AI dziś: Anthropic i framework RAG-RST

W dzisiejszym zestawieniu przyglądamy się dwóm odrębnym inicjatywom z sektora technologii językowych. Pierwsza dotyczy działań korporacyjnych firmy Anthropic, która zabezpieczyła część kapitału na cele społeczne poprzez powołanie dedykowanego funduszu. Druga informacja odnosi się do prac badawczych nad frameworkiem RAG-RST, który wykorzystuje mechanizm wyszukiwania do optymalizacji analizy struktury dyskursu w modelach językowych bez konieczności kosztownego douczania wag.

Najważniejsze dziś (TL;DR)

• Anthropic Public Benefit Fund: Firma przekazała 5% udziałów na fundusz wspierający cele społeczne, planując zwiększenie tego wkładu wraz ze wzrostem wyceny.
• RAG-RST: Nowa metoda wykorzystująca przykłady w kontekście zwiększa skuteczność modeli w parsowaniu relacji i nuklearności zgodnie z teorią RST.

Anthropic Public Benefit Fund

Firma Anthropic ogłosiła 18 października utworzenie Anthropic Public Benefit Fund, funduszu dedykowanego dobru publicznemu, na który przekazano początkowo 5% udziałów spółki. Mechanizm funduszu zakłada, że w miarę wzrostu wartości firmy, za każde 50% wzrostu wyceny powyżej ustalonej bazy, do puli funduszu będzie dokładane dodatkowe 2% udziałów.

Fundusz utworzono jako spółkę z ograniczoną odpowiedzialnością (LLC), co ma zapewnić elastyczność w formach wsparcia, takich jak darowizny dla organizacji non-profit czy bezpośrednie wsparcie konkretnych grup społecznych. Zgodnie z założeniami, zasoby funduszu nie będą wykorzystywane do celów lobbingowych ani politycznych, zarówno w USA, jak i za granicą. Inicjatywa ta jest rozszerzeniem dotychczasowych działań firmy, w tym wcześniejszego zobowiązania w wysokości 200 milionów dolarów na badania nad wpływem AI na rynek pracy oraz programów dobrowolnego przekazywania kapitału przez założycieli i pracowników. Łącznie, po uwzględnieniu obecnych deklaracji, około 20% udziałów Anthropic ma zostać przeznaczonych na cele społeczne. Firma zapowiada publikację szczegółów dotyczących struktury zarządzania funduszem oraz raportu z postępów w realizacji misji w nadchodzących miesiącach.

Dla budujących z AI: Osoby zarządzające podmiotami prawnymi planującymi podobne struktury funduszowe mogą przeanalizować zapisy statutowe LLC jako alternatywy dla fundacji 501(c)(3). Ogłoszenie nie precyzuje jednak, w jaki sposób przekazanie udziałów wpłynie na długoterminową płynność finansową spółki ani jak konkretne kamienie milowe wyceny zostaną zdefiniowane w dokumentacji zewnętrznej – to luki, które wymagają weryfikacji w przyszłych raportach.

RAG-RST

Według ogłoszenia z 17 października 2026 roku, naukowcy zaprezentowali RAG-RST, czyli framework wspomagany wyszukiwaniem (retrieval-augmented), przeznaczony do parsowania RST (Rhetorical Structure Theory). Metoda ta dostarcza modelom schemat dyskursu w formie przykładów w kontekście, co pozwala na poprawę przewidywania nuklearności oraz relacji bez konieczności aktualizowania wag modelu.

W teorii RST każda krawędź drzewa dyskursu posiada etykietę nuklearności oraz relację pochodzącą z zamkniętego zbioru kategorii funkcjonalnych. Autorzy wskazują, że bez zewnętrznego wsparcia silne modele językowe osiągają w tym zadaniu 0,794 F1 dla nuklearności oraz 0,738 F1 dla relacji. Zastosowanie RAG-RST podnosi te wyniki odpowiednio do 0,846 F1 oraz 0,788 F1.

W ramach prac porównano dwie strategie: prekomputerową, etykietującą pary jednostek dyskursu (EDU) przed parsowaniem, oraz dynamiczną, która pobiera przykłady na każdym kroku redukcji. Strategia dynamiczna okazała się skuteczniejsza. Badanie wykazuje, że użyteczność dostarczanego schematu jest ograniczona ilościowo – efektywność nasyca się, a następnie spada po przekroczeniu 50 przykładów. Zależność ta oraz fakt, że skuteczność metody wiąże się z pozycją strukturalną, wskazują na możliwość dostarczania formalnego schematu językowego jako demonstracji wewnątrz modelu.

Dla budujących z AI: Osoby pracujące nad zaawansowaną analizą struktury tekstu mogą przetestować strategię dynamicznego dołączania przykładów do promptu, zamiast polegać na dotychczasowych metodach treningowych. Publikacja nie podaje informacji o kosztach obliczeniowych związanych z częstym wyszukiwaniem przykładów ani o wsparciu dla języków innych niż angielski – te aspekty wymagają weryfikacji przed zastosowaniem w środowisku produkcyjnym.

Najczęściej zadawane pytania (FAQ)

Jakie są zasady zasilania Anthropic Public Benefit Fund?

Fundusz otrzymał początkowo 5% udziałów firmy. Z każdym wzrostem wyceny spółki o 50% powyżej ustalonej bazy, do puli funduszu będzie automatycznie dokładane dodatkowe 2% udziałów. Łącznie z innymi zobowiązaniami, około 20% udziałów firmy ma zostać przeznaczonych na cele społeczne.

Czy RAG-RST poprawia wyniki modeli bez aktualizacji wag?

Tak, metoda ta pozwala poprawić przewidywanie nuklearności oraz relacji w strukturze dyskursu bez konieczności aktualizowania wag modelu. Dzięki dostarczaniu schematu dyskursu w formie przykładów w kontekście, wyniki F1 dla nuklearności wzrosły z 0,794 do 0,846, a dla relacji z 0,738 do 0,788.

Źródła

• Investing in the public benefit — 2026-10-18
• RAG-RST: Retrieved Exemplars as In-Context Discourse Schema for RST Parsing — 2026-10-17

--- Tekst przygotowany automatycznie przez laboratorium aipoc-lab (AI) na podstawie publicznie dostępnych źródeł wymienionych powyżej. Streszczenia własne, nie kopie. Wersja przed redakcją człowieka.