subject(default="USD", description="Foreign money code")

class JobPosting(BaseModel):
    job_title: str = Subject(description="The job title or position title")
    company_name: str = Subject(description="The title of the hiring firm")
    location: str = Subject(description="Job location, e.g. 'Athens, Greece' or 'Distant'")
    employment_type: str = Subject(description="Considered one of: full-time, part-time, contract, freelance")
    required_skills: Checklist(str) = Subject(description="Checklist of required technical expertise")
    years_of_experience: Elective(int) = Subject(default=None, description="Minimal years of expertise required")
    wage: Elective(SalaryRange) = Subject(default=None, description="Wage vary if talked about")
    remote_friendly: bool = Subject(description="Whether or not distant work is allowed")

job_post_text = """
Senior Python Engineer at pialgorithms (Athens, Greece / Distant)

We're searching for an skilled Python developer to hitch our AI group.
You'll work on our doc administration platform, constructing clever 
search and extraction options utilizing LLMs and RAG pipelines.

Necessities:
- 5+ years of Python expertise
- Sturdy information of FastAPI, LangChain, and vector databases
- Expertise with OpenAI API and Pydantic
- Familiarity with Docker and cloud deployment (AWS/GCP)

Wage: €60,000 - €85,000 per yr
Full-time place. Distant-friendly.
"""

response = consumer.beta.chat.completions.parse(
    mannequin="gpt-4o-mini",
    messages=(
        {
            "position": "system",
            "content material": "You're an knowledgeable at extracting structured data from job postings."
        },
        {
            "position": "consumer",
            "content material": f"Extract all related data from this job posting:nn{job_post_text}"
        }
    ),
    response_format=JobPosting
)

job = response.decisions(0).message.parsed

print(f"Title: {job.job_title}")
print(f"Firm: {job.company_name}")
print(f"Location: {job.location}")
print(f"Distant: {job.remote_friendly}")
print(f"Expertise: {', '.be a part of(job.required_skills)}")
print(f"Expertise: {job.years_of_experience} years")
if job.wage:
    print(f"Wage: {job.wage.min_salary} - {job.wage.max_salary} {job.wage.forex}")

Und die Ausgabe sieht in etwa so aus:

Title: Senior Python Engineer
Firm: pialgorithms
Location: Athens, Greece / Distant
Distant: True
Expertise: Python, FastAPI, LangChain, vector databases, OpenAI API, Pydantic, Docker, AWS, GCP
Expertise: 5 years
Wage: 60000 - 85000 EUR

Dies ist ein produktionsbereiter Extraktionscode. Das Verschachtelte SalaryRange Das Modell verarbeitet die optionalen Gehaltsinformationen sauber. Elective Felder sind standardmäßig auf None wenn Informationen fehlen, und jedes Feld in der Antwort wird automatisch eingegeben und validiert. Das Ergebnis kann ohne zusätzliche Verarbeitung direkt in eine Datenbank eingefügt oder an den nächsten Schritt in einer Pipeline übergeben werden.

In meinen Gedanken

Was mich an der Kombination aus Pydantic und OpenAI am meisten erfreut, ist, wie intestine sie mit der Denkweise eines Python-Entwicklers übereinstimmt. Es definiert Datenstrukturen als Klassen, verwendet Typhinweise und erkennt Typfehler frühzeitig und deutlich. All dies sind traditionell die unvorhersehbarsten Teile jeder KI-Anwendung, vor allem weil wir all dies manuell auf der Python-Seite der KI-App erledigen mussten. Pydantic fungiert als bessere und robustere Verbindung zwischen dem KI-Modell und dem Relaxation unseres Python-Codes.

Danke fürs Lesen!

Wenn du es bis hierher geschafft hast, Vielleicht finden Sie Pialgorithmen nützlich: eine von uns entwickelte Plattform, die Groups dabei hilft, organisatorisches Wissen sicher an einem Ort zu verwalten.

Hat Ihnen dieser Beitrag gefallen? Begleiten Sie mich auf Unterstapel und LinkedIn

Alle Bilder vom Autor, sofern nicht anders angegeben.

OpenAI hat gestartet ChatGPT Work, eine neue Desktop-Anwendung zur Unterstützung bei arbeitsbezogenen Aufgaben. Diese Ankündigung stellt einen bedeutenden Meilenstein in der Entwicklung einer „Tremendous“-App durch das Unternehmen dar, an der seit März gearbeitet wird. ChatGPT Work fungiert als Allzweck-Produktivitätsagent und kombiniert Ressourcen von ChatGPT, Codex und dem Atlas-Webbrowser.

Unterstützt von OpenAIs neuem GPT-5.6-Modelledessen Veröffentlichung aus regulatorischen Gründen verzögert wurde, werden Benutzer hauptsächlich über eine aktualisierte Model der ChatGPT-App auf ChatGPT Work zugreifen. Diese zentralisierte Plattform ermöglicht Benutzern die effektive Verwaltung von Aufgaben und Projekten. Benutzer können Aufgaben von Mobilgeräten aus initiieren und ihren Fortschritt auf dem Desktop oder über Webbrowser verfolgen.

ChatGPT Work umfasst verschiedene Funktionen zur Optimierung der Produktivität. Benutzer können Aufgaben planen, sodass der Agent distant an Aufgaben arbeiten kann. Über die Desktop-App kann der Agent Aktionen wie das Verschieben von Dateien und den Zugriff auf mehrere Anwendungen ausführen und so seine Funktionalität verbessern.

Es wurde ein einheitliches Plugin-Verzeichnis eingeführt, das Verbindungen zu verschiedenen Lieblingsanwendungen ermöglicht. Benutzer können Befehle wie „@“ verwenden, um auf Informationen und Kontext dieser Anwendungen zuzugreifen, wobei ChatGPT während der Nutzung auch relevante App-Empfehlungen bereitstellt. Das System kann Routineaufgaben automatisieren, wie etwa das Überprüfen von Slack-Updates und das Zusammenfassen wöchentlicher Nachrichten.

Laut einem Memo von CEO Sam Altman plant OpenAI, die Veröffentlichung seines neuen KI-Modells ChatGPT 5.6 zeitlich zu verschieben, beginnend mit staatlich genehmigten Kunden. Die Bundesoberhäupter werden den Zugang für ausgewählte Kunden während dieser Vorschauphase genehmigen, wobei eine allgemeinere Veröffentlichung „ein paar Wochen später“ erwartet wird. Altman erklärte in dem Memo, dass OpenAI es vorzieht, diesem Genehmigungsmodell langfristig nicht zu folgen und in Zusammenarbeit mit der Regierung einen nachhaltigen Ansatz für zukünftige Veröffentlichungen zu etablieren.

Mehrere Bundesbehörden leiten diese Änderung, darunter das Workplace of the Nationwide Cyber ​​Director und das Workplace of Science and Know-how Coverage, sowie die Beteiligung von Handelsminister Howard Lutnick. Das Weiße Haus und das Büro des Nationwide Cyber ​​Director antworteten nicht auf Anfragen nach Kommentaren zu diesen Entwicklungen.

Anfang dieses Monats unterzeichnete Präsident Donald Trump eine Durchführungsverordnung, die KI-Unternehmen verpflichtet, sich vor der Veröffentlichung einer freiwilligen bundesstaatlichen Überprüfung leistungsstarker Modelle zu unterziehen. Die Regierung plant die Schaffung eines Rahmens zur Standardisierung der Bewertungen neuer KI-Modelle. In einer ähnlichen State of affairs sperrte der OpenAI-Konkurrent Anthropic den Zugriff auf zwei seiner jüngsten Modelle aufgrund einer Bundesrichtlinie, die keine Sicherheitsbedenken darlegte, aber den Wunsch zum Ausdruck brachte, Ausländer am Zugriff auf seine Instruments zu hindern.

Diese aktuelle Richtlinie und die angepassten Rollout-Pläne von OpenAI haben zu Verwirrung hinsichtlich des Überprüfungsprozesses und der Artwork der freiwilligen Teilnahme an der bundesstaatlichen Überprüfung von KI-Modellen geführt.

Hervorgehobener Bildnachweis

Noam Shazeers Wechsel zu OpenAI testet, wie Frontier AI Labs Expertise und Risiko bewerten

Noam Shazeer verbrachte zweiundzwanzig Monate wieder bei Google, nachdem ihn ein 2,7-Milliarden-Greenback-Deal nach Hause gebracht hatte. Am 17. Juni gab er seinen Abgang zu OpenAI bekannt, und der Ausstieg wirft eine Frage auf, die schwerwiegender ist als jeder Talentkampf: Wie viel Gewicht sollte das bisherige Unternehmen einer Führungskraft bei der nächsten Einstellung haben?

Ein Lebenslauf, der auf dem Transformer Paper basiert

Shazeer zählt zu den bedeutendsten Forschern der modernen künstlichen Intelligenz. Im Jahr 2017 battle er Co-Autor von „Consideration Is All You Want“, dem Artikel, der die Transformer-Architektur vorstellt, die jetzt ChatGPT, Gemini und Claude gleichermaßen antreibt. Später half er bei der Entwicklung von Blended-of-Consultants-Techniken, einer Routing-Methode, mit der große Sprachmodelle effizient skaliert werden können, ohne die Rechenkosten in die Höhe zu treiben.

Shazeer kam im Jahr 2000 zum ersten Mal zu Google. Er verließ das Unternehmen im Jahr 2021, um gemeinsam mit Daniel De Freitas Character.AI zu gründen, und kehrte dann im August 2024 zu Google zurück. Seine Ankündigung vom 17. Juni markiert seinen zweiten Austritt aus dem Unternehmen.

Warum der Deal 2024 nie eine normale Akquisition battle

Die Vereinbarung vom August 2024 battle keine einfache Übernahme. Character.AI gewährte Google eine nicht exklusive Lizenz für seine Sprachmodelltechnologie und Shazeer, De Freitas und ausgewählte Forscher traten als Mitarbeiter bei Google DeepMind bei. Character.AI selbst blieb ein unabhängiges Unternehmen und betrieb seine Chatbot-Plattform weiterhin in getrenntem Eigentum. Das Wall Road Journal gab den Wert des Offers mit 2,7 Milliarden US-Greenback an, eine Zahl, die später von anderen Medien bestätigt wurde. Die Gesamtsumme spiegelte die Lizenzvereinbarung und die Talentvereinbarung zusammen wider. Es handelte sich nicht um Shazeers persönliche Entschädigung und es handelte sich auch nicht um den Kaufpreis für Character.AI als Unternehmen.

Der Prozesscharakter. AI hat immer noch Bestand

Die Geschichte von Character.AI hat über die Vertragsstruktur hinaus Gewicht. Megan Garcia reichte im Oktober 2024 eine Bundesklage ein, nachdem ihr 14-jähriger Sohn Sewell Setzer III durch Selbstmord gestorben battle. Als Beklagte nannte die Klage Character Applied sciences, Shazeer, De Freitas und Google und behauptete, das Design der Plattform fördere emotionale Abhängigkeit und setze Setzer sexualisierten Interaktionen aus. Bei den Vorwürfen handelt es sich um Ansprüche des Klägers, nicht um gerichtliche Feststellungen.

Am 7. Januar 2026 gaben die Parteien grundsätzliche Vergleiche bekannt, die Garcias Fall sowie damit verbundene Privatklagen in Florida, Colorado, Texas und New York abdecken. In den Gerichtsakten wurden weder die Bedingungen offengelegt noch ein Haftungseingeständnis gemacht. Einen Tag später, am 8. Januar, reichte der Generalstaatsanwalt von Kentucky eine separate staatliche Strafverfolgungsklage ein, in der er Character Applied sciences, Shazeer und De Freitas als Namen nannte und Verstöße gegen Verbraucherschutz- und Kindersicherheitsgesetze vorwarf. Der Fall Kentucky battle nicht Teil des Vergleichs und bleibt aktiv.

Character.AI kündigte im Oktober 2025 separat an, offene Chatbot-Konversationen für Benutzer unter 18 Jahren zu entfernen, wobei die Änderung zusammen mit neuen Instruments zur Altersüberprüfung am 25. November in Kraft treten würde. Character.AI hat jüngere Benutzer nicht vollständig von der Plattform verbannt; Das Unternehmen entwickelte various Funktionen wie Geschichten und Videotools, um den offenen Chat für Teenager zu ersetzen.

Was OpenAI tatsächlich kauft

Sam Altman begrüßte Shazeer öffentlich und sagte, er habe schon seit den Anfängen von OpenAI mit ihm zusammenarbeiten wollen. Durch die Einstellung erhält OpenAI direkten Zugang zu Fachwissen auf Transformer-Ebene, da sich der Wettbewerb mit Anthropic und Google in einem Jahr verschärft, in dem alle drei Unternehmen um Börsengänge kämpfen. Shazeer wird OpenAI beitreten, obwohl weder seine Place noch die Bedingungen seiner Vergütung bekannt gegeben wurden. Eine Handvoll kleinerer Medien haben spekuliert, dass er die Architekturforschung leiten wird, obwohl in den eigenen Aussagen von OpenAI oder in der Berichterstattung von Reuters, CNBC oder Axios keine solche Behauptung auftaucht.

Technisches Können battle jedoch nie die einzige Währung bei der Einstellung von KI-Mitarbeitern im Grenzbereich. Die Sicherheitsbilanz von Character.AI bleibt Teil der Diskussion rund um diese Einstellung, unabhängig davon, ob OpenAI dies öffentlich anspricht oder nicht. Es gibt keine öffentlichen Beweise dafür, welche Due-Diligence-Prüfungen OpenAI vor der Unterbreitung eines Angebots durchgeführt hat, und OpenAI hat keine Erklärung abgegeben, die die Einstellung mit dem Rechtsstreit in Verbindung bringt. Die Implikation: Frontier Labs bewerten technische Leistung und Produktverantwortung zumindest vorerst getrennt.

Ein IPO-Hintergrund, kein Motiv

Der Schritt von Shazeer erfolgt inmitten eines breiteren Strebens nach öffentlichen Märkten. OpenAI bestätigte am 8. Juni, dass es der SEC vertraulich einen S-1-Entwurf vorgelegt habe, erklärte jedoch ausdrücklich, dass es noch keine Entscheidung über den Zeitpunkt getroffen habe und möglicherweise dennoch Wert darauf legen könnte, länger privat zu bleiben. Goldman Sachs und Morgan Stanley bleiben die Banken, die am stärksten an dem Angebot beteiligt sind, und Bloomberg berichtete am 29. Mai, dass OpenAI auch Gespräche mit JPMorgan und Citigroup über einen Beitritt zu der Gruppe geführt habe, was einer formellen Ernennung nur einen Schritt voraus sei. Einige Verkaufsstellen haben bereits im September 2026 eine Auflistung veröffentlicht, aber keine Quelle, einschließlich OpenAI selbst, hat ein festes Fenster bestätigt.

OpenAI gab am 31. März bekannt, dass es 122 Milliarden US-Greenback bei einer Publish-Cash-Bewertung von 852 Milliarden US-Greenback eingesammelt hat, wobei Amazon, Nvidia und SoftBank zu den Investoren zählen, und gab in derselben Ankündigung an, dass es einen monatlichen Umsatz von 2 Milliarden US-Greenback erwirtschaftet. Denise Dresser, Chief Income Officer von OpenAI, sagte im Mai, dass Unternehmenskunden mittlerweile mehr als 40 % dieses Umsatzes ausmachen, wobei dieser Anteil voraussichtlich bis Ende 2026 dem der Verbraucherabonnements entsprechen wird. OpenAI hat keine vollständigere Aufteilung nach ChatGPT-Abonnements, API-Nutzung, Codex und Werbung veröffentlicht. Die Einstellung eines Forschers mit Shazeers Bekanntheitsgrad im Vorfeld einer möglichen Börsennotierung ist offensichtlich von Wert für die Anlegerbeziehungen, aber es gibt keine Beweise dafür, dass OpenAI ihn speziell für diesen Zweck eingestellt hat. Die vertretbarere Lesart lautet: Wettbewerbsdruck und nicht die Kommunikation mit den Anlegern waren der Auslöser für die Entscheidung.

Googles größeres Downside als ein Abgang

Der Abgang von Shazeer bedeutet nicht automatisch eine Modellentwicklungskrise bei Google. Das Unternehmen hat nicht bekannt gegeben, welche Gemini-bezogenen Projekte er täglich leitete oder wie sich seine Verantwortlichkeiten verschieben werden. Was es schwieriger macht, den Zeitpunkt zu verwerfen, ist ein zweiter Ausstieg zwei Tage später: John Jumper, der Mitschöpfer von AlphaFold und Gewinner des Nobelpreises für Chemie 2024, gab am 19. Juni bekannt, dass er Google DeepMind nach quick neun Jahren zugunsten von Anthropic verlassen werde. Zwei leitende Forscher, die Google DeepMind innerhalb von 48 Stunden verlassen und in konkurrierende Labore wechseln, stellen ein messbares Muster dar, auch ohne dass eine einzige Grundursache sie verbindet.

Der Ausstieg von Shazeer bestätigt, dass keine Lizenzgebühr, wie hoch sie auch sein magazine, dauerhafte Loyalität gegenüber Frontier AI erkauft. Geld brachte ihn einmal zurück zu Google; es hielt ihn nicht zweimal dort. Die schwierigere Frage liegt bei den Laboren, die die Einstellung vornehmen: ob die Veröffentlichungsbilanz eines Kandidaten und die Produkthistorie eines Unternehmens im nächsten Angebotsschreiben jemals das gleiche Gewicht haben werden, denn derzeit deuten die Beweise darauf hin, dass dies nur bei einem von ihnen der Fall ist.

# Einführung

OpenAI-Codex ist eines der nützlichsten Instruments zum Erstellen von Software program mit KI. Anstatt nur nach Code zu fragen, können Sie damit Funktionen planen, Dateien bearbeiten, Fehler beheben, Instruments verbinden und Ideen schneller in funktionierende Projekte umsetzen. Wenn Sie neu bei Codex sind, beginnen Sie zuerst mit diesem Tutorial: Vollständiges OpenAI Codex-Tutorial im Jahr 2026 | Codex von Grund auf verwenden. Es zeigt, wie Codex von Anfang bis Ende an einem realen Projekt funktioniert. Sie erfahren, wie Sie Anweisungen geben, die App Schritt für Schritt verbessern und Codex wie einen Codierungspartner nutzen. Sobald Sie die Grundlagen kennen, diese fünf Projekt-Tutorials sind eine gute Möglichkeit zu sehen, was Sie mit Codex erstellen können.

# 1. Erstellen Sie Ihre erste App in wenigen Minuten

Das Tutorial ist das Beste für den Anfang. Es zeigt, wie Sie mit Codex Schritt für Schritt eine einfache App erstellen. Der Fokus liegt darauf, etwas schnell und ohne allzu große Komplexität zum Laufen zu bringen. Sie können dieses Video verwenden, um den Kernarbeitsablauf zu verstehen: Beschreiben Sie, was Sie wollen, lassen Sie Codex den Code generieren oder ändern, überprüfen Sie die Ausgabe, testen Sie die App und verbessern Sie sie durch Folgeaufforderungen weiter.

# 2. Erstellen einer mobilen App mit OpenAI Codex

Das Tutorial ist nützlich, wenn Sie möchten, dass Codex für die Entwicklung mobiler Apps und nicht für eine einfache Internet-App verwendet wird. Das Video behandelt die Erstellung einer Swift iOS-App mit Codex unter Verwendung von Instruments wie Xcode und die Codex-Desktop-App. Das Projekt ist besonders interessant, weil die App selbst auf einem dialogorientierten „Vibe-Coding“-Erlebnis basiert, bei dem Benutzer Apps in natürlicher Sprache erstellen und hosten können. Für Anfänger besteht die wichtigste Erkenntnis darin, wie Codex einen komplexeren Entwicklungsworkflow unterstützen kann, der cell Schnittstellen, App-Struktur, lokale Instruments und iterative Funktionserstellung umfasst.

# 3. Aufbau eines KI-Startups in nur einer Woche

Das Video Im Wesentlichen geht es darum, mit Codex innerhalb von 7 Tagen von einer einfachen Idee zu einem vollständigen Startup-ähnlichen Produkt zu gelangen. Sie beginnen mit einer einfachen Idee und setzen diese mithilfe von Codex Schritt für Schritt in eine funktionierende Internet-App um. Nebenbei entwickeln sie grundlegende Funktionen, beheben Probleme und verbessern das Produkt ständig. Das Hauptaugenmerk liegt darauf, wie Codex dazu beitragen kann, den gesamten Prozess der Entwicklung einer App von der Idee bis zu etwas Brauchbarem zu beschleunigen.

# 4. Vibe Coding eines kompletten 2D-Beat ‚Em Up-Spiels von Grund auf

Das ist das verspieltestes Projekt in der Liste. Das Tutorial zeigt, wie man mit Codex ein komplettes 2D-Beat ‚em Up-Spiel von Grund auf erstellt. Phaserund Bildgenerierungstools. Es ist ein großartiges Beispiel dafür, wie Codex außerhalb herkömmlicher Produktivitäts-Apps und Dashboards verwendet werden kann. Sie erfahren, wie KI bei der Spielmechanik, den Charakteren, der Bewegung, der Grafik und der Gesamtstruktur eines browserbasierten Spiels helfen kann. Für Anfänger ist dieses Projekt nützlich, da es das Programmieren kreativer macht. Sie können mit Eingabeaufforderungen experimentieren, den Spielstil ändern, neue Charaktere hinzufügen und sehen, wie Codex mit interaktiven Funktionen umgeht.

# 5. Erstellen eines Full-Stack-Airbnb-Klons

Dies ist eines der vollständigsten Projekt-Tutorials auf der Liste. Es behandelt die Erstellung eines Full-Stack-Klons im Airbnb-Stil mit Codex, Expo, Native reagieren, StreifenUnd Supabase. Die App funktioniert wie eine einfache Plattform für Ferienvermietungen, auf der Benutzer Orte durchsuchen, Particulars anzeigen und einen grundlegenden Buchungsablauf durchlaufen können. Die Hauptidee besteht darin, zu zeigen, wie Codex Schritt für Schritt beim Aufbau einer Full-Stack-App helfen kann, einschließlich mobiler Bildschirme, Backend-Daten, Authentifizierungs- oder Datenbank-Workflows und Zahlungen.

# Zusammenfassung

Diese Projekte zeigen, wie flexibel OpenAI Codex sein kann. Sie können damit eine einfache erste App, eine cell App, einen Startup-Prototyp, einen Full-Stack-Klon oder sogar ein 2D-Spiel erstellen. Der beste Weg zum Lernen besteht darin, klein anzufangen, häufig zu testen und Codex wie einen Programmierpartner zu behandeln, der noch klare Anweisungen und eine menschliche Überprüfung benötigt.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Die meisten Biologie-Benchmarks stellen eng gefasste, faktenbasierte Fragen mit klaren Antworten. Wissenschaftler wägen unvollständige Beweise ab und treffen Entscheidungen. OpenAI hat LifeSciBench veröffentlicht und zielt direkt auf diese Lücke.

Selbst das stärkste Modell besteht ungefähr jede dritte Aufgabe. Der Benchmark ist noch lange nicht gesättigt.

Was ist LifeSciBench?

LifeSciBench enthält 750 von Experten verfasste Aufgaben. Sie umfassen sieben Arbeitsabläufe und sieben biologische Domänen. Zu jeder Aufgabe gehören eine Eingabeaufforderung, unterstützende Artefakte und eine Bewertungsrubrik.

Die sieben Arbeitsabläufe umfassen die Beweisverarbeitung und -analyse. Dazu gehören auch Design und Optimierung, wissenschaftliches Denken, Validierung und Betrieb, Übersetzung und wissenschaftliche Kommunikation.

Die sieben Bereiche reichen von Genomik und medizinischer Chemie bis hin zu klinischer und translationaler Wissenschaft.

Aufgaben werden so geschrieben, wie ein Wissenschaftler einen Kollegen unterrichten würde. Es handelt sich um eine freie Antwort, nicht um A number of-Selection. Rund 79 % erfordern mehrere Argumentations- oder Entscheidungsschritte, im Durchschnitt jeweils vier Schritte.

Wie der Benchmark aufgebaut wurde

Eine Kohorte von 173 Fachwissenschaftlern verfasste die Aufgaben. Jeder hatte einen Ph.D. und über Erfahrung in der Biotechnologie oder Pharmazie verfügten. Die angenommenen Aufgaben umfassten durchschnittlich sechs automatisierte Überprüfungszyklen und mindestens zwei Expertenbewertungen.

Viele Aufgaben werden mit Artefakten geliefert. Der Benchmark umfasst insgesamt 1.062 angehängte Artefakte. Etwa 53 % der Aufgaben erfordern mindestens ein Artefakt. Zu den Typen gehören Sequenzen, Abbildungen, Tabellen, PDFs und chemische Strukturen.

Eine separate kohortenvalidierte Qualität. Es gab 453 Gutachter und 97 % waren promoviert. Die allgemeine Zustimmung zu Relevanz, Argumentation, Begründung und Nützlichkeit lag bei über 96 %.

Das Rubrikensystem

Rubriken sind hier der Kernmechanismus. Sie umfassen im gesamten Benchmark 19.020 Kriterien. Das sind etwa 25 Kriterien professional Aufgabe.

Jedes Kriterium belohnt eine konkrete Eigenschaft. Beispiele hierfür sind eine bestimmte Tatsache, ein Argumentationsschritt oder eine numerische Antwort innerhalb der Toleranz. Die Bewertung erfolgt anhand der Rubrik, nicht anhand einer einzelnen Referenzzeichenfolge.

Zwei Kennzahlen fassen die Leistung zusammen. Der normalisierte Rubrikenwert dividiert die vergebenen Punkte durch die Gesamtpunktzahl. Bei der Aufgabenerfüllungsquote werden Aufgaben mit einer Punktzahl von 70 % oder mehr gezählt.

Diese Trennung ist für die Interpretation wichtig. Eine Antwort kann teilweise angerechnet werden, während die Aufgabe trotzdem nicht bestanden wird. Die Bestehensschwelle ist von Natur aus streng.

Hier ist die Bewertungslogik in einfachem Python:

def grade(rubric, awarded_ids):
    complete = sum(c("pts") for c in rubric)
    earned = sum(c("pts") for c in rubric if c("id") in awarded_ids)
    normalized = earned / complete          # partial credit score
    handed = normalized >= 0.70          # task-level success
    return normalized, handed

Wie die Modelle performten

OpenAI bewertete fünf Modelle in einer Single-Flip-Umgebung. Jedes Modell sah die Eingabeaufforderung und die Artefakte einmal. Uneingeschränktes Surfen im Web struggle erlaubt.

GPT-Rosalind, das domänenspezialisierte Modell von OpenAI, lag insgesamt an der Spitze. Bei 386 von 750 Aufgaben gab es den höchsten Mittelwert professional Aufgabe. Außerdem stieg die Gesamterfolgsquote gegenüber GPT-5.5 von 25,7 % auf 36,1 %. Die Erfolgsquoten blieben bei allen Modellen moderat.

Rankings sind nicht die ganze Geschichte. Gemini 3.1 Professional führte eindeutig bei 214 Aufgaben an. Aggregierte Bewertungen können aufgabenspezifische Stärken verbergen.

Wo Fashions gewinnen und wo sie scheitern

Modelle waren bei der strukturierten Beurteilung am stärksten. GPT-Rosalind erreichte bei der Übersetzung einen Durchschnittswert von 0,712. Wissenschaftliche Kommunikation erzielte einen Wert von 0,718, aber diese Kategorie ist klein, additionally lesen Sie sie sorgfältig durch.

Zwei Arbeitsabläufe blieben schwierig. Design, Optimierung und Vorhersage gehörten zu den schwierigsten Prüfungen, wobei GPT-Rosalind 30,7 % erreichte. Die Analyse lag mit 30,3 % knapp dahinter.

Der Einsatz von Artefakten struggle eindeutig ein Engpass. GPT-Rosalind sank von 45,1 % bei reinen Textaufgaben auf 28,1 % bei Artefaktaufgaben. GPT-5,5 fiel in gleicher Weise von 29,9 % auf 21,9 %.

Genaue Ausgaben waren am schwierigsten. Der Erfolg der Sequenz- und Strukturkriterien lag modellübergreifend zwischen 46,9 % und 18,0 %. Der Gewinn von GPT-Rosalind gegenüber GPT-5.5 beim Generieren/Konstruktieren von Gegenständen betrug nur +0,001.

Modelle blieben auch mitten in der Aufgabe stehen. Bei GPT-Rosalind erreichten 109 Aufgaben mindestens 50 % der Bewertungspunkte, lagen aber immer noch unter 20 %.

Die Kopffreiheit bleibt groß. Kein Modell hat 171 Aufgaben bestanden (22,8 %). Und bei 261 Aufgaben (34,8 %) lag die Erfolgsquote des besten Modells unter 20 %.

Stärken und Schwächen

Stärken:

• Breite Abdeckung über sieben Arbeitsabläufe und sieben biologische Bereiche
• Von Experten verfasste Rubriken mit 19.020 atomaren, benotebaren Kriterien
• Realistische Artefakte: Sequenzen, Abbildungen, Tabellen, PDFs und Strukturen
• Unabhängige Validierung durch 453 Gutachter, 97 % davon mit Doktortitel

Schwächen:

• Nur Singleturn; Echte Forschung ist iterativ und mehrschichtig
• Entwickelt von OpenAI, das auch die meisten evaluierten Modelle bereitstellt
• Die öffentliche Veröffentlichung kann durch Sicherheits- und Lizenzbeschränkungen eingeschränkt sein
• 750 Aufgaben können nicht alle wissenschaftlichen Fachgebiete abdecken

Probieren Sie es aus: Interaktiver Rubriken-Grader Demo

Schauen Sie sich das an Papier Und Technische Particulars. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 150k+ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face Web page ODER Produktveröffentlichung ODER Ihr Webinar usw. zu bewerben? Vernetzen Sie sich mit uns

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.

Das richtige Zertifikat kann den entscheidenden Unterschied machen. Da es jedoch so viele davon gibt, ist es nicht einfach, das Richtige zu finden. Das ist wo OpenAI-Akademie kommt rein.

OpenAI, das Unternehmen hinter den ChatGPT-Modellen, hat mit seiner OpenAI-Akademie eine Lernplattform eingeführt, die KI-Kurse für weiterbildende Fachkräfte anbietet. Diese Kurse behandeln Themen wie KI-Grundlagen, Angewandte KI, Agenten und Workflows.

Das Beste daran? Alle diese Kurse sind völlig kostenlos und bieten nach Abschluss der Abschlussprüfung ein Abschlusszertifikat.

Dieser Artikel listet die besten verfügbaren KI-Kurse der OpenAI Academy auf und erklärt, für wen jeder Kurs am besten geeignet ist.

1. Für Anfänger, die KI lernen

KI-Grundlagen | Für die Grundlagen

Dieser Kurs dient als schnelle Einführung in KI, große Sprachmodelle und ChatGPT.

Ein einsteigerfreundlicher Kurs, der sich auf den Einsatz von KI im Arbeitsalltag konzentriert. Es umfasst Eingabeaufforderungen, das Hinzufügen von Kontext, das Überprüfen von Ergebnissen und den verantwortungsvollen Einsatz von KI. Anstelle von schwerer Theorie hilft der Kurs den Lernenden, Selbstvertrauen mit KI-Instruments aufzubauen.

Was macht diesen Kurs besonders?

• Einsteigerfreundliche Einführung in die KI
• Behandelt ChatGPT und die Grundlagen der Eingabeaufforderung
• Konzentriert sich auf den verantwortungsvollen Einsatz von KI
• Nützlich für alltägliche Aufgaben

Am besten für Lernende geeignet, die neu in der KI sind und es möchten die Grundlagen verstehen bevor Sie es bei der Arbeit verwenden.

2. Für die Anwendung von KI am Arbeitsplatz

Angewandte KI-Grundlagen | Für die Arbeitsabläufe

Dieser Kurs richtet sich an Lernende, die bereits die Grundlagen der KI kennen und diese am Arbeitsplatz besser anwenden möchten.

Ein praktischer Kurs, der sich darauf konzentriert, wiederholte Aufgaben in wiederholbare Arbeitsabläufe umzuwandeln. Es zeigt, wie man die Arbeit in Schritte aufteilt und verwendet ChatGPT an den richtigen Punkten und fügen Sie Überprüfungskontrollpunkte hinzu. Im Kurs geht es weniger um Eingabeaufforderungen als vielmehr darum, KI für die tatsächliche Arbeit nutzbar zu machen.

Was macht diesen Kurs besonders?

• Behandelt praktische KI-Workflows
• Hilft, wiederholte Aufgaben in Prozesse umzuwandeln
• Zeigt, wo ChatGPT die Arbeit unterstützen kann
• Enthält Überprüfungspunkte für eine bessere Ausgabe

Am besten für Profis, die es verwenden möchten KI für wiederkehrende Aufgaben am Arbeitsplatz.

3. Für Lernagenten und Arbeitsabläufe

Agenten und Workflows | Für Agentenarbeit

Ein fokussierter Kurs, der lehrt, wie man Agenten durch strukturierte Aufgaben leitet. Es umfasst die Bereitstellung von Kontext, das Setzen von Grenzen, das Definieren von Ergebnissen, das Überprüfen von Entwürfen und das Verbessern von Arbeitsabläufen. Der Kurs eignet sich für Lernende, die bereits mit der KI vertraut sind und über die grundlegende Eingabeaufforderung hinausgehen möchten.

Was macht diesen Kurs besonders?

• Stellt agentengestützte Arbeitsabläufe vor
• Behandelt Ausgaben, Grenzen und Überprüfung
• Hilft Lernenden, KI-generierte Ergebnisse zu verfeinern
• Konzentriert sich auf wiederverwendbare Arbeitsabläufe

Am besten für Lernende, die verstehen wollen wie Agenten strukturiertes Arbeiten unterstützen können.

Die Auswahl des richtigen Kurses treffen

Die OpenAI-Akademie ist eine davon beste KI-Lernplattformen sofort verfügbar. Da die Kurse kostenlos sind und viele über Zertifikate verfügen, bieten sie eine hervorragende Möglichkeit, glaubwürdiges KI-Wissen direkt von einem führenden KI-Unternehmen aufzubauen.

Dich 3 neue Kurse Biete ein einfaches an sequentiell Weg zum Erlernen von KI.

1. Beginnen Sie mit KI-Grundlagen wenn Sie neu in der KI sind.
2. Nehmen Angewandte KI-Grundlagen wenn Sie KI bei der Arbeit einsetzen möchten.
3. Bewegen Sie sich nach Agenten und Workflows wenn Sie agentengestützte Aufgaben erkunden möchten.

Wenn Sie Schwierigkeiten haben, den richtigen Kurs für Sie zu finden, kann die folgende Rubrik hilfreich sein:

Da diese Kurse kostenlos sind und mit Zertifikaten ausgestattet sind, lohnt es sich, sie für jeden auszuprobieren, der praktische KI-Kenntnisse erwerben möchte.

Häufig gestellte Fragen

Ich bin auf die Überprüfung und Verfeinerung von KI-gestützter Forschung, technischer Dokumentation und Inhalten im Zusammenhang mit neuen KI-Technologien spezialisiert. Meine Erfahrung umfasst KI-Modelltraining, Datenanalyse und Informationsabruf und ermöglicht es mir, Inhalte zu erstellen, die sowohl technisch korrekt als auch zugänglich sind.

80 Jahre. Unzählige Mathematiker. Eine KI-Eingabeaufforderung.

Quick 80 Jahre lang versuchten die besten mathematischen Köpfe der Welt, das Erdős-Einheitsentfernungsproblem zu lösen. Keiner von ihnen tat es. Im Mai 2026 widerlegte ein internes OpenAI-Argumentationsmodell die seit langem vermutete Obergrenze, indem es mit einer einzigen Eingabeaufforderung arbeitete und 125 Seiten Originalmathematik produzierte, die neun externe Mathematiker, darunter Fields-Medaillengewinner Tim Gowers, als korrekt bestätigten.

Die Frage ist nun nicht, ob KI forschen kann. Die Frage ist, was mit der Forschung passiert.

Das Downside, das niemand lösen konnte

Die Erdős-Einheitsabstandsvermutung stellt eine täuschend einfache geometrische Frage: Wie viele Paare können bei gegebenen n Punkten in einer Ebene maximal genau eine Einheit voneinander entfernt sein? Quick acht Jahrzehnte lang waren quadratische Gitter führend. Die mathematische Gemeinschaft ging davon aus, dass keine Anordnung wesentlich besser sein könnte. Niemand konnte das Gegenteil beweisen.

Das interne Modell von OpenAI widerlegte die Annahme anhand einer einzigen Eingabeaufforderung. Bei dem Modell handelte es sich um ein allgemeines Argumentationssystem, das nicht für die Mathematik entwickelt, auf Beweisstrategien trainiert oder auf das Einheitsdistanzproblem ausgerichtet warfare. Aus einer maschinell umgeschriebenen Model von Erdős‘ ursprünglicher Frage entstand eine 125-seitige Argumentationskette, die sich auf die Golod-Shafarevich-Theorie und unendliche Klassenfeldtürme stützte, Zweige der algebraischen Zahlentheorie, die weit außerhalb des Mainstreams der diskreten Geometrie liegen. Das Ergebnis: eine unendliche Familie von Punktkonfigurationen, die mindestens n^(1+δ) Einheitsabstandspaare für ein festes δ größer als Null erzeugt, eine polynomielle Verbesserung gegenüber den gitterbasierten Konstruktionen, die das Downside jahrzehntelang dominiert hatten.

Die neun externen Mathematiker-Co-Autoren des Begleitpapiers, darunter Gowers, Will Sawin (Luisa und Robert Fernholz ’62 Professor für Mathematik in Princeton) und Noga Alon, überprüften das Ergebnis und beschrieben es als eine vom Menschen verifizierte Model des von OpenAI generierten Gegenbeispiels. Sawin leitete am selben Tag unabhängig eine schärfere Grenze ab und setzte δ auf 0,014.

Gowers, einer der anerkanntesten Mathematiker der Gegenwart, brachte es klar auf den Punkt: „Es besteht kein Zweifel daran, dass die Lösung des Einheitsabstandsproblems ein Meilenstein in der KI-Mathematik ist: Wenn ein Mensch die Arbeit geschrieben und bei den Annals of Arithmetic eingereicht hätte und ich um eine schnelle Meinung gebeten worden wäre, hätte ich die Annahme ohne zu zögern empfohlen. Kein früherer KI-generierter Beweis kam dem nahe.“

Warum sich dies vom KI-Mathe-Hype zuvor unterscheidet

OpenAI hat bereits Fortschritte bei mathematischen Benchmarks vermeldet. So auch Google DeepMind. Beide stießen auf Skepsis, und das zu Recht. Die Benchmark-Leistung misst die Mustererkennung, nicht den ursprünglichen Gedanken. Ein Modell kann bei Mathematiktests intestine abschneiden, indem es die Exams lernt.

Das Erdős-Ergebnis unterscheidet sich in drei konkreten Punkten. Das Downside warfare offen und wirklich ungelöst, was bedeutete, dass das Modell eine bekannte Antwort nicht abrufen oder neu kombinieren konnte. Das Begleitpapier von neun externen Mathematikern ist ein überprüfbares Artefakt in den öffentlichen Aufzeichnungen, kein Benchmark-Diagramm oder eine Pressemitteilung. Und OpenAIs eigener Rahmen ist bewusst eng: Dies ist das erste Mal, dass KI ein wichtiges offenes Downside, das für ein Teilgebiet der Mathematik von zentraler Bedeutung ist, autonom gelöst hat. Der Rahmen ist sorgfältig, denn die Leistung ist actual.

Eine Einschränkung verdient Aufmerksamkeit. Die Menschen haben den Beweis vor der Einreichung noch bereinigt und verfeinert. Sawins schärfere Bindung entstammte der unabhängigen menschlichen Arbeit. Das Modell erzeugte das ursprüngliche Gegenbeispiel; Den Relaxation erledigten die Mathematiker. Das genaue asymptotische Most für das Einheitsabstandsproblem bleibt ebenfalls ungelöst, wobei die bekannteste Obergrenze immer noch bei O(n^(4/3)) liegt. KI widerlegte die Vermutung. Das Feld wurde nicht geschlossen.

Was die meisten Berichterstattungen über diese Geschichte falsch machen

Die meisten Berichte über die Ergebnisse von OpenAI hören beim Meilenstein auf und gehen weiter. Das geht an der schwierigeren Frage vorbei.

Kurzfristig bestätigt das Ergebnis, dass Argumentationsmodelle etwas sind, das sich qualitativ von den Produktivitätstools unterscheidet, die die meisten Unternehmen derzeit einsetzen. Ein Allzweckmodell ohne mathematische Spezialisierung arbeitete 125 Seiten algebraischer Beweise mit Werkzeugen durch, für die es nicht gedacht warfare. Wenn dies in diskreter Geometrie möglich ist, verschieben sich die Grenzen dessen, was KI ohne menschliches Gerüst in der Wirtschaftsforschung, Rechtsanalyse, Finanzmodellierung und Arzneimittelforschung bewältigen kann, erheblich.

Die strukturelle Implikation ist bedeutender. Wenn ein Gremium, zu dem auch ein Fields-Medaillengewinner gehört, bestätigt, dass ein KI-generierter Beweis in den Annals of Arithmetic aufgenommen worden wäre, hat das Modell eine bedeutungsvolle Grenze überschritten. Es erweitert die menschliche Forschung nicht mehr. Es führt es durch. Das macht menschliche Forscher nicht überflüssig. Aber Organisationen, die KI immer noch als eine Ebene der automatischen Vervollständigung und nicht als unabhängige Forschungsfunktion betrachten, gehen von einer Annahme aus, die nicht mehr aktuell ist.

Die Erdős-Vermutung warfare kein Branchenproblem. Die Fähigkeit, die es widerlegte, ist nicht auf die Mathematik beschränkt.

Die Grundlinie hat sich geändert

Dies ist der Teil, den die Mathematikwelt übernommen hat, die Geschäftswelt jedoch nicht.

Die Einschätzung von Gowers setzt den neuen Customary für jede zukünftige Behauptung über KI und wissenschaftliche Forschung. Das Erdős-Ergebnis ist die erste von Experten validierte Instanz von KI, die ein herausragendes offenes Downside in einem beliebigen Bereich autonom löst. Jeder künftige Anspruch der KI-Forschung wird daran gemessen.

Das Modell arbeitete an einem genau definierten Downside mit einem sauberen Verifizierungsmechanismus. Zukünftige Exams werden kompliziertere Fragen, offene Bereiche und Situationen beinhalten, in denen es schwieriger ist, richtige Antworten zu bestätigen. Für die Organisationen, die dieses Ergebnis eher als Kuriosität denn als Sign betrachten, wird es erheblich schwieriger sein, den nächsten Meilenstein einzuholen.

Keine KI-Allianz sollte als dauerhaft betrachtet werden: Die Microsoft-OpenAI-Lektion

Drei Jahre lang verfügte die KI-Strategie für Unternehmen über einen zuverlässigen Entwurf: OpenAI-Modelle, Azure-Infrastruktur und Microsoft-Produktivitätstools, die um dieses Paar herum aufgebaut waren. Im April 2026 haben Microsoft und OpenAI ihren bahnbrechenden Deal in eine nicht-exklusive Vereinbarung umgewandelt. Jeder CIO, der auf diesem Stack aufgebaut hat, muss nun andere Entscheidungen treffen.

Was sich durch die Umstrukturierung im April 2026 tatsächlich verändert hat

Microsoft und OpenAI gaben die überarbeitete Vereinbarung Ende April 2026 bekannt und änderten damit mehrere Kernbedingungen ihrer ursprünglichen Partnerschaft. Microsoft behält bis 2032 eine nicht-exklusive Lizenz für das geistige Eigentum von OpenAI. OpenAI kann nun Produkte und APIs über mehrere Cloud-Anbieter verteilen, anstatt alles über Azure zu leiten.

Reuters berichtete, dass OpenAI zugestimmt habe, die Gesamtumsatzbeteiligung mit Microsoft im Rahmen des überarbeiteten Rahmenwerks auf 38 Milliarden US-Greenback zu begrenzen. Laut Finanzberichten von MarketWatch und anderen Medien behält Microsoft einen Anteil von rund 27 % an der gemeinnützigen Organisation OpenAI, obwohl keines der beiden Unternehmen eine genaue aktualisierte Eigenkapitaltabelle veröffentlicht hat. OpenAI gewann auch an größerer betrieblicher Flexibilität, als das Unternehmen seine Umstrukturierung in eine gemeinnützige Gesellschaft abschloss.

Die Schicht kam nicht ohne Vorwarnung. Im Januar 2025 wechselte Microsoft von einer völlig exklusiven Infrastrukturvereinbarung zu einem Vorkaufsrecht-Modell, das an neue OpenAI-Rechenkapazitäten gebunden ist. Im April 2026 wurde dieser Übergang abgeschlossen.

Warum die Partnerschaft zu zerbrechen begann

Der ursprüngliche Deal sah Anreize für einen bestimmten Zeitpunkt in der KI-Entwicklung vor.

OpenAI benötigte Kapital und Hyperscale-Computing, um Grenzmodelle zu trainieren. Microsoft brauchte einen glaubwürdigen Weg in die generative KI, bevor Google seinen Vorsprung festigen konnte. Exklusivität machte Sinn, als die Entwicklung des Stiftungsmodells huge, zentralisierte Investitionen erforderte.

Die Wirtschaftslage veränderte sich schneller als der Vertrag. Die Infrastrukturanforderungen von OpenAI gingen über das hinaus, was ein Cloud-Anbieter allein erfüllen konnte. Microsoft begann, aggressiver in interne KI-Fähigkeiten und different Modellanbieter zu investieren. Berichte im Laufe des Jahres 2025 deuteten auf zunehmende Spannungen im Zusammenhang mit Rechenengpässen, der Kontrolle der Unternehmensverteilung und der strategischen Unabhängigkeit hin.

Der Druck der Unternehmen kam aus einer anderen Richtung. Einige Organisationen wollten Zugriff auf OpenAI-Modelle, ohne sich weiter auf die Lizenzierungsökosysteme von Azure oder Microsoft festzulegen. The Verge berichtete, dass OpenAI intern anerkannte, dass seine Microsoft-Exklusivität manchmal die Fähigkeit des Unternehmens einschränkte, Unternehmen zu bedienen, die bereits auf die AWS-Infrastruktur standardisiert waren. Mit der überarbeiteten Vereinbarung wurde diese Einschränkung aufgehoben.

Neue Optionen und neue Risiken für Unternehmenskäufer

Die folgenreichste Änderung ist nicht technischer Natur. Es ist strategisch.

Zwei Jahre lang betrachteten viele Unternehmen Microsoft und OpenAI als ein einziges Ökosystem. Bei Beschaffungsentscheidungen, Governance-Planung und Entwicklertools wurde davon ausgegangen, dass Azure weiterhin eine zentrale Rolle bei der Bereitstellung von KI an vorderster Entrance spielen würde. Der alte Rahmen hält nicht mehr.

OpenAI kann nun die Verteilung über mehrere Cloud-Anbieter verfolgen. AWS hat die Verschiebung bereits bestätigt. Im April 2026 gab OpenAI bekannt, dass GPT-Modelle, Codex und verwaltete Agenten jetzt in einer eingeschränkten Vorschau auf Amazon Bedrock laufen, wobei AWS Dokumentation zur Bestätigung der Verfügbarkeit veröffentlicht. Für Organisationen, die nie vollständig auf Azure migriert haben, fiel die Hürde. Für die Funktionen von Frontier OpenAI ist keine Microsoft-Infrastrukturverpflichtung mehr erforderlich.

Auch Microsoft gewinnt an Spielraum. Das Unternehmen hat die Unterstützung für Nicht-OpenAI-Modelle in der gesamten Azure AI- und Copilot-Infrastruktur erweitert. Analysten sehen Microsoft zunehmend als eine KI-Orchestrierungsebene und nicht als exklusive OpenAI-Bereitstellungsplattform. Unternehmen können schließlich über Microsoft-Instruments mit mehreren zugrunde liegenden Modellanbietern interagieren, ohne jede Anbieterbeziehung separat verwalten zu müssen. Das Ergebnis ähnelt weniger einem vertikal integrierten KI-Monopol als vielmehr einem wettbewerbsorientierten Modellmarktplatz, der in Unternehmenssoftware eingebettet ist.

Lock-In ist umgezogen, nicht verschwunden

Die Bindung an einen Anbieter bleibt auch nach April 2026 ein echtes Risiko. Die Bindungspunkte verschieben sich lediglich.

Unternehmen, die ihre Beschaffung rund um die Azure-Exklusivität und die stabile OpenAI-API-Verteilung optimiert haben, sehen sich nun mit einer sich schneller verändernden kommerziellen Ebene konfrontiert, als sie erwartet hatten. Die Umstrukturierung im April 2026 hat gezeigt, wie schnell eine grundlegende KI-Allianz ihre Bedingungen ändern kann. Beschaffungsteams müssen die Portabilität viel früher in der Bereitstellungsplanung bewerten, bevor Arbeitsabläufe vollständig auf dem Bereitstellungsmodell eines einzelnen Anbieters basieren.

Die Multi-Cloud-Optionalität allein löst das Drawback nicht. Ein Unternehmen, das die Abhängigkeit von der Infrastruktur gegen die Abhängigkeit von Arbeitsabläufen durch Agenten-Frameworks, Vektordatenbanken, Feinabstimmungs-Pipelines und Identitätssysteme eintauscht, muss in zwei Jahren mit genauso hohen Migrationskosten rechnen. Architekturentscheidungen, die vor dem Einsetzen der Abhängigkeit getroffen werden, bestimmen, wie portierbar der Stapel später bleibt.

Die Neuausrichtung des Wettbewerbs ist jetzt im Gange

Die ursprüngliche Microsoft-OpenAI-Vereinbarung wurde zur Vorlage für die generative KI-Wirtschaft: Ein Hyperscaler finanziert und verteilt ein Grenzmodelllabor im Austausch für privilegierten Zugang. Eine lockerere, wettbewerbsfähigere Model dieser Vorlage nimmt derzeit auf dem gesamten Markt Gestalt an.

AWS vertieft OpenAI-Integrationen durch Bedrock. Google Cloud positioniert sich als neutrale Infrastruktur und konkurriert über Gemini. Anthropic funktioniert in allen Amazon- und Google-Beziehungen. Microsoft erweitert neben OpenAI auch die Unterstützung für Mistral und interne Modelle. Keine einzelne Allianz kontrolliert die KI-Verteilung in Unternehmen.

Die Geschichte bietet einen nützlichen Rahmen. Der frühe Cloud-Computing-Markt folgte einem ähnlichen Development und verlagerte sich mit zunehmender Reife der Infrastruktur von Internet hosting-Strategien einzelner Anbieter hin zu Multi-Supplier-Umgebungen. Die KI verfolgt den gleichen Weg. Die Folge ist eine mehrschichtige Marktstruktur: Cloud-Anbieter konkurrieren bei Infrastruktur und Orchestrierung, Gründungsmodellunternehmen konkurrieren bei Leistungsfähigkeit und Kosten und Anbieter von Unternehmenssoftware konkurrieren bei der Workflow-Integration.

Für Unternehmensführer besteht die Lehre aus April 2026 darin, dass keine Partnerschaft zwischen Modellentwicklern und Infrastrukturanbietern als dauerhaft betrachtet werden sollte. Die kommerzielle Ebene unterhalb der generativen KI bleibt fließend. Unternehmen, die jetzt modulare, tragbare KI-Architekturen aufbauen, werden bei der nächsten Umstrukturierung weitaus weniger Migrationskosten tragen.

Das AI Frontiers-Labor von Microsoft Analysis hat Fara1.5 veröffentlicht. Es handelt sich um eine Familie von Laptop-Use-Agent-Modellen (CUA) für den Browser. Die Veröffentlichung umfasst drei Größen: Fara1,5-4B, Fara1,5-9B und Fara1,5-27B. Die Modelle sind in MagenticLite integriert, der Sandbox-Browserschnittstelle von Microsoft für diese Agenten.

Laptop-Use-Brokers sind Pixel-to-Motion-Modelle, die einen echten Browser steuern. Sie lesen Screenshots und geben Maus- und Tastaturaktionen aus, um Aufgaben zu erledigen. Aktuelle Agentenprodukte wie Operator von OpenAI und Gemini 2.5 Laptop Use von Google fallen in diese Kategorie.

Fara1.5-27B erzielt auf On-line-Mind2Web einen Aufgabenerfolg von 72 %. Dieser Benchmark umfasst 300 Aufgaben auf 136 beliebten Web sites. Bei der gleichen Bewertung erreicht OpenAIs Operator 58,3 % und Gemini 2.5 Laptop Use 57,3 %. Yutoris Navigator n1 erreicht 64,7 % und Fara1.5-9B erreicht 63,4 %. Das ist quick das Doppelte des Vorgängers Fara-7B, der im gleichen Benchmark 34,1 % erreichte.

Architektur und Agentenschleife

Die Modelle verwenden Qwen3.5-Basisprüfpunkte in ihren Varianten 4B, 9B und 27B. Sie funktionieren durch eine Beobachten-Denken-Handeln-Schleife. Bei jedem Schritt erfasst das Modell den vorherigen Gesprächsverlauf und die drei neuesten Browser-Screenshots. Es sendet dann Gedanken und eine einzelne nächste Aktion aus.

Der Aktionsbereich umfasst Commonplace-Maus- und Tastatureingaben sowie webspezifische Aktionen wie die Websuche. Außerdem werden Metaaktionen für die Kontextverwaltung verfügbar gemacht. Dazu gehören das Auswendiglernen von Fakten zur späteren Verwendung und das Stellen von Klärungsfragen an den Benutzer. Diese Metaaktionen ermöglichen es dem Agenten, über längere Zeiträume hinweg zu agieren und mit Benutzern zusammenzuarbeiten.

Trainingsmix

Beim Coaching wird eine überwachte Feinabstimmung an etwa zwei Millionen Proben durchgeführt. Die Mischung besteht zu 60 % aus Internet-Trajektorien und zu 12,8 % aus synthetischen Umgebungen. Das Ausfüllen von Formularen und Benutzerinteraktionen machen 12,5 % aus. Die Erdung trägt 8,8 % und die VQA 4,9 % bei. Kleinere Abschnitte befassen sich mit dem Ziehen der Benutzeroberfläche, der Befolgung von Anweisungen und der Sicherheit. Der Verlust wird nur auf die drei letzten Kurven in jeder Flugbahn angewendet.

FaraGen1.5: die synthetische Datenpipeline

FaraGen1.5 ist die synthetische Pipeline, die die Trainingstrajektorien erstellt hat. Es besteht aus drei modularen Komponenten: Umgebungen, Lösern und Prüfern.

Umgebungen werden in zwei Typen unterteilt. Open-Web-Aufgaben werden auf Dwell-Web sites ausgeführt, für die keine Anmeldung erforderlich ist. Gated-Area-Aufgaben erfordern authentifizierte Sitzungen oder führen irreversible Aktionen aus, wie z. B. das Senden einer E-Mail.

Für geschlossene Domänen erstellte das Staff sechs synthetische Klone namens FaraEnvs. Sie umfassen Mail, Kalender, Stream, ML, Keep und Scheduler. Jeder Klon verfügt über ein realistisches Frontend, eine voll funktionsfähige API und eine Datenbank mit personabasierten Seed-Daten.

Diese Umgebungen wurden mit GitHub Copilot CLI und iterativer menschlicher Verfeinerung erstellt. Da das Staff den gesamten Stack kontrolliert, weiß es für jede Aufgabe das richtige Ergebnis. Bei Aufgaben, die das Backend verändern, vergleicht ein LLM-Richter Datenbank-Snapshots vor und nach der Ausführung. Aufgaben, deren Standing sich nicht ändert, werden anhand vorberechneter Referenzantworten bewertet.

Der Solver-Agent verwendet GPT-5.4 von OpenAI mit benutzerdefinierten Instruments, die den Aktionsraum von Fara1.5 widerspiegeln. Der Löser erzielt bei On-line-Mind2Web mithilfe des automatisierten WebJudge eine Punktzahl von 83 %. Der vorherige Fara-7B-Löser erreichte bei derselben Bewertung 67 %. Ein Benutzersimulator wird aufgerufen, wenn der Löser eine ausgibt ask_user Anruf oder wenn eine Aufgabe erledigt ist.

Drei Prüfer prüfen, welche Trajektorien in das Coaching einfließen. Correctness verwendet LLM-generierte Rubriken für Open-Web-Aufgaben und die Beurteilung privilegierter Datenbanken für synthetische Rubriken. Effizienz bestraft überflüssige oder unnötige Maßnahmen. Die Überprüfung der Benutzerinteraktion prüft, ob der Agent an kritischen Punkten pausiert hat.

Kritische Punkte und Sicherheit

Fara1.5 ist darauf trainiert, in drei Situationen anzuhalten und den Benutzer zu fragen. Erstens: Für die Aufgabe sind persönliche Informationen erforderlich, die der Benutzer nicht angegeben hat. Zweitens: Die Aufgabenbeschreibung ist mehrdeutig oder es fehlen Particulars, die zum Handeln erforderlich sind. Drittens: Eine unumkehrbare Handlung wird ohne vorherige Genehmigung durchgeführt.

Bei der Sicherheitsschulung werden öffentliche Sicherheitsdatensätze und interne Aufgaben verwendet, die an der Accountable AI Coverage von Microsoft ausgerichtet sind. In MagenticLite werden alle Agentenaktionen protokolliert und sind überprüfbar. Der Sandbox-Browser fungiert auch als Sicherheitsgrenze zwischen dem Agenten und dem Laptop des Benutzers.

Andere Benchmarks

Auf WebVoyager erreicht Fara1.5-27B 88,6 %, der 9B erreicht 86,6 % und der 4B erreicht 80,8 %. Der 9B übertrifft auch vergleichbare Konkurrenten wie MolmoWeb 8B, GUI-Owl-1.5 8B und Holo2 8B. Alle Fara1.5-Evaluierungsläufe nutzen Browserbase, um Sitzungen zu stabilisieren und Blockierungen auf Sitzungsebene zu reduzieren. Die Zahlen werden über drei unabhängige Läufe gemittelt.

Auf WebTailBench v1.5, das auf Lengthy-Tail-Webaufgaben abzielt, erzielt Fara1.5-9B einen Prozesserfolg von 64,5 % und einen Ergebniserfolg von 32,3 %. GPT-5.4 erreicht beim gleichen Benchmark einen Prozesswert von 79,6 % und einen Ergebniswert von 57,4 %.

Wichtige Erkenntnisse

Hier sind 5 wichtige Erkenntnisse aus einer Zeile:

• Microsoft Analysis hat Fara1.5 veröffentlicht, eine Familie von Browser-Agenten für die Computernutzung in den Größen 4B, 9B und 27B, die auf Qwen3.5 basieren.
• Fara1.5-27B erreicht 72 % bei On-line-Mind2Web und schlägt damit OpenAI Operator (58,3 %), Gemini 2.5 CU (57,3 %) und Yutori Navigator n1 (64,7 %).
• Die synthetische Datenpipeline FaraGen1.5 ermöglicht das Coaching auf geschlossenen Domänen über sechs funktionale App-Klone (FaraEnvs), die mit der GitHub Copilot CLI erstellt wurden.
• Fara1.5 hält inne, um den Benutzer an kritischen Punkten zu befragen: fehlende Informationen, unklare Aufgaben oder irreversible Aktionen ohne Genehmigung.

Schauen Sie sich das an Technische Particulars. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 150.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face Web page ODER Produktveröffentlichung ODER Ihr Webinar usw. zu bewerben? Vernetzen Sie sich mit uns