Wenn KI -Modelle komplexer und größer werden, findet eine ruhige Abrechnung in Sitzungssälen, Forschungslabors und Regulierungsbüros statt. Es wird klar, dass die Zukunft von KI nicht darum geht, größere Modelle zu bauen. Es wird um etwas viel grundlegenderes handeln: Verbesserung der Qualität, Legalität und Transparenz der Daten, auf die diese Modelle geschult werden.

Diese Verschiebung konnte nicht zu einer dringenderen Zeit kommen. Mit Generative Modelle Die Einsätze wurden im Gesundheitswesen, Finanz- und öffentliche Sicherheit eingesetzt und waren nie höher. Diese Systeme vervollständigen nicht nur Sätze oder generieren Bilder. Sie diagnostizieren, erkennen Betrug und Fahnen. Und doch basieren viele auf Datensätzen mit Voreingenommenheit, Opazität und in einigen Fällen, direkte Illegalität.

Warum Größe alleine uns nicht retten wird, wird uns nicht retten

Das letzte Jahrzehnt der KI conflict ein Wettrüsten der Skala. Von GPT bis Gemini hat jede neue Era von Modellen durch größere Architektur und weitere Daten intelligentere Ausgaben versprochen. Aber wir haben eine Decke getroffen. Wenn Modelle nach Daten von geringer Qualität oder nicht repräsentativen Daten geschult werden, sind die Ergebnisse vorhersehbar fehlerhaft, egal wie groß das Netzwerk ist.

Dies wird in der klar gemacht OECDs 2024 Studie über maschinelles Lernen. Eines der wichtigsten Dinge, die feststellen, wie zuverlässig ein Modell ist, ist die Qualität der Trainingsdaten. Egal welche Größe, Systeme, die auf voreingenommenen, alten oder irrelevanten Daten trainiert werden, liefern unzuverlässige Ergebnisse. Dies ist nicht nur ein Downside mit der Technologie. Es ist ein Downside, insbesondere in Bereichen, die Genauigkeit und Vertrauen benötigen.

Rechtsrisiken sind nicht mehr theoretisch

Mit zunehmender Modellfunktionen steigt auch die Kontrolle darüber, wie sie gebaut wurden. Rechtliche Schritte holen schließlich die Datenpraktiken der grauen Zone ein, die frühzeitige KI -Innovation angeheizt haben. Jüngste Gerichtsfälle in den USA haben bereits begonnen, Grenzen rund um das Urheberrecht, das Schaben und die faire Verwendung für KI -Schulungsdaten zu definieren. Die Nachricht ist einfach. Die Verwendung nicht lizenzierter Inhalte ist keine skalierbare Strategie mehr.

Für Unternehmen im Gesundheitswesen, Finanzierung oder öffentliche Infrastruktur sollte dies Alarme erteilen. Die Reputations- und Rechtsausfälle aus der Ausbildung von nicht autorisierten Daten sind jetzt nicht spekulativ.

Die Arbeit des Harvard Berkman Klein Heart zur Datenherstellung macht den wachsenden Bedarf an transparenten und prüfbaren Datenquellen deutlich. Organisationen, die ihre Trainingsdatenlinien nicht eindeutig verstehen, fliegen in einem schnell regulierenden Raum blind.

Die Rückkopplungsschleife, die niemand will

Eine weitere Bedrohung, über die nicht so viel gesprochen wird, ist auch sehr actual. Wenn Modelle an Daten unterrichtet werden, die von anderen Modellen hergestellt wurden, oft ohne menschliche Aufsicht oder Verbindung zur Realität, wird dies als Modellkollaps bezeichnet. Im Laufe der Zeit macht dies eine Rückkopplungsschleife, in der sich falsches Materials selbst verstärkt. Dies macht Ausgänge, die gleichmäßiger, weniger genau und oft irreführend sind.

Entsprechend Cornells Studie Beim Modell Zusammenbruch von 2023 wird das Ökosystem in eine Spiegelhalle verwandelt, wenn nicht ein starkes Datenmanagement vorhanden ist. Diese Artwork von rekursivem Coaching ist schlecht für Situationen, die unterschiedliche Denkweisen, Handlungsfälle oder kulturelle Nuancen benötigen.

Häufige Widerlegungen und warum sie scheitern

Einige werden sagen, dass mehr Daten, auch schlechte Daten, besser sind. Aber die Wahrheit ist Skalierung ohne Qualität multipliziert nur die vorhandenen Mängel. Wie das Sprichwort Müll eingeht, Müll aus. Größere Modelle verstärken das Rauschen nur, wenn das Sign nie sauber conflict.

Andere stützen sich auf rechtliche Unklarheit als Grund zum Warten. Ambiguität ist jedoch kein Schutz. Es ist ein Warnzeichen. Diejenigen, die sich nun an die aufkommenden Requirements ausrichten, sind denjenigen, die sich unter Durchsetzung durchsetzen, weit voraus.

Während automatisierte Reinigungswerkzeuge einen langen Weg zurückgelegt haben, sind sie noch begrenzt. Sie können subtile kulturelle Vorurteile, historische Ungenauigkeiten oder ethische rote Fahnen nicht erkennen. Der MIT Media Lab hat gezeigt, dass Großsprachmodelle auch nach mehreren Trainingsabgaben anhaltende, unentdeckte Verzerrungen tragen können. Dies beweist, dass algorithmische Lösungen allein nicht ausreichen. Eine menschliche Aufsicht und kuratierte Pipelines sind noch erforderlich.

Was kommt als nächstes

Es ist Zeit für eine neue Artwork des Denkens über die KI -Entwicklung, in der Daten kein nachträglicher Gedanke sind, sondern die Hauptquelle für Wissen und Ehrlichkeit. Dies bedeutet, dass Geld in starke Information Governance -Instruments eingefügt werden kann, mit denen herausgefunden werden kann, woher Daten stammen, Lizenzen überprüfen und nach Vorurteilen suchen. In diesem Fall bedeutet dies, sorgfältig ausgewählte Aufzeichnungen für wichtige Verwendungen zu erstellen, die rechtliche und moralische Überprüfung umfassen. Es bedeutet, offen für Schulungsquellen zu sein, insbesondere in Bereichen, in denen ein Fehler viel kostet.

Die politischen Entscheidungsträger haben auch eine Rolle zu spielen. Anstatt Innovation zu bestrafen, sollte das Ziel darin bestehen, durch Regulierung, Finanzierung und öffentlich-private Zusammenarbeit überprüfbare, verantwortungsvolle Datenpraktiken zu tätigen.

Schlussfolgerung: Bauen Sie auf Grundgestein nicht Sand auf. Der nächste große KI -Durchbruch wird nicht von Skalierungsmodellen bis in Unendlichkeit kommen. Es wird sich aus dem endgültigen Umgang mit dem Chaos unserer Datenstiftungen und der Aufräumarbeiten ergeben. Modellarchitektur ist wichtig, kann aber nur so viel tun. Wenn die zugrunde liegenden Daten unterbrochen sind, behebt keine Menge an Hyperparameterabstimmung.

KI ist zu wichtig, um auf Sand gebaut zu werden. Die Stiftung muss bessere Daten sein.

Die Gezeiten haben sich in der AI -Landschaft der Enterprise eingeschaltet. Entsprechend Menlo Ventures ‚2025 „Mid-Yr LLM Market Replace“, Replace “, Der Claude von Anthropic hat Openai als führender Sprachmodellanbieter für Enterprise überholt und erfasst nun 32% des Marktanteils im Vergleich zu 25% von OpenAI – eine dramatische Umkehrung gegenüber OpenAs dominantem 50% -Verteil vor erstem Jahr. Dies ist mehr als ein Rangliste: Es ist ein Beweis für die Reifung von Enterprise -KI und ein Sign für das, was Unternehmen in dieser nächsten Part wirklich schätzen.

Die strategische Beschleunigung von Anthropic

Anthropic hat in nur sechs Monaten einen meteorischen Anstieg der Einnahmen von 1 Mrd. USD auf 4 Mrd. USD erzielt. Anstatt die Allgegenwart zu verfolgen, verdoppelte sich die anthropische Dauer der komplexen Bedürfnisse großer Organisationen und konzentrierte sich auf Bereiche, in denen die Einführung von KI keine Neugier, sondern eine Notwendigkeit ist. Mit robuster Logik, strukturiertem Denken und strengen Einhaltung der behördlichen Einhaltung ist Claude zum bevorzugten Accomplice für Branchen geworden, in dem die Einsätze am höchsten sind und das Vertrauen nicht verhandelbar ist.

Diese Bemühungen zeigen sich in der Suite von Unternehmensfunktionen, die Claude jetzt anbietet: Erweiterte Datenschutz, detaillierte Benutzerverwaltung, nahtlose Integration in Legacy IT und sektorspezifische Governance-Steuerelemente. Das Ergebnis? Die Dominanz von Anthropic in der Codegenerierung, bei der es jetzt bemerkenswerte 42% der Kategorie gibt – schließen Sie die des nächsten Rivalen.

Warum Unternehmenskäufer den Kurs ändern

Die Zeiten, in denen KI -Adoptionsentscheidungen von spritzigen Benchmarks oder Grenzgewinnen in den Testergebnissen beeinflusst wurden, liegen hinter uns. Der MENLO Ventures -Bericht macht deutlich, dass Unternehmen im Jahr 2025 in investieren Ergebnissekeine Ausgänge. Sie suchen Modelle, die nicht nur die Sprache verarbeiten, sondern komplexe Workflows entsprechen strengen Vorschriften und schnappen sich nativ in ihren vorhandenen digitalen Stoff612.

Unternehmensleiter priorisieren jetzt:

• Instruments für Codegenerierung Innovation und Produktivität zu befeuern – jetzt einen Markt für 1,9 Mrd. USD und stetig steigern;
• Agent-First-Architekturen die autonome, geschäftsbezogene Lösungen ermöglichen;
• Inferenz für Produktionsstörungen Das bewegt KI vom Experimentieren zu missionskritischen Arbeitsbelastungen;
• Nahtlose Integration mit Unternehmenssystemen und Daten anstatt „Chatbots“ zu verlegt.

Das Paradox der Skalierung: Kosten, stürmende Ausgaben stürmen

Seit 2022 sind die Modellkosten ein spektakuläres 280-fach gefallen, doch die KI-Ausgaben für Unternehmen waren nie höher. Die Investitionen explodieren mit einem jährlichen Tempo von 44%, der im Jahr 2025 weltweit 371 Mrd. USD aufsteigt, was auf einen breiten Einsatz und die wirkliche Auswirkungen auf die reale Welt zurückzuführen ist-nicht nur Experimente im Labor.

Warum das Paradoxon? Unternehmen kaufen keine Token mehr; Sie investieren in Transformation. Sie zahlen und zahlen intestine für Plattformen, die ihren besonderen Bedürfnissen, die Vertrauen und Compliance bieten, und dieses Versprechen dauerhafte operative Aufträge.

Modellparität, Workflow -Primat

Da die Modellleistung nun nahezu Parität zwischen Claude und Openai ist, hat sich der Wettbewerbsvorteil entscheidend zu Zuverlässigkeit, Governance und erfolgreicher Unternehmensintegration verlagert – nicht winzige Verbesserungen in der allgemeinen Intelligenz.

Die Straße voraus: wo Enterprise KI gewinnen wird

Wie der MENLO-Bericht bestätigt, müssen zukunftsorientierte Führungskräfte ihre Groups nun an:

• Erweiterte Codegenerierung mit nachweisbarem Geschäftswert;
• Autonome Agent -Frameworks Das brachte KI tief in den Workflow ein;
• Optimierung für lebende, ständig auf Produktionsinferenz;
• Unerbittlicher Fokus auf Integration und Compliance Über den gesamten Enterprise Stack.

Das neue Spielbuch für Enterprise AI

Bei der KI -Rasse geht es nicht mehr darum, das größte, schnellste oder billigste Modell zu haben – es geht um Vertrauen, Ergebnisse und Partnerschaft. Der schnelle Aufstieg von Anthropic beweist, dass das Verständnis und die Dienste von Unternehmensbedürfnissen das wahre Wettbewerbsunterscheidungsmerkmal ist. In einer Zeit der technologischen Parität wird der Gewinner derjenige sein, der die Modellfunktionen am besten in Unternehmensumwandlung, Integration auf Systemebene und operatives Vertrauen übersetzt.

Da die Budgets der Unternehmen KI weiter anschwellen, wird die Krone nicht zum lautesten Innovator gehören, sondern dem einen, der einen quantifizierbaren Wert im Maßstab liefert. Im Jahr 2025 trägt Anthropic diese Krone.

---

Quellen:

1. https://www.linkedin.com/posts/matt-murphy-0415543_2025-mid-sllm-market-update-Basis-Exercise-7356682316062056448-zbnn
2. https://www.cnbc.com/2025/05/30/anthropic-hits-3-billion-in-annualisierte-revenue-on-business-demand-for-ai.html
3. https://beginswithai.com/claude-for-perprise/
4. https://www.emarketer.com/content material/anthropic-s-claude-inprise-takes-on-openai-with-business-cused-ai-capabilities
5. https://menlovc.com/persspektive/2025-mid-yal-llm-market-update/
6. https://explodingtopics.com/weblog/ai-statistics
7. https://www.wsj.com/tech/ai/tech-aispending-company-valuations-7b92104b

Das Weiße Haus hat gerade das US AI Playbook veröffentlicht – förmlich mit dem Titel „ „Amerikas AI -Aktionsplan”-Eine umfassende, hochwirksame Bundesstrategie, die eine Sache verdeutlicht: Die Vereinigten Staaten gehen auf künstliche Intelligenz. Ob Sie im Silicon Valley sind, ein Fortune 500 führen oder eine kritische Regierungsbehörde leiten, die Botschaft ist eindeutig: skalieren Sie schnelle Ai-Ablagerungen, Ablagerungen und sichern die amerikanische Führung über die Technologie, industrielle und geopolitische Fronten.

Klarer Ehrgeiz: Konkurrenz übertreffen, unerbittlich bauen, weltweit führen

Das Kernziel ist explizit. Der Plan lässt sich von der Weltraumrasse inspirieren und fordert alle Sektoren auf, KI sowohl als wirtschaftliche als auch als nationale Sicherheitsbedarf zu behandeln. Wer das größte KI -Ökosystem erstellt, wird globale Requirements festlegen, wirtschaftliche Belohnungen ernten und die technologische Zukunft bestimmen. Das Dokument ist eine Roadmap, die von den Anweisungen des Präsidenten unterstützt wird und AI als Motor einer industriellen Revolution, einer Informationsrevolution und einer intellektuellen Renaissance vorsieht – alles auf einmal.

Säule I: KI -Innovation beschleunigen

Regulatorische Engpässe entfernen: Das Spielbuch beginnt mit der Beseitigung der „belastenden Regulierung“-mit einer klaren Warnung: Bundesfinanzierung, Zuschüsse und Verträge können in Staaten eingeschränkt werden, die hartnäckige KI-Regeln auferlegen. Deregulierung wird nicht nur als Politik, sondern als wichtiger Wettbewerbsvorteil beschrieben. Beispielsweise führt die Government Order 14179 frühere Strikturen auf und betont, dass Innovation auf keinem Niveau „in Bürokratie erstickt“ werden darf.

Bundesaktionspunkte:

• Überprüfen und aufheben Sie die Bestimmungen des Bundes und des Bundesstaates auf, die den KI -Einsatz behindern.
• Finanzierungsentscheidungen werden nun das KI -Regulierungsklima eines Staates berücksichtigen.
• Agenturen wie OSTP und OMB haben die Aufgabe, die Deregulationsagenda schnell zu verfolgen.

Was es für Sie bedeutet: Wenn Ihr Betrieb oder Ihre Kundenbasis mehrere Staaten umfasst, überwachen Sie genau, wie sich die lokalen Vorschriften auf den Zugang zu Bundesmöglichkeiten und die Berechtigung von Partnern auswirken können.

Open-Supply- und Open-Gewicht-Modelle: Die USA verpflichtet sich, offene Modelle mit zugänglichem „Gewichten“ zu machen, eine nationale Priorität. Diese Modelle werden als entscheidend für Forschung, KMU -Einführung und Unabhängigkeit von geschlossenen Anbietersystemen angesehen. Der Plan sieht außerdem offene Modelle als „geostrategische Vermögen“ von entscheidender Bedeutung für den amerikanischen Einfluss im Ausland mit spezifischen Schritten zur Schaffung von Finanzmärkten für KI-Rechen und zur Erweiterung öffentlich-private Partnerschaften im Rahmen der Nationwide AI Analysis Useful resource.

Säule II: Bauen Sie die amerikanische KI -Infrastruktur auf

Nationale Kapazität freigeben: Der Plan ist vielleicht der datenintensivste Abschnitt und stellt einen dramatischen Bedarf an neuen Rechenzentren, Halbleiter Fabs und-für alle-Energie. Das seit den 1970er Jahren stagnierende elektrische US -amerikanische Stromnetz wird als dringender Chokepoint gekennzeichnet. Rivalen wie China haben sich aggressiv vergrößert, und der Plan ist nicht subtil: „Construct, Child, Construct“ ist der Chorus.

Wichtige Aktionen der Infrastruktur:

• Stromliniengenehmigung: NEPA-Reformen, kategoriale Ausschlüsse und Quick-41-Expansionen senken die Bürokratie für Rechenzentren und Energieprojekte.
• Gitterüberholung: Stabilisieren Sie das bestehende Netz, steigern die neue Era (einschließlich Atom- und Geothermie) und die Reformmärkte, um die Zuverlässigkeit zu motivieren.
• Semiconductor Renaissance: Das Chips Act konzentriert

Was es für Sie bedeutet: Erwarten Sie eine steigende Nachfrage und Volatilität im Bereich des Rechenzentrums und in den Energiepreisen. Sichern, diversifizieren und sperren Sie Partnerschaften für Berechnung, Cloud und {Hardware}. Organisationen sichern sich nur die sichere Infrastruktur könnten Prämienpreise zahlen oder ausgelassen werden, wenn Engpässe getroffen werden.

Pillar III: Internationale Führung, Sicherheit und Diplomatie

Verbündete, Gegner und amerikanische Requirements: Das Spielbuch sieht nicht nur eine inländische Transformation, sondern auch eine globale Kampagne vor. Der Exportieren von „The Full US AI Know-how Stack“-Chips, Fashions, Anwendungen und Requirements-in den alliierten Nationen wird zu einer obersten Priorität, mit neuen Mechanismen für wirtschaftliche Diplomatie und Requirements auf internationaler Ebene. Es gibt einen erheblichen Fokus auf:

• Gegen chinesischer Technologie und regulatorischer Einfluss in multilateralen Körpern.
• Aggressive Verschärfen von Exportkontrollen für Halbleiter und KI -Technologien mit fortgeschrittener Ortprüfung für Chips1.
• Sicherstellung strenger nationaler Sicherheitsüberprüfungen sowohl inländischer als auch von ausländischen (insbesondere kontroversen) KI -Modellen.

Belegschaft: AI Upskilling und Jobschutz als Kernpolitik

Bundes -Upskilling -Kampagnen: Der Plan schreibt die karrierelange KI-Fähigkeitsentwicklung als zentrales Bundesfinanzierungsziel vor-unterstützt durch neue Leitlinien, die für Arbeitgeber gemäß IRC-Abschnitt 132 KI-Schulungen steuerlich geschadet werden. Zwei Government-Aufträge ab April 2025 stärken die Verpflichtungen für Okay-12-KI-Alphabetisierung und „Qualifikationen für die Zukunft“.

Umsetzbare Initiativen:

• Priorität bei der Integration der KI -Schulung in Lehrstellen, CTE und Hochschulbildung.
• Neue KI -Belegschaftsforschungs -Hub zur Verfolgung und Vorhersage von Traits für die Verschiebung von Arbeitsplätzen und die Aufdeckung umsetzbarer Erkenntnisse.
• Finanzierung einer schnellen Umschulung und dem Aufschwung für Arbeitnehmer in Branchen, die sich mit dem Druck des Automatisierungsbereichs befassen.

Was es für Sie bedeutet: Unternehmen müssen interne KI -Expertise -Pipelines oder das Risiko eingehen, zurückzufallen. Bundesanreize werden Organisationen bevorzugen, die sich rapidieren, insbesondere in den Bereichen Operationen, Ingenieurwesen und Cybersicherheit.

Institutionelle KI -Adoption: Regierung als KI -Käufer und Benchmark

KIR -Nutzung des Bundes: Nutzung des Bundes: Der Plan beschleunigt die KI -Beschaffung und -abweichungen der Regierung, insbesondere in der Verteidigung, in der öffentlichen Gesundheit und in der Infrastruktur. Dies beinhaltet die Formalisierung des Chief Synthetic Intelligence Officer Council, der Aufbau von Regierungs-KI-Beschaffungs-Toolkits und die Bereitstellung von klassifizierten KI-Rechenzentren mit hoher Sicherheit für wise Arbeitsbelastungen.

Marktsignal: Die Adoption des Bundes ist nicht nur für die Present; Es setzt Compliance-, Risiko- und Beschaffungsbenchmarks, den der personal Sektor treffen muss, um Zugang zu staatlichen Verträgen und regulierten Märkten zu erhalten.

Strategische Imbissbuden

• Das regulatorische „Klima“ bestimmt nun die Berechtigung: Organisationen in strengeren Regulierungsstaaten können den Zugang zu Milliarden an Bundesfinanzierungen und -verträgen verlieren – bewerten Sie Ihr Compliance -Playbook jetzt.
• Infrastruktur ist König: Der erwartete Anstieg der Berechnung und des Energiebedarfs wird die Marktpreisdynamik neu umformieren – von den Vorteilen, die sich von den Vorteilen befinden.
• Open-Supply-KI jetzt eine Bundespriorität: Nutzen Sie offene Modelle für Transparenz, Innovation und Zugang zu bevorstehenden Regierungsprogrammen.
• Expertise und Coaching sind nicht non-obligatory: Die Investition in die Umschulung von Belegschaft und die KI -Alphabetisierung wird jetzt bundesweit Anreiz und häufig eine Bedingung für die Finanzierung.
• Die Beschaffung des Bundes wird die Industriestandards beeinflussen: Viele US -amerikanische Agenturen – einschließlich militärischer und militärischer Versorgung – werden bald die Einhaltung neuer föderaler Toolkits und Risikorahmen erfordern.

Abschluss

Das US AI-Playbook ist eine mutige All-In-Wette. Es rahmt Ai nicht als inkrementelle Fortschritt, sondern als als Richtungswette auf die Zukunft Amerikas– Wirtschaftlich, geopolitisch und wissenschaftlich. Für Organisationen aller Größen ist die Ignorierung dieser föderalen Roadmap keine praktikable Possibility. Die Einrichtung mit diesen fünf strategischen Schritten-das regulatorische Risiko, die Planung der Infrastrukturvolatilität, die Nutzung der Open-Supply-KI, die Investition in Upskilling und die Verfolgung der Einführung des Bundes-ist jetzt der Preis für den Eintritt in das nächste industrielle Alter Amerikas.

---

Schauen Sie sich das an Vollständiger Bericht. Alle Krediten für diese Forschung gilt an die Forscher dieses Projekts. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser E-newsletter.

Die chinesische KI-Firma Minimaxai hat gerade ein großes Open-Supply-Argumentationsmodell namens Minimax-M1 auf den Markt gebracht. Das Modell, das am ersten Tag des 5-tägigen MinimaxWeek-Occasions veröffentlicht wurde, scheint einen guten Wettbewerb für Openai O3, Claude 4, Deepseke-R1 und andere Zeitgenossen zu verleihen. Zusammen mit dem Chatbot hat Minimax auch einen Agenten in der Beta -Model veröffentlicht, in dem Code ausgeführt, Apps erstellt, Präsentationen erstellt werden können und vieles mehr. In diesem Artikel werden wir die wichtigsten Funktionen von Minimax-M1 untersuchen, lernen, wie man darauf zugreift, und sie an einigen Aufgaben testen. Wir werden auch den Minimax -Agenten erkunden. Lesen Sie additionally bis zum Ende, um den Agenten in Aktion zu beobachten!

Was ist Minimax-M1?

Minimax -M1 ist ein offenes, großes, großes, hybrides Begründungsmodell, das von der in Shanghai basierenden KI -Startup -Minimax entwickelt wurde. Das Denkmodell verfügt über eine Websuchfunktion und kann multimodale Eingaben in Kind von Textual content, Bildern, Präsentationen und mehr über verschiedene Formate hinweg verarbeiten.

Auf a gebaut Mischungsarchitektur (Mischungsteuerung (MOE)Das Modell wird mit insgesamt 456 Milliarden Parametern geschult, wobei etwa 45,9 Milliarden professional Token aktiviert sind. Darüber hinaus wird das Modell unter einer Apache 2.0-Lizenz veröffentlicht, was es wirklich offen macht.

Minimax hat Blitzaufmerksamkeit für sein M1 -Modell eingeführt, wodurch die Inferenzkosten drastisch gesenkt werden. Um es in Zahlen auszudrücken, verwendet es nur 25% der Flops im Vergleich zu Deepseek -R1 bei 100.000 -beanstandete Era. Das Modell wird über RL mit großem Skala unter Verwendung von CISPO (abgeschnittene Abtastungspolitikoptimierung) trainiert, die abtastete Gewichte anstelle von Aktualisierungen. Dies führte zu einer effizienten Schulung am 512 A800 -GPUs über 3 Wochen und kostete nur rund 534.700 US -Greenback. Dies ist weitaus niedriger als die Millionen von Wettbewerbern wie OpenAI und Google.

Schlüsselmerkmale

Hier sind die Hauptmerkmale des neuen Minimax-M1-Modells:

1. Hybride Aufmerksamkeit + MOE -Effizienz: M1 kombiniert eine MOE -Architektur mit blitzschneller Aufmerksamkeit und erzielt im Vergleich zu den meisten anderen Modellen bis zu 75% Recheneinsparungen.
2. Großes Anhaltungsfenster: Das größte Spotlight von M1 ist das huge Kontextfenster von 1M Eingangs -Token -Token und bis zu 80.000 Ausgangs -Token, was mit Googles Gemini 2.5 Professional mitgeht.
3. Erhältlich in 40K & 80.000 Denkbudgets: Minimax bietet M1-40K (mittlere) und M1-80K (Superior) -Versionen an. Die 80K -Variante ist bei erweiterten Argumentation und komplexen Aufgaben besser abgestimmt.
4. Erweiterte agenten- und langkundigende Argumentation: Die Fashions-Benchmark-Leistungen zeigen, dass sie sich bei Lengthy-kontext-Benchmarks (OpenAI-MRCR, Longbench-V2) und dem agentischen Werkzeuggebrauch (TAU-BENCH) auszeichnet.

Lesen Sie auch: Das neue Replace von Deepseek R1-0528 ist verrückt

Minimax -M1: Benchmark -Leistung

So stapelt sich das M1-80K -Modell in den wichtigsten Benchmark -Domänen:

• Aime 2024: Minimax-M1 erzielte den höchsten Rating (86,0%) und übertraf alle proprietären Modelle wie OpenAI O3, Claude 4 Opus und Gemini 2.5 Professional.
• LivecodeBench: Minimax-M1 erzielte in diesem Codierungsbenchmark 65,0%, nur leicht hinter OpenAI O3 und Gemini.
• SWE-Bench verifiziert: In diesem Software program-Engineering-Benchmark erreichte Minimax-M1 56,0percentund übertraf die Deepseek-R1 und QWEN3 um über 10percenteindeutig.
• Tau-Bench: Bei der Verwendung von Agentenwerkzeugen erzielte Minimax-M1 62,8percentund schlug sowohl Deepseek als auch QWEN3. Dies zeigt die starken Fähigkeit des Modells des Modells.
• MRCR: Der MRCR-Benchmark testet die Fähigkeiten der Modelle in der Analyse von mehreren Runden und Langkunden. Minimax-M1 erzielte bei dem Check 73,4% und kam den besten kommerziellen Modellen und weit vor anderen Open-Supply-Modellen.

Lesen Sie auch: Was sind LLM -Benchmarks?

So greifen Sie auf Minimax -M1 zu

Minimax -M1 ist vollständig geöffnet und für beide verfügbar Github Und Umarmtes Gesicht. Sie können das Modell auch direkt auf der Chatbot -Schnittstelle verwenden: https://chat.minimax.io/.

Die Minimax-API bietet ebenfalls strukturierte funktionierende Schnittstellen und andere Chatbot-APIs. Es bietet auch Instruments für die Suche, Bild-/Videogenerierung, Sprachsynthese und Sprachklone – jetzt auf agierische Workflows zugeschnittene.

Minimax-M1: praktische Assessments

Nachdem wir wissen, wie wir auf Minimax-M1 zugreifen können, versuchen wir es aus. In diesem Abschnitt teste ich drei verschiedene Eingabeaufforderungen, um die Leistung des Modells in zu messen:

1. Codierung einer animierten Simulation
2. Durchsuchen des Webs in Echtzeit
3. Lösen eines logischen Argumentationsrätsels

Fangen wir an!

Aufgabe 1: Animierte Simulation

Immediate: „Erzeugen Sie eine Simulation eines roten Pentagons, das sich im Uhrzeigersinn in einem schwarzen Sechseck dreht. Im Pentagon bewegen sich im Pentagon – ein Blau, ein Gelb – ab den Wänden, die den Gesetzen der Physik folgen. Jedes Mal, wenn ein Ball eine Kante trifft, müssen sich seine Farbe ändern. Und jedes Mal, wenn sie miteinander kollidieren, müssen sie beide die Mischung beider Farben beider Farben.“ „

Ausgabe

Rezension

In etwa 10 Minuten erzeugte Minimax-M1 einen sauberen und effizienten Code mit geeigneten Erklärungen, um die Simulation zu erstellen. Es wurde optisch klar und physisch genau, genau der Eingabeaufforderung. Die Bälle bleiben jedoch manchmal an den Rändern, die ich als Fehler feststellte. Außerdem werden die Bälle schließlich aus der Simulation geworfen, die ich nicht erwartet hatte. Aber im Großen und Ganzen hat mir das Ergebnis gefallen.

Aufgabe 2: Websuche

Lassen Sie uns nun sehen, wie intestine das Modell das Net in Echtzeit durchsuchen kann. In dieser Aufgabe werde ich Minimax M1 bitten, mir Occasions in dieser Woche in meiner Stadt zu finden. Ich werde den Suchmodus für diese Aufgabe einschalten.

Immediate: „Welche Stand-up-Comedy-Exhibits finden diese Woche in Gurgaon statt?“

Ausgabe

Rezension

Minimax M1 suchte quick sofort auf 30 verschiedenen Web sites, darunter Distrikte, alle Ereignisse und sogar Ereignislisten auf Fb und Instagram. Es sammelte alle Informationen und gab mir eine Liste aller Stand-up-Ereignisse. Die Suche wurde richtig durchgeführt, aber das Modell konnte das Timing und den Veranstaltungsort der Ereignisse nicht lesen oder erkennen. Es wurde jedoch alle Quellwebsites auf der rechten Seite aufgeführt, sodass es einfacher ist, auf die Buchungsseiten zuzugreifen.

Aufgabe 3: logisches Puzzle

Minimax M1 ist ein Argumentationsmodell mit Denkfunktionen. Additionally werde ich ihm ein logisches Puzzle geben, um diese Aufgabe zu lösen. Ich werde auch den „Suppose“ -Modus einschalten, damit der Denkprozess des Modells.

Immediate: „Vier Leute überqueren nachts eine Brücke, additionally brauchen sie alle eine Taschenlampe – aber sie haben nur eine, die nur 15 Minuten dauert. Alice kann in einer Minute in zwei Minuten, Cindy, in fünf Minuten und Don in acht Minuten überqueren. Nicht mehr als zwei Leute können gleichzeitig überqueren; und wenn zwei Kreuzungen das Tempo des Menschen langsamer werden.

Ausgabe

„Die optimale Lösung, um alle vier innerhalb von 15 Minuten zu vermitteln, lautet wie folgt:

1. Alice und Ben kreuzen zusammen (2 Minuten).
   Die Zeit verstrichen: 2 Minuten
   Menschen auf der anderen Seite: Alice, Ben
2. Alice kehrt alleine zurück (1 Minute).
   Die Zeit verstrichen: 3 Minuten
   Leute auf der Anfangseite: Alice, Cindy, Don
3. Cindy und Don kreuzen zusammen (8 Minuten).
   Die Zeit verstrichen: 11 Minuten
   Menschen auf der anderen Seite: Cindy, Don, Ben
4. Ben kehrt alleine zurück (2 Minuten).
   Die Zeit verstrichen: 13 Minuten
   Leute auf der Startseite: Alice, Ben
5. Alice und Ben kreuzen sich wieder zusammen (2 Minuten).
   Die Zeit verstrichen: 15 Minuten
   Alle vier auf der anderen Seite: Alice, Ben, Cindy, Don

Schlüsselstrategie: Verwenden Sie die beiden schnellsten Personen (Alice und Ben), um die Taschenlampe effizient zu übernehmen und die zeitlich langsameren Personen (Cindy und Don) zusammen zu minimieren. Dadurch wird die Notwendigkeit ausgleichen, sich langsamere Personen zu bewegen und gleichzeitig die Fackelzeit zu erhalten. “

Rezension

Minimax-M1 dauerte ungefähr 2 Minuten (125,2 Sekunden), um über das Downside nachzudenken und die Lösung herauszufinden. Der logische Denkprozess des Modells stand im Punkt und führte zur richtigen Antwort. Es musste keine der Gedanken zurückverfolgen, aber an einigen Stellen dauerte es ein bisschen länger, um nachzudenken.

Minimax Agent in Aktion

Kommen wir nun zum coolsten Teil der neuen Begins von Minimax – dem Minimax -Agenten. Obwohl derzeit in der Beta -Section, sind seine Fähigkeiten und vielfältigen Anwendungsfälle in der Welt der AI -Agenten vielversprechend. Um seine Fähigkeiten zu testen, gab ich ihm die Aufforderung, mir eine interaktive Web site zu erstellen. So lief das.

Immediate: „Erstellen Sie eine interaktive Web site mit einer virtuellen Tour durch Indien.

1. Es muss die Landkarte mit den markierten Staaten zeigen und den Benutzer den Namen des Staates und die jeweilige Hauptstadt lesen lassen, wenn er die Maus darüber schwebt.
2. Es muss nach Klicken in den ausgewählten Zustand vergrößern und alle berühmten Denkmäler und Sehenswürdigkeiten als repräsentative Symbole zeigen.
3. Auch hier müssen ihre Namen und der Standort (Title der Stadt) angezeigt werden, wenn sie über dem Image schwebten.
4. Wenn Sie auf ein Image klicken, muss ein Seitenfeld auftauchen, das tatsächliche Bilder, den Ort, die Besuchszeiten und die Eintrittsgebühr des Wahrzeichens zeigt.
5. Der Benutzer muss die Möglichkeit haben, mehrere Orientierungspunkte auszuwählen, und die App/Web site muss eine realistische Reiseroute für den Besuch all dieser Orte erstellen, in der auch festgelegt wird, wie viele Tage erforderlich sind, um sie alle abzudecken. Dies muss auch die Pendelzeit berücksichtigt, die auf Google Maps basiert. “

Ausgabe

Und hier ist die Web site, die sie für mich erstellt hat:

Rezension

Minimax Agent hat großartige Arbeit geleistet, um eine interaktive Web site zu erstellen, um meine Anforderungen zu erfüllen. Obwohl die endgültige Web site nicht genau so conflict, wie ich in meiner Aufforderung erklärt hatte, muss ich sagen, dass die Ergebnisse beeindruckend sind. Der Agent fand die Informationen, fügte den Textual content und die Bilder hinzu, erhielt API -Tasten, Zugriff auf Google Maps und andere Apps, erstellte das gesamte System und testete es sogar – alles von selbst. Es dauerte ungefähr 20 Minuten, um das Ganze zu erledigen, und lieferte sogar Dokumentation des Prozesses, die Testergebnisse und alle anderen Particulars. Ein kostenloses Instrument, der all das so intestine macht, ist nur umwerfend!

Hier können Sie die vollständige Web site erleben: https://03w1ujb85t.house.minimax.io/

Sie können den Agenten auch kostenlos durch ausprobieren Klicken Sie hier. Sobald Sie sich mit Ihrer E -Mail -ID angemeldet haben, gibt Ihnen Minimax 1.000 kostenlose Credit für die Ausführung des Agenten.

Abschluss

Minimax-M1 ist ein großer Sprung in der Open-Supply-KI. Es ist ein einzigartiges MOE-Modell für Hybridandachtung, das Skalierung und Berechnungseffizienz kombiniert. Mit einem erstaunlichen 1-m-Token-Kontextfenster kann dieses neue Modell Langformpunkte und Dokumentenverständnisse haben. Trotz der niedrigen Trainingskosten zeigt es wettbewerbsfähige oder überlegene Leistung in Standardbenchmarks.

Der Minimax -Agent ist auch sehr beeindruckend und kann selbst Präsentationen, Web sites und Apps erstellen. Die Chatbot -Schnittstelle und Reside -Updates auf der Seite verleihen den Benutzern das Gefühl der Vibe -Codierung. Insgesamt legt Minimax-M1 einen neuen Customary in der Open-Supply-Modellentwicklung fest. Wenn es technische Raffinesse, wirtschaftliche Effizienz und Zugänglichkeit verbindet, hat es eine leistungsstarke Grundlage für KI-Chatbots und Agenten der nächsten Era aufgebaut. Da es kostenlos für alle verwendet wird, probieren Sie es aus und teilen Sie uns in den Kommentaren mit, wie Sie es finden.

Da China seine generativen KI -Investitionen auf 8,2 Milliarden US -Greenback erhöht und die USA KI -Verpflichtungen wie die machen 500 Milliarden US -Greenback Stargate -Projekt – Es ist höchste Zeit, dass Indien sein Genai -Spiel verstärkt hat. Die Notwendigkeit von einheimischen großsprachigen Modellen und KI -Instruments, die tatsächlich die sprachliche und kulturelle Vielfalt Indiens erhalten, ist jetzt unerlässlich. Tauchen wir in Indiens sich entwickelnden Genai-Ökosystem-Unionshaushalt 2025, Unternehmensbewegungen, Fähigkeitenentwicklungsbemühungen und Tendencies, die die KI-Zukunft des Landes prägen.

Regierungsinitiativen: Unionshaushalt 2025 und darüber hinaus

Finanzminister Nirmala Sitharamans Union Haushalt 2025 gab KI und Deep Tech einen ernsthaften Schub. Mit 20.000 Mrd. GBP, die für F & E vorgesehen sind, einschließlich 500 Mrd. GBP für ein neues Exzellenzzentrum in der KI für die Bildung, weist Indien eindeutig groß auf KI. Dieses neue Zentrum schließt sich drei vorhandenen vor, die sich auf Gesundheits-, Landwirtschafts- und nachhaltige Städte konzentrieren und alle daran arbeiten, die KI -Forschung und -anwendungen in den wichtigsten Sektoren voranzutreiben. Innovation? Überprüfen. Technologische Fähigkeiten? Kontrollüberprüfung.

Dann gibt es die Indiaai -Mission, bei der die Finanzierung für das Geschäftsjahr 26 auf 2000 Mrd. GBP stieg – eine steigende Zunahme von 1056% gegenüber den 173 Mrd. GBP des Vorjahres. Das Ziel? KI in kritische Bereiche wie Landwirtschaft, Gesundheitswesen und Governance verweben und Systeme intelligenter und effizienter machen. Außerdem ist der Vorstoß des Budgets nach International Functionality Facilities (GCCs) in Tier-2-Städten ein Recreation-Changer, der darauf abzielt, Indien zu einem globalen Tech-Zentrum zu verwandeln. Ausländische Investitionen, hier kommen wir!

Sie können mehr über Indiaai Mission finden Hier.

Branchenentwicklungen: Einführung und Innovation von Unternehmen

Indische Unternehmen haben sich nicht mehr nur mit Genai beschäftigt – sie gehen alles in. Laut Angaben NTT -Daten, 84% der indischen C-Suite-Supervisor erwarten dank der Genai-Integration im Jahr 2025 große Transformationen. Der Fokus? Verbesserung des Kundenerlebnisses, die Verfeinerung von Strategien und die Optimierung der IT -Funktionen. Grundsätzlich wird KI zum ultimativen Multitasker.

Laut Ashwini Vaishnaw wird Indien im Jahr 2025 ein eigenes generatives KI -Modell auf den Markt bringen, das speziell für die sprachliche und kulturelle Vielfalt des Landes entwickelt wurde.

Fähigkeitsentwicklung im KI -Raum

Der Aufbau von Abilities warfare ein Eckpfeiler der KI-Strategie Indiens. Der Union Finances 2025 kündigte fünf neue nationale Exzellenzzentren für Skilling an, die darauf abzielen, junge Inder mit zukünftiger Fachwissen auszustatten. Diese Zentren werden alles vom Lehrplandesign bis zum Trainingstraining abwickeln, um eine stetige Pipeline von AI-savvy Expertise zu gewährleisten.

Microsoft India setzt sich ebenfalls ein und arbeitet mit der Regierung zusammen, um bis 2026 5 Lakh -Menschen auszubilden. Ihr Plan beinhaltet die Einrichtung von KI -Produktivitätslabors in 20 nationalen Talent -Trainingsinstituten (NSTIs) und Nielit -Zentren, die Ausbildung von 20.000 Pädagogen und Einführung von KI -Kursen in 1 Lakh -Studenten in Industrial Coaching Institutes (ITIS). Bis 2030 strebt Microsoft 10 Millionen Inder mit KI -Fähigkeiten aus. Das sind viele Leute, die bereit sind, die KI-gesteuerte Zukunft zu übernehmen.

Lesen Sie auch: Satya Nadella kündigt 3 Milliarden US -Greenback KI -Investition in Indien an, mutige Pläne für 10 Millionen Arbeitsplätze

Bis 2030 werden AI und Genai voraussichtlich 38 Millionen Arbeitsplätze in Indien verändern, so Ey India. Dies magazine zwar entmutigend klingen, aber es ist auch eine huge Likelihood für die Entwicklung von Fähigkeiten und das Karrierewachstum. Die Integration von AI in verschiedene Sektoren wird die Effizienz steigern, Innovationen aus Funsionen und wirtschaftlichen Wert schaffen und Indien als weltweit führend in der KI -Wirtschaft positionieren.

Endnote

Indiens KI -Second ist hier! Mal sehen, wie viel wir dieses Jahr tatsächlich mit speziellen Schritten erreichen werden, um unsere Positionierung im globalen Raum zu verbessern. Der Union Finances 2025 hat eine starke Grundlage für zukünftiges Wachstum geschaffen und die Notwendigkeit von Innovation, digitaler Transformation und einer technischen Belegschaft betont. Wird Indien in der Lage sein, China oder die USA im KI -Raum zu schlagen? Nun, das scheint weit hergeholt, da diese Länder uns schon weit voraus sind! Es wird jedoch aufregend sein, dass einige indische LLM- und AI-Agenten starten und wie sie mit hochwertigen globalen Modellen verglichen werden. Aufregende Zeiten voraus!

Bleiben Sie auf dem neuesten Stand der KI -Welt mit Analytics Vidhya Information!

Neuigkeiten auf einen Blick

• Meta kündigt Chameleon an, ein fortschrittliches multimodales Giant Language Mannequin (LLM).
• Chameleon verwendet eine auf Early-Fusion-Token basierende Blended-Modal-Architektur.
• Das Modell verarbeitet und generiert Textual content und Bilder innerhalb eines einheitlichen Token-Raums.
• Es übertrifft andere Modelle bei Aufgaben wie der Bildbeschriftung und der visuellen Beantwortung von Fragen (VQA).
• Meta zielt darauf ab, Chameleon weiter zu verbessern und zusätzliche Modalitäten zu erkunden.

Meta macht Fortschritte in künstliche Intelligenz (KI) mit einem neuen multimodalen LLM namens Chameleon. Dieses Modell, das auf einer Early-Fusion-Architektur basiert, verspricht, verschiedene Arten von Informationen besser zu integrieren als seine Vorgänger. Mit diesem Schritt positioniert sich Meta als starker Konkurrent in der KI-Welt.

Lesen Sie auch: Ray-Ban Meta Good Glasses erhalten ein multimodales KI-Improve

Die Architektur von Chameleon verstehen

Chameleon verwendet eine Token-basierte Blended-Modal-Architektur der frühen Fusion und unterscheidet sich dadurch von herkömmlichen Modellen. Anders als beim Ansatz der späten Fusion, bei dem separate Modelle unterschiedliche Modalitäten verarbeiten, bevor sie diese kombinieren, integriert Chameleon von Anfang an Textual content, Bilder und andere Eingaben. Dieser einheitliche Token-Raum ermöglicht es Chameleon, nahtlos über verschachtelte Textual content- und Bildsequenzen nachzudenken und diese zu generieren.

Die Forscher von Meta heben die modern Architektur des Modells hervor. Durch die Kodierung von Bildern in diskrete Token, ähnlich wie Wörter in einem Sprachmodellerstellt Chameleon ein gemischtes Vokabular, das Textual content-, Code- und Bild-Token enthält. Dieses Design ermöglicht es dem Modell, die gleichen Transformator Architektur für Sequenzen, die sowohl Bild- als auch Texttoken enthalten. Es verbessert die Fähigkeit der Modelle, Aufgaben auszuführen, die ein gleichzeitiges Verständnis mehrerer Modalitäten erfordern.

Trainingsinnovationen und -techniken

Das Coaching eines Modells wie Chameleon bringt erhebliche Herausforderungen mit sich. Um diese zu bewältigen, führte Metas Staff mehrere architektonische Verbesserungen und Trainingstechniken ein. Sie entwickelten einen neuartigen Bild-Tokenizer und verwendeten Methoden wie QK-Norm, Dropout und Z-Loss-Regularisierung, um ein stabiles und effizientes Coaching zu gewährleisten. Die Forscher kuratierten außerdem einen hochwertigen Datensatz mit 4,4 Billionen Token, darunter Textual content, Bild-Textual content-Paare und verschachtelte Sequenzen.

Das Coaching von Chameleon erfolgte in zwei Phasen, wobei die Versionen des Modells 7 Milliarden und 34 Milliarden Parameter umfassten. Der Trainingsprozess dauerte über 5 Millionen Stunden auf Nvidia A100 80GB GPUs. Diese Bemühungen führten zu einem Modell, das verschiedene reine Textual content- und multimodale Aufgaben mit beeindruckender Effizienz und Genauigkeit ausführen kann.

Lesen Sie auch: Meta Llama 3: Neudefinition großer Sprachmodellstandards

Leistung über verschiedene Aufgaben hinweg

Die Leistung von Chameleon bei Imaginative and prescient-Language-Aufgaben ist bemerkenswert. Es übertrifft Modelle wie Flamingo-80B und IDEFICS-80B bei Bildunterschriften und VQA-Benchmarks. Darüber hinaus ist es bei reinen Textaufgaben konkurrenzfähig und erreicht Leistungsniveaus, die mit modernsten Sprachmodellen vergleichbar sind. Die Fähigkeit des Modells, gemischt-modale Antworten mit verschachteltem Textual content und Bildern zu generieren, hebt es von seinen Konkurrenten ab.

Die Forscher von Meta berichten, dass Chameleon diese Ergebnisse mit weniger kontextbezogenen Trainingsbeispielen und kleineren Modellgrößen erreicht, was seine Effizienz unterstreicht. Die Vielseitigkeit des Modells und seine Fähigkeit, mit gemischt-modalem Denken umzugehen, machen es zu einem wertvollen Werkzeug für verschiedene KI-Anwendungen, von erweiterten virtuellen Assistenten bis hin zu anspruchsvollen Instruments zur Inhaltsgenerierung.

Zukünftige Aussichten und Implikationen

Meta sieht Chameleon als wichtigen Schritt hin zu einer einheitlichen multimodale KI. Zukünftig plant das Unternehmen, die Integration zusätzlicher Modalitäten, wie etwa Audio, zu untersuchen, um seine Fähigkeiten weiter zu verbessern. Dies könnte Türen zu einer Reihe neuer Anwendungen öffnen, die ein umfassendes multimodales Verständnis erfordern.

Die frühe Fusionsarchitektur von Chameleon ist ebenfalls sehr vielversprechend, insbesondere in Bereichen wie der Robotik. Forscher könnten möglicherweise fortschrittlichere und reaktionsfähigere KI-gesteuerte Roboter indem sie diese Technologie in ihre Steuerungssysteme integrieren. Die Fähigkeit des Modells, multimodale Eingaben zu verarbeiten, könnte auch zu komplexeren Interaktionen und Anwendungen führen.

Unser Kommentar

Die Einführung von Chameleon durch Meta stellt eine spannende Entwicklung in der multimodalen LLM-Landschaft dar. Seine Early-Fusion-Architektur und beeindruckende Leistung bei verschiedenen Aufgaben unterstreichen sein Potenzial, multimodale KI-Anwendungen zu revolutionieren. Da Meta die Fähigkeiten von Chameleon weiter verbessert und erweitert, könnte es einen neuen Commonplace für KI-Modelle zur Integration und Verarbeitung unterschiedlicher Arten von Informationen setzen. Die Zukunft sieht für Chameleon vielversprechend aus und wir erwarten, dass es sich auf verschiedene Branchen und Anwendungen auswirken wird.

Folge uns auf Google Nachrichten um über die neuesten Innovationen in der Welt der KI, Information Science und GenAI.