Skip to content
गूगल डीपमाइंडचे अल्फाजिनोम २, ११ नोव्हेंबर २०२६ रोजी जाहीर, विशिष्ट पेशी प्रकारात डीएनए बदल कसे काम करतात याचा अंदाज देते, आणि डीपमाइंडच्या स्वतःच्या चाचण्यांनुसार आधीच्या मॉडेलपेक्षा जवळपास दुप्पट कारक बदल शोधते
एआय आणि तंत्रज्ञान

गूगल डीपमाइंडचे अल्फाजिनोम २, ११ नोव्हेंबर २०२६ रोजी जाहीर, विशिष्ट पेशी प्रकारात डीएनए बदल कसे काम करतात याचा अंदाज देते, आणि डीपमाइंडच्या स्वतःच्या चाचण्यांनुसार आधीच्या मॉडेलपेक्षा जवळपास दुप्पट कारक बदल शोधते

चित्रण: tuput

मराठी

नवे मॉडेल डीएनएची दहा लाख अक्षरे आणि निवडलेला ऊतक, पेशी प्रकार किंवा पेशी अवस्था घेते, आणि त्या एका स्थितीसाठी जनुकांच्या क्रियाशीलतेचा अंदाज देते. रोगप्रतिकारक पेशींच्या चाचणी संचावर डीपमाइंड सांगते की आधीच्या मॉडेलने १६ टक्के कारक बदल शोधले, तर नव्याने ३० टक्के. हे आकडे निर्मात्याचे स्वतःचे आहेत आणि ते समवयस्क-पुनरावलोकन न झालेल्या प्रीप्रिंटमधले आहेत.

· · 8 मिनिटांचे वाचन

गूगल डीपमाइंडने ११ नोव्हेंबर २०२६ रोजी अल्फाजिनोम २ जाहीर केले. हे एआय मॉडेल संपूर्ण ऊतकाची सरासरी न घेता, निवडलेल्या एका पेशी प्रकारात, उदाहरणार्थ आतड्यातील मॅक्रोफेज किंवा विश्रांतीतील टी पेशीत, डीएनएमधील बदलाचा जनुकांच्या क्रियाशीलतेवर कसा परिणाम होतो याचा अंदाज देते. रोगप्रतिकारक पेशींच्या आकडेवारीवर बांधलेल्या चाचणीत मॉडेलने ३० टक्के कारक बदल ओळखले, तर आधीच्या मॉडेलने १६ टक्के, असे डीपमाइंड सांगते, आणि कंपनी याला जवळपास दुप्पट म्हणते. यामागचा शोधनिबंध १७ नोव्हेंबर २०२६ चा प्रीप्रिंट आहे, म्हणजे तो समवयस्क-पुनरावलोकनापूर्वी प्रसिद्ध झाला आहे, आणि खाली दिलेला प्रत्येक कामगिरीचा आकडा डीपमाइंडचा स्वतःचा आहे. १९ नोव्हेंबर २०२६ पर्यंत तपासलेल्या कोणत्याही पानावर स्वतंत्र पुनरावृत्तीची नोंद नाही.

हे मॉडेल संशोधकांसाठी आहे, डॉक्टरांसाठी नाही. डीपमाइंड सांगते की ते फक्त संशोधनासाठी आहे आणि वैद्यकीय किंवा निदानाच्या वापरासाठी त्याची पडताळणी किंवा मान्यता झालेली नाही.

तोच डीएनए, वेगळे वाचन

शरीरातील प्रत्येक पेशीत तोच डीएनए असतो, आणि प्रत्येक पेशी प्रकार जनुकांचा वेगळा संच चालू किंवा बंद करतो. डीपमाइंडच्या घोषणेत उद्दिष्ट असे सांगितले आहे की डीएनएमधील लहान फरक विशिष्ट पेशींमधील हे चालू-बंद करणे कसे बदलतात त्याचा अंदाज देणे, आणि कंपनी याला मानवी वैशिष्ट्ये आणि रोगांचा मुख्य चालक म्हणते. २०१६ मध्ये स्थापन झालेली जागतिक संघटना ह्युमन सेल ऍटलस शरीरभरातील पेशींमधील जनुकांच्या क्रियाशीलतेचा नकाशा तयार करत आहे, आणि तिच्या संकेतस्थळावर १०० हून अधिक देशांतील १,७०० हून अधिक संस्थांचे ३,९०० हून अधिक सदस्य नोंदलेले आहेत.

डीएनएचा बहुतेक भाग प्रथिने तयार करण्याचे संकेत देत नाही. पहिल्या अल्फाजिनोमवरील डीपमाइंडची जून २०२५ मधील पोस्ट सांगते की कोडिंग भाग जीनोमच्या २ टक्के आहे, आणि उरलेला ९८ टक्के, म्हणजे नॉन-कोडिंग भाग, जनुकांच्या क्रियाशीलतेला दिशा देतो आणि त्यात रोगाशी जोडलेले अनेक बदल आहेत. व्हेरिएंट इफेक्ट प्रेडिक्टर म्हणजे असे मॉडेल जे डीएनए क्रम एक अक्षर बदलून आणि न बदलता वाचते आणि त्या बदलाचा काय परिणाम होतो ते सांगते. प्रयोगशाळेत कोणते बदल आधी तपासायचे ते ठरवण्यासाठी संशोधक हे गुण वापरतात.

पेशी प्रकार महत्त्वाचा आहे, कारण एकच बदल एका पेशी प्रकारात परिणाम करू शकतो आणि पुढच्यात निष्क्रिय राहू शकतो. नेचरमधील टेनके१०के अभ्यास, ज्याची आकडेवारी डीपमाइंडने मापदंड म्हणून वापरली, नोंदवतो की त्याला सापडलेल्या जनुक अभिव्यक्तीवरील आनुवंशिक परिणामांपैकी सुमारे निम्मे फक्त एका किंवा काही पेशी प्रकारांत दिसले.

पहिल्या अल्फाजिनोमने काय केले, आणि त्याच्या लेखकांनी काय खुले ठेवले

पहिले अल्फाजिनोम २८ जानेवारी २०२६ रोजी नेचरमध्ये प्रसिद्ध झाले (खंड ६४९, पाने १२०६ ते १२१८). ते एका वेळी १० लाख डीएनए अक्षरे वाचते आणि जनुक अभिव्यक्तीपासून क्रोमॅटिन सुलभतेपर्यंत (डीएनए पेशीच्या यंत्रणेसाठी किती खुला आहे ते) हजारो मोजमापांचा अंदाज देते. शोधनिबंध सांगतो की ते ११ प्रकारच्या मोजमापांत मानवी ५,९३० आणि उंदराच्या १,१२८ ट्रॅकना व्यापते. त्याच्या सारांशानुसार २६ पैकी २५ व्हेरिएंट-इफेक्ट मूल्यमापनांत ते उपलब्ध सर्वांत सक्षम बाह्य मॉडेलांच्या बरोबरीचे किंवा त्यांच्याहून सरस होते. डीपमाइंडची २०२५ ची पोस्ट, काम तेव्हा प्रीप्रिंट असताना लिहिलेली, २६ पैकी २४ असे सांगत होती, म्हणून नेचरमधील आकडाच लागू होतो. नंतर या मॉडेलला अल्फाजिनोम ऍटलसची जोड मिळाली. डीपमाइंडच्या उत्पादन पानानुसार हा १ पेटाबाइटचा संग्रह मानवी जीनोममधील सर्व नऊ अब्ज संभाव्य एकअक्षरी बदलांना गुण देतो.

नेचरमधील शोधनिबंध मॉडेल अजून काय करू शकत नव्हते तेही सांगतो. त्याच्या लेखकांनी लिहिले की विविध पेशी संदर्भांत ऊतक-विशिष्ट नमुने अचूकपणे पुन्हा तयार करणे, आणि स्थिती-विशिष्ट व्हेरिएंट परिणामांचा अंदाज देणे, ही अजून आव्हानात्मक कामे आहेत. त्यांनी नमूद केलेल्या भावी दिशांमध्ये एकपेशीय आकडेवारी जोडणे आणि डीएनए मिथिलेशन जोडणे होते. मिथिलेशन म्हणजे डीएनएवरील एक रासायनिक खूण जी जनुके कशी वाचली जातात यावर परिणाम करते. अल्फाजिनोम २ या दोन्हींना हात घालते.

एका वेळी एक स्थिती

डीपमाइंड सांगते की पहिले मॉडेल एका चालनेतून अनेक ऊतके आणि पेशी रेषांसाठी ठरावीक, समांतर निकाल देत होते, त्यामुळे त्याची क्षमता विखुरली जात होती आणि जवळच्या नात्यातील पेशी प्रकार वेगळे करणे कठीण जात होते. अल्फाजिनोम २ हे सशर्त (कंडिशनल) मॉडेल आहे. ते १० लाख अक्षरांच्या क्रमासोबत एक स्थिती घेते, म्हणजे ऊतक, पेशी प्रकार किंवा पेशी अवस्था, आणि ती स्थिती नेटवर्कच्या प्रत्येक टप्प्यात भरते. डीएनएचा तोच पट्टा मग प्रत्येक स्थितीसाठी वेगळा वाचला जाऊ शकतो.

शास्त्रज्ञ स्थिती दोन प्रकारे निवडू शकतो. एक म्हणजे संदर्भ सूची. अल्फाजिनोमच्या दस्तऐवजीकरणातील ट्युटोरियल २,७९९ समर्थित मानवी स्थिती छापते. दुसरा मार्ग म्हणजे शास्त्रज्ञाच्या स्वतःच्या प्रयोगातील एकपेशीय आरएनए आकडेवारी अपलोड करणे, जिला सेल एन्कोडर पेशी अवस्थेच्या प्रतिनिधित्वात संकुचित करतो. ब्लॉग सांगतो की काही डझन पेशी पुरेशा आहेत, आणि दस्तऐवजीकरण एका कॉलमध्ये २५६ पेशींची मर्यादा ठेवते. मॉडेल पेशीची अवस्था तिच्या निकालांपासून वेगळी करत असल्याने, जनुकांची क्रियाशीलता यांसारख्या एका मोजमापावरून ते क्रोमॅटिन सुलभता यांसारख्या न मोजलेल्या गोष्टींचा अंदाज देऊ शकते, आणि डीपमाइंड म्हणते की त्यामुळे संशोधकांना पुढचे प्रयोग कोणते करायचे ते ठरवायला मदत होऊ शकते. डीएनए मिथिलेशन, ज्याला ब्लॉग मोठ्या प्रमाणात मागितला गेलेला निकाल म्हणतो, या आवृत्तीत नवे आहे.

प्रशिक्षणासाठी डीपमाइंड सांगते की तिने मानवी आणि उंदराच्या नमुन्यांतील संपूर्ण (बल्क) आणि एकपेशीय आकडेवारी वापरली, ज्यात ६८ ऊतकांतील १०.७ कोटींहून अधिक वैयक्तिक पेशी प्रोफाइलांचा समावेश आहे. ब्लॉगची सारांश ओळ हे “१० कोटींहून अधिक” असे पूर्णांकात देते.

ब्लॉग आणि प्रीप्रिंट काय नोंदवतात

खालील सर्व निकाल लेखकांचे स्वतःचे आहेत. टेनके१०के या २८ रोगप्रतिकारक पेशी प्रकारांच्या एकपेशीय नकाशावर, ब्लॉग सांगतो की अल्फाजिनोम २ ने १६ टक्क्यांच्या तुलनेत ३० टक्के कारक बदल ओळखले, आणि २३ टक्क्यांच्या तुलनेत ४३ टक्के दिशात्मक जनुक परिणाम (बदल जनुक वाढवतो की कमी करतो ते) ओळखले. ही तुलना एकपेशीय आकडेवारीवर सूक्ष्म-समायोजित केलेल्या मूळ मॉडेलशी आणि इतर विशेष साधनांशी आहे.

प्रीप्रिंट वेगळे मोजमाप सांगतो. त्याचा सारांश म्हणतो की अल्फाजिनोम २ हे सूक्ष्म-समायोजित अल्फाजिनोम १ पेक्षा आणि लक्ष्य आकडेवारीवर प्रशिक्षित विशेष मॉडेलांपेक्षा सरस आहे, “९०% अचूकतेवर कारक एकपेशीय eQTL चा रिकॉल दुप्पट करते”. eQTL म्हणजे जनुक किती प्रमाणात व्यक्त होते त्यातील बदलाशी जोडलेला बदल. रिकॉल म्हणजे मॉडेलला सापडलेल्या खऱ्या कारक परिणामांचा वाटा, आणि अचूकता म्हणजे त्याचे किती निष्कर्ष बरोबर आहेत तो वाटा. त्यामुळे दावा असा आहे की दहापैकी नऊ निष्कर्ष बरोबर ठेवून खरे परिणाम दुप्पट शोधले. ब्लॉगचे “जवळपास दुप्पट” आणि प्रीप्रिंटचे “दुप्पट” या वेगळ्या चाचण्या आहेत आणि त्यांना एकच आकडा समजू नये.

सारांश पुढे सांगतो की मॉडेल एन्हान्सर-जनुक जोडणीत अत्याधुनिक कामगिरी करते, म्हणजे ते नियमन करणाऱ्या डीएनएचे दूरचे पट्टे (एन्हान्सर) आणि ते नियंत्रित करत असलेली जनुके जुळवते, आणि संघाने शेकडो मानवी पेशी प्रकारांतील एन्हान्सर-जनुक जोडण्यांचा आणि ७० लाख सामान्य बदलांच्या गुणांचा ऍटलस तयार केला. ब्लॉग सांगतो की आधी मोजलेले गुण उंचीपासून टाइप २ मधुमेहापर्यंतच्या वैशिष्ट्यांशी जोडलेल्या बदलांना व्यापतात, आणि मॉडेलला खात्री असते तेव्हा ते बदल जनुकाची क्रियाशीलता वाढवतो की कमी करतो तेही सांगते.

न पाहिलेल्या पेशी अवस्थांबाबत, डीपमाइंड कोविड-१९ एमआरएनए लसीच्या अभ्यासातील आकडेवारीवरची चाचणी सांगते. मॉडेलने न पाहिलेली एकपेशीय आकडेवारी दिल्यावर त्याने लसीमुळे सक्रिय झालेल्या टी पेशी आणि विश्रांतीतील टी पेशी वेगळ्या केल्या, आणि गंभीर कोविड-१९ शी जोडलेला एक बदल सक्रिय अवस्थेत जनुकांची क्रियाशीलता अधिक तीव्रपणे बिघडवतो असा अंदाज दिला. या उदाहरणासाठी ब्लॉग कोणताही संख्यात्मक गुण देत नाही.

उत्तर माहीत असलेली चाचणी: ETS2

एका उदाहरणाचे उत्तर स्वतंत्र प्रयोगशाळेतील कामातून मिळालेले आहे. २०२४ मध्ये स्टँकी आणि सहकाऱ्यांनी नेचरमध्ये नोंदवले की गुणसूत्र २१ वरील जनुक वाळवंट (स्वतःची जनुके नसलेला लांब पट्टा) एक हॅप्लोटाइप, म्हणजे एकत्र वारशाने येणाऱ्या बदलांचा गठ्ठा, वाहतो जो दाहक आतड्याचा रोग आणि इतर तीन विकारांशी जोडलेला आहे, आणि कारक जनुक ETS2 हे दाहक मॅक्रोफेजचे मध्यवर्ती नियामक आहे. डीपमाइंड सांगते की आतड्यातील रोगप्रतिकारक पेशी प्रकारांमध्ये अंदाज बांधणाऱ्या अल्फाजिनोम २ ने कारक बदल वेगळा काढला आणि तो आतड्यातील मॅक्रोफेजमध्ये ETS2 वाढवतो, तर इतर पेशी प्रकार आणि जनुकांवर मोठ्या प्रमाणात परिणाम करत नाही असे दाखवले.

दस्तऐवजीकरणातील विग्नेट तपशील देते. सांख्यिकीय फाइन-मॅपिंग रोगाचा संकेत १.२ किलोबेसमध्ये पसरलेल्या सात नॉन-कोडिंग बदलांपर्यंत आणते. त्यांपैकी एक, rs2836882, त्या सांख्यिकीय पद्धतीने दुसऱ्या क्रमांकावर आहे, तरीही मॉडेल अंदाज देते की तो इलियम, म्हणजे लहान आतड्याचा शेवटचा भाग, येथील मॅक्रोफेजमध्ये ETS2 चे प्रमाण जोरदार कमी करतो, आणि सर्वोच्च क्रमांकाच्या बदलाचा परिणाम त्याला थोडाच दिसतो. विग्नेटनुसार ETS2 सुमारे २८९ किलोबेस दूर आहे, तर जवळच्या जनुकांमध्ये नगण्य बदल दिसतो, आणि बी पेशी, टी पेशी आणि नॅचरल किलर पेशींमध्ये परिणाम नाही. विग्नेट सांगते की हे प्राथमिक मॅक्रोफेजवरील प्रयोगशाळा प्रयोगांशी जुळते. हे डीपमाइंडच्या स्वतःच्या चमूने लिहिलेले सोडवलेले उदाहरण आहे.

यामागील आकडेवारी

रोगप्रतिकारक पेशींचा मापदंड सार्वजनिक कामावर आधारित आहे. २८ ऑक्टोबर २०२६ रोजी नेचरमध्ये प्रसिद्ध झालेला टेनके१०के पहिला टप्पा (खंड ६५९, पाने ४१७ ते ४२८) १,९२५ लोकांमधील ५४ लाख पेशींचे एकपेशीय आरएनए अनुक्रमण आणि संपूर्ण जीनोम अनुक्रमण एकत्र करतो. तपासलेल्या २१,४०४ जनुकांपैकी ८३ टक्क्यांसाठी त्याला संभाव्य नियामक बदल सापडतात. शोधनिबंध सांगतो की त्याला अभिव्यक्तीशी जोडलेले बदल असलेली १७,६७४ जनुके सापडली, तर सर्वांत मोठ्या संपूर्ण रक्त अभ्यासात, eQTLGen मध्ये, १६,९८७ सापडली, आणि त्याचा नमुना १५ पट लहान होता.

सहभागी हे दोन ऑस्ट्रेलियन गटांतील युरोपीय वंशाचे १,९२५ व्यक्ती आहेत, आणि लेखक लिहितात की वंशविविधतेत आणखी वाढ, इतर गोष्टींसह, आवश्यक असेल. या लेखासाठी उघडलेल्या स्रोतांत अल्फाजिनोम २ मध्ये वापरलेला कोणताही भारतीय डेटासेट नमूद नाही. भारताचा स्वतःचा संदर्भ संग्रह तुपुटच्या जीनोमइंडियावरील लेखात आहे, ज्याने ८३ लोकसंख्या गटांतील १०,०७४ लोकांचे अनुक्रमण केले.

उपलब्धता आणि पुढे काय

अल्फाजिनोम २ अल्फाजिनोम एपीआयद्वारे गैर-व्यावसायिक संशोधनासाठी उपलब्ध आहे, एकपेशीय आकडेवारीवर स्थिती ठरवण्यासाठी परस्परसंवादी कोलॅब ट्युटोरियलांसह, आणि गूगल क्लाउडद्वारे व्यावसायिक संशोधनासाठी खासगी पूर्वावलोकनात आहे. डीपमाइंड सांगते की तिच्या अँटीग्रॅव्हिटी वर्कबेंचसाठी अल्फाजिनोम २ स्किल्स नंतर येतील, आणि तिने संशोधकांना वापराची उदाहरणे ३० नोव्हेंबरपर्यंत पाठवायला सांगितले आहे, निवडलेले प्रकल्प अतिरिक्त कोटा आणि क्रेडिटसाठी पात्र असतील.

ब्लॉगवर दोन समर्थने आहेत. ह्युमन सेल ऍटलस संघटनेच्या सह-संस्थापक सारा टायशमन यांचे वाक्य उद्धृत आहे, ज्यात त्या मॉडेलच्या पुन्हा प्रशिक्षणाविना नव्या एकपेशीय आकडेवारीशी जुळवून घेण्याच्या क्षमतेची प्रशंसा करतात. जिनोमिक्स लिमिटेडचे मुख्य कार्यकारी पीटर डोनेली यांचे वाक्य उद्धृत आहे, ज्यात ते कंपनी हे आपल्या मिस्त्रा प्लॅटफॉर्ममध्ये आणण्याची योजना करत असल्याचे सांगतात. डीपमाइंडचे उत्पादन पान पहिल्या मॉडेलच्या वापराचीही नोंद करते: ब्रॉड इन्स्टिट्यूटच्या एका संशोधकाने त्याचे व्हेरिएंट गुण वापरून DNM1 जनुकातील एक बदल शोधला जो नंतर प्रयोगशाळा प्रयोगांनी पुष्ट केला, आणि एक्सेटर विद्यापीठाच्या चमूने ५४,००० हून अधिक यूके बायोबँक सहभागींच्या अभ्यासात एक क्षेत्र ५२६ उमेदवार बदलांवरून ४ वर आणले. दोन्ही वृत्तांत डीपमाइंडचे आहेत.

योरस्टोरी या भारतीय तंत्रज्ञान माध्यमाने ३० टक्के आणि १६ टक्के हे आकडे डीपमाइंडच्या नावाने पुन्हा दिले. या लेखासाठी तपासलेल्या कोणत्याही पानावर डीपमाइंडबाहेरील कोणीही या मॉडेलची चाचणी घेतल्याची नोंद नाही, आणि १९ नोव्हेंबर २०२६ पर्यंत प्रीप्रिंटचे समवयस्क-पुनरावलोकन झालेले नव्हते.

Share
Copied!

स्रोत आणि पुढील वाचन

  1. Google DeepMind (Adam Gayoso, Natasha Latysheva, Pushmeet Kohli, Ziga Avsec), 11 November 2026: AlphaGenome 2, deciphering how cells read DNA to better understand disease
  2. Gayoso A et al., AlphaGenome 2 predicts regulatory activity and variant effects across cell states, preprint first published 17 November 2026 (Europe PMC record PPR1371267, not peer reviewed)
  3. Google DeepMind, 25 June 2025 (updated January 2026): AlphaGenome, AI for better understanding the genome
  4. Google DeepMind: AlphaGenome product page (AlphaGenome 2, AlphaGenome Atlas and case studies)
  5. Avsec Z et al., Advancing regulatory variant effect prediction with AlphaGenome, Nature 649, 1206 to 1218 (published 28 January 2026)
  6. PubMed record and abstract, Avsec et al., AlphaGenome, Nature 649:1206 (PMID 41606153)
  7. Cuomo ASE et al., Rare and common genetic variants shape single-cell immune gene expression (TenK10K phase 1), Nature 659, 417 to 428 (published 28 October 2026)
  8. PubMed record and abstract, Stankey CT et al., A disease-associated gene desert directs macrophage inflammation through ETS2, Nature 630:447 (2024) (PMID 38839969)
  9. AlphaGenome documentation: Fine-mapping the ETS2 locus (AlphaGenome 2 vignette)
  10. AlphaGenome documentation: Choosing a condition (AlphaGenome 2 tutorial)
  11. Human Cell Atlas: What is the Human Cell Atlas (mission and consortium figures)
  12. YourStory: Google DeepMind unveils AlphaGenome 2 to study DNA changes

हा लेख AI साधनांच्या मदतीने संशोधित आणि लिहिला गेला असून अचूकतेसाठी संपादित केला आहे. हा केवळ सर्वसाधारण माहिती आणि चर्चेसाठी आहे, व्यावसायिक सल्ला नाही. आमचे संपादकीय मानक आणि अस्वीकरण पाहा. चूक आढळली? आम्हाला कळवा.

#alphagenome#google deepmind#genomics#single-cell biology#variant effect prediction#gene regulation#non-coding dna#tenk10k

आवडलं? पुढचा लेख मिळवा.

एका वेळी एक चांगला लेख, थेट तुमच्या इनबॉक्समध्ये. स्पॅम नाही, हवं तेव्हा थांबवा.

याच विभागात आणखी: एआय आणि तंत्रज्ञान
सहा चिनी एआय कंपन्या अमेरिकेच्या सर्वोत्तम मॉडेल्सची नक्कल करताना पकडल्या गेल्या. अमेरिकेचा उपाय: गुपचूप त्यांची उत्तरे खराब करा.
एका अमेरिकी सुरक्षा सूचनेत सहा चिनी एआय कंपन्यांवर अमेरिकी मॉडेल्सची नक्कल केल्याचा आरोप असून त्यांना गुपचूप निकृष्ट उत्तरे देण्याची शिफारस आहे. सोबतच मानवी डीएनएतील प्रत्येक शक्य बदलाचा डीपमाइंडचा अ‍ॅटलास, अ‍ॅपलचा एआय-केंद्रित आयफोन लाँच, आणि भारताचा आजवरचा सर्वात मोठा रेल्वे विस्तार.
गूगलने Gemini 4 Carbon २८ ऑक्टोबर २०२६ रोजी सायबर रक्षकांना आणि १० नोव्हेंबर रोजी पैसे देणाऱ्या डेव्हलपरांना दिले, आणि अँथ्रोपिक व ओपनएआयही आपली सर्वात सक्षम मॉडेल्स टप्प्याटप्प्याने देतात
तीन प्रयोगशाळा आता पडताळणी झालेल्या सुरक्षा चमूंना आपली सर्वात सक्षम मॉडेल्स इतरांच्या आधी, किंवा कमी मर्यादांसह, वापरू देतात. प्रत्येकाने काय प्रसिद्ध केले, सांगितलेले कारण काय, आणि कोणते आकडे निर्मात्यांचे स्वतःचे आहेत, ते इथे आहे.
अँथ्रॉपिकने Claude 3 Sonnet वर ३४ दशलक्ष फीचरचा ऑटोएन्कोडर प्रशिक्षित केला, गुगल डीपमाइंडने नंतर त्याच पद्धतीवरील मूलभूत संशोधनाला प्राधान्यक्रमातून मागे टाकले, आणि अँथ्रॉपिकच्या ॲट्रिब्यूशन ग्राफनी सुमारे एक चतुर्थांश प्रॉम्प्टवरच अंतर्दृष्टी दिली
संशोधक आता भाषा मॉडेलमध्ये एक संकल्पना काढून दुसरी बसवून उत्तर बदलताना पाहू शकतात. त्याच शोधनिबंधांनी स्वतःच्या शब्दांत सांगितले आहे की यात मॉडेलचा किती थोडा भाग येतो आणि साधने कुठे अपयशी ठरतात.
← सर्व लेख