חיפוש בחדשות

פוסט מחקר חדש של מדעני Google Research, ניתאי קלדרון וגל יונה, מציג את מסגרת 'פרופילי הידע' ואת מדד WikiProfile המבוסס על 2,150 עובדות מוויקיפדיה. המחקר חושף כי שגיאות עובדתיות במודלי שפה מתקדמים כמו Gemini 3 ו-GPT-5 אינן נובעות מהיעדר המידע בפרמטרים (כשל קידוד), אלא מקושי של המודל לגשת אליו ולשחזר אותו באופן עצמאי (כשל שחזור). במודלי הקצה המובילים, כ-95% עד 98% מהעובדות מקודדות, אך המודלים נכשלים בשחזור ישיר של 26% עד 34% מהן. המחקר מדגים כי מנגנון חשיבה יכול לסייע בשחזור של כ-40% עד 65% מהעובדות המקודדות הללו, במיוחד במקרים של עובדות נדירות או שאלות הפוכות (קללת ההיפוך), ובכך הוא מהווה כלי יעיל לפתרון צוואר הבקבוק של השחזור.

**CourtGuard הוא מנגנון בטיחות למודלי שפה שמאפשר להחליף מדיניות בלי לאמן מחדש את המודל.** לפי המחקר, המסגרת השיגה תוצאות מובילות ב-7 מבחני בטיחות והגיעה ל-90% דיוק במשימת Wikipedia Vandalism רק באמצעות החלפת מסמך מדיניות. עבור עסקים בישראל, זו בשורה חשובה: במקום להטמיע מחדש כל שכבת בקרה בכל שינוי נוהל, אפשר לעדכן מסמך, לחבר אותו ל-WhatsApp Business API, ל-Zoho CRM ול-N8N, ולשמור על תהליך מוסבר ומתועד. המשמעות המעשית היא זמן תגובה קצר יותר לשינויי רגולציה, בקרה טובה יותר על תשובות של סוכני AI, ופחות תלות במחזורי פיתוח ארוכים.

**בנצ'מרק LLM-WikiRace בודק תכנון ב-LLMs דרך ניווט ויקיפדיה.** Gemini-3 מצליח ב-23% ממשימות קשות בלבד. לעסקים ישראלים, זה אומר צורך דחוף בשילוב N8N עם AI Agents לניהול תהליכים מורכבים כמו לידים ב-WhatsApp ו-CRM.

קרן ויקימדיה חתמה על הסכמי רישוי עם מיקרוסופט, מטה ואמזון להכשרת מודלי AI. זה חלק מתוכנית Wikimedia Enterprise שמספקת נתונים מסחריים. קראו עכשיו על ההשלכות לעסקים.

קרן ויקימדיה חוגגת 25 שנים עם שותפויות AI חדשות עם אמזון, מטה, מיקרוסופט ועוד דרך Wikimedia Enterprise. קראו על ההשלכות לעולם הטכנולוגיה.