Ambral (@ambral_ai) bygger den första kunduppdragskontrollen. Det är ett AI-kontohanteringsteam som är byggt för att hjälpa dig att maximera intäkterna från varje kund. Grattis till lanseringen, @Sambrickman_ & @JackStettner!

Vi vet att AGI skjuts upp när labben börjar bygga funktioner för att välja våra egna bakgrundsfärger och typsnitt.

Det finns en stor fördel med att vara en personlig startup i SF just nu: Närhet till AI-labben, tidig tillgång till modeller, närhet till människor i framkant, tillgång till kapital. Om en ny modell släpps och ditt team är snabbare att integrera kan det lätt vara skillnaden mellan att skaffa hundratals nya användare på en enda dag jämfört med att inte göra det.

Waymo för grävmaskiner!

Figmas medgrundare och VD Dylan Field (@zoink) om hur AI kommer att förändra design och varför hantverk och uppmärksamhet på detaljer kommer att vara de ultimata skillnaderna. På AI Startup School i San Francisco. 01:38 - Hur Dylan och Evan startade Figma 02:58 - WebGL: Från spel till verktyg 04:10 - Köpa tid att bygga 05:48 - Att hålla sig motiverad genom tidig utforskning 06:10 - Kalla e-postmeddelanden, tidig feedback och första användare 08:24 - Lanseringstid och lektioner om sjöfart tidigt 10:08 - Kultur av begränsningar och kreativ problemlösning 10:50 - Att känna igen produkt-marknadsdragning 13:32 - Varför design är skillnaden i AI-eran 16:34 - Figmas AI-produkt lanseras och expanderar bortom design 18:56 - Suddigheten av design, utveckling och produkt 21:00 – "MS-DOS-eran" av AI-gränssnitt och framtida ytor 23:26 - Designens roll i AI-forskning och framtiden för designers 27:36 - Frågor och svar om publiken: AI-verktyg, öppen källkod, principer och råd

Det är ibland svårt att förstå betydelsen av de resonemang och logiska uppdateringar som börjar dyka upp i kraftfulla modeller, som GPT-5. Här är ett *mycket enkelt* exempel på hur kraftfulla dessa modeller blir. Jag tog ett nyligen avskriftsdokument från NVIDIA:s intäktssamtal som var 23 sidor långt och hade 7 800 ord. Jag tog en del av meningen "och bruttomarginalen kommer att förbättras och återgå till mitten av 70-talet" och ändrade "mitten av 70-talet" till "mitten av 60-talet". För en avlägset inställd finansanalytiker skulle detta se malplacerat ut, eftersom marginalerna inte skulle "förbättras och återvända" till en lägre siffra än den som beskrivs som en högre siffra någon annanstans. Men förmodligen skulle 95 % av de som läser detta pressmeddelande inte ha upptäckt ändringen eftersom den lätt passar in i de andra 7 800 orden som nämns. Med Box AI, där jag testade en mängd olika AI-modeller, frågade jag sedan en rad modeller "Finns det några logiska fel i det här dokumentet? Ge ett svar på en mening." GPT-4.1, GPT4.1 mini och en handfull andra modeller som var toppmoderna för bara ~6 månader sedan kom i allmänhet tillbaka och returnerade att det inte fanns några logiska fel i dokumentet. För dessa modeller verkar dokumentet förmodligen sammanhängande och följer hur man förväntar sig att en resultatutskrift ska se ut, så ingenting sticker egentligen ut för dem om vad de ska vara uppmärksamma på - en slags omvänd hallucination. GPT-5, å andra sidan, upptäckte snabbt problemet och svarade med: "Ja – dokumentet innehåller en intern inkonsekvens om bruttomarginalguidningen, vid ett tillfälle säger man att marginalerna kommer att "återgå till mitten av 60-talet" och senare säger att de kommer att vara "i mitten av 70-talet" senare i år. Otroligt nog hände detta med GPT-5, GPT-5 mini och, anmärkningsvärt, *till och med* GPT-5 nano. Tänk på att utgångstoken för GPT-5 nano är prissatta till 1/20 av GPT-4.1:s tokens. Så, mer intelligent (i detta användningsfall) för 5% av kostnaden. Även om det inte ofta är en daglig företeelse för alla kunskapsarbetare att göra felgranskningar av affärsdokument, visar sig dessa typer av problem på en mängd olika sätt när man hanterar stora ostrukturerade datamängder, som finansiella dokument, kontrakt, utskrifter, rapporter med mera. Det kan handla om att hitta ett faktum, att räkna ut ett logiskt felslut, att köra ett hypotetiskt resonemang eller att kräva ett sofistikerat deduktivt resonemang. Och möjligheten att tillämpa mer logik och resonemang på företagsdata blir särskilt viktig när man distribuerar AI-agenter i företaget. Så det är fantastiskt att se framstegen inom detta område just nu, och detta kommer att öppna upp massor av fler användningsområden för företag.

Ny kokbok i samarbete med @llama_index är ute! Vi går igenom hur du bygger ett kraftfullt arbetsflöde för att tolka-hämta-rangordna över komplexa PDF-filer Kolla in det!

Vi är värd för ett Context Engineering-evenemang i SF! Lär dig hur ledande tillämpade AI-team konstruerar sina kontextfönster. Hör från: Jake Heller, VD @Casetext Beyang Liu, teknisk chef @Sourcegraph Sam Bhagwat, VD @Mastra_ai Jeff Huber, VD @trychroma OSA:

Anytrace () är din AI-supporttekniker. Den kan lösa tekniska biljetter från början till slut genom att prata med kunder, undersöka problem och hantera hela biljettlivscykeln. Grattis till lanseringen, @samgoldman0 & @tairabun!

Ett nytt AI-forskningslaboratorium som heter @blankbio_ lanseras idag. De bygger nya grundmodeller för mRNA och är ett av de starkaste tekniska teamen jag har arbetat med. Jag är särskilt entusiastisk över deras nya modellresultat och den breda uppsättningen av användningsområden för den.