종이 버전 'ChatGPT'가 출시되었습니다! 논문을 읽는 것과 질문을 동시에 할 수 있습니다. 네티즌: 문서를 읽으면 시간이 절약됩니다.
과학 연구자들에게 좋은 소식입니다! "ChatGPT"는 특히 논문과 대화하기 위해 여기에 있습니다.
신문을 읽기에는 너무 게으른가요? 상관없습니다. 궁금한 점이 있으면 이 도구를 통해 확인해보세요.
그리고 전체 과정에서 해야 할 일은 논문을 업로드하고 질문하는 것뿐입니다.
하지만 혼란스럽고 그것이 제공하는 대답을 믿지 못하시나요?
상관없습니다. 주어진 답은 시험지의 어느 페이지와 위치에 명확하게 표시되어 있으며 언제든지 시험에 응시할 수 있습니다.
이것은 네티즌들이 직접 멋지다고 부르게 만들었습니다.
나는 논문을 쓰고 있는데, 이는 문학을 읽는 데 직접적으로 많은 시간을 절약해 줍니다.
일부 네티즌들은 이것이 자신이 본 AI 도구 중 최고라고 일방적으로 발표하기도 했습니다.
이 가젯은 ResearchGPT입니다. 이 프로젝트는 오픈 소스이며 GitHub에서 400번 별표 표시되었습니다.
사용 방법?
ResearchGPT를 사용하려면 먼저 OpenAI API 키가 있어야 합니다.
키는 OpenAI 공식 홈페이지에서 직접 복사할 수 있습니다. 구체적인 단계는 다음과 같습니다.
키를 입력한 후, PDF나 논문 링크를 직접 업로드할 수 있습니다. 읽고 싶으면 왼쪽에는 논문의 원문이 표시되고, 오른쪽에는 직접 질문할 수 있습니다.
답은 무엇인가요? 데모로 직접 이동:
주어진 답변은 여전히 타당하다고 말씀드리고 싶습니다.
그런데 이 도구는 어떻게 논문에 유창하게 답변할 수 있나요?
ResearchGPT는 먼저 귀하가 질문한 질문을 보고 키워드를 추출합니다.
그런 다음 논문에서 직접 관련 부분을 검색해 보세요. 의미 검색을 수행하는 방법에 대해서도 대답은 매우 간단합니다.
OpenAI 임베딩 모델의 API를 사용하세요.
여기에서는 프롬프트 단어와 논문 텍스트의 단어 임베딩 벡터 간의 코사인 유사성을 직접 사용하여 관련성이 높은 텍스트를 검색하고 추출합니다.
이 텍스트 ResearchGP도 답변 끝에 하나씩 나열됩니다.
이제 논문의 어디에 답이 명시되었으므로 마지막 단계인 요약만 남았습니다. 이 단계는 바로 GPT-3에 남습니다.
이 경우 이러한 아이디어와 프레임워크 기술을 바탕으로 텍스트 기반 콘텐츠를 채팅에 사용할 수 있지 않을까요? 남동생도 이렇게 말했습니다.
맞습니다! 이 기술 프레임워크를 기반으로 코드 베이스, 문서, 재무 보고서, 법원 사건 등을 읽고 싶지 않은 경우 도구에서 설명하도록 할 수 있습니다.
그러나 일부 네티즌들은 이 도구가 차트를 이해할 수 있는지 궁금해합니다. (결국 일부 논문에서는 여전히 차트가 매우 중요합니다.)
그런데 이 도구를 직접 개발한 사람이 큰 반대를 했습니다.
포기하지 않고 Qubit은 가장 간단한 형식을 이해할 수 있는지 확인하기 위해 직접 시도했습니다. 결과는 다음과 같습니다.
emmmmmm, 모든 대답이 틀렸다고 말할 수는 없습니다. 그들은 질문과 아무 관련이 없습니다. (ChatGPT의 넌센스와 다소 유사합니다)
그러나 일반적으로 관련된 차트 문제가 없으면 ResearchGPT를 계속 사용할 수 있습니다.
관심 있으신 분은 글 마지막에 있는 링크를 클릭해서 직접 사용해보시면 됩니다~
저자 소개
이 도구를 만든 사람은 무쿨이라는 분인데, 자기 소개도 재미있네요. 그는 데이터 과학자이자 개발자이기도 하며, 연구자이자 작가이자 디자이너이기도 합니다.
제 동생도 이전에 WebGPT를 구축한 적이 있는데, 웹을 검색하여 질문에 답할 수 있고, 내용을 요약하기 위해 GPT-3도 사용합니다.
포털:https://www.php.cn/link/9c58da3f0418ebdb53c02615f9ab7282
참조 링크:
[1] https://twitter.com/mukul0x/status / 1625673579399446529?s=20
[2] https://github.com/mukulpatnaik/researchgpt
[3] https://www.reddit.com/r/GPT3/comments/112ncf0/introducing_researchgpt_an_opensource_research/
위 내용은 종이 버전 'ChatGPT'가 출시되었습니다! 논문을 읽는 것과 질문을 동시에 할 수 있습니다. 네티즌: 문서를 읽으면 시간이 절약됩니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
핫 AI 도구
Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱
AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.
Undress AI Tool
무료로 이미지를 벗다
Clothoff.io
AI 옷 제거제
Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!
인기 기사
뜨거운 도구
메모장++7.3.1
사용하기 쉬운 무료 코드 편집기
SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.
스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경
드림위버 CS6
시각적 웹 개발 도구
SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)
뜨거운 주제
7640
15
1391
52
90
11
71
19
32
150
이제 ChatGPT를 사용하면 무료 사용자가 일일 한도가 있는 DALL-E 3를 사용하여 이미지를 생성할 수 있습니다.
Aug 09, 2024 pm 09:37 PM
DALL-E 3는 이전 모델보다 대폭 개선된 모델로 2023년 9월 공식 출시되었습니다. 복잡한 디테일의 이미지를 생성할 수 있는 현재까지 최고의 AI 이미지 생성기 중 하나로 간주됩니다. 그러나 출시 당시에는 제외되었습니다.
세계에서 가장 강력한 오픈 소스 MoE 모델이 여기에 있습니다. 중국의 기능은 GPT-4와 비슷하며 가격은 GPT-4-Turbo의 거의 1%에 불과합니다.
May 07, 2024 pm 04:13 PM
기존 컴퓨팅을 능가할 뿐만 아니라 더 낮은 비용으로 더 효율적인 성능을 달성하는 인공 지능 모델을 상상해 보세요. 이것은 공상과학 소설이 아닙니다. DeepSeek-V2[1], 세계에서 가장 강력한 오픈 소스 MoE 모델이 여기에 있습니다. DeepSeek-V2는 경제적인 훈련과 효율적인 추론이라는 특징을 지닌 전문가(MoE) 언어 모델의 강력한 혼합입니다. 이는 236B 매개변수로 구성되며, 그 중 21B는 각 마커를 활성화하는 데 사용됩니다. DeepSeek67B와 비교하여 DeepSeek-V2는 더 강력한 성능을 제공하는 동시에 훈련 비용을 42.5% 절감하고 KV 캐시를 93.3% 줄이며 최대 생성 처리량을 5.76배로 늘립니다. DeepSeek은 일반 인공지능을 연구하는 회사입니다.
MLP를 대체하는 KAN은 오픈소스 프로젝트를 통해 컨볼루션으로 확장되었습니다.
Jun 01, 2024 pm 10:03 PM
이달 초 MIT와 기타 기관의 연구자들은 MLP에 대한 매우 유망한 대안인 KAN을 제안했습니다. KAN은 정확성과 해석성 측면에서 MLP보다 뛰어납니다. 그리고 매우 적은 수의 매개변수로 더 많은 수의 매개변수를 사용하여 실행되는 MLP보다 성능이 뛰어날 수 있습니다. 예를 들어 저자는 KAN을 사용하여 더 작은 네트워크와 더 높은 수준의 자동화로 DeepMind의 결과를 재현했다고 밝혔습니다. 구체적으로 DeepMind의 MLP에는 약 300,000개의 매개변수가 있는 반면 KAN에는 약 200개의 매개변수만 있습니다. KAN은 MLP와 같이 강력한 수학적 기반을 가지고 있으며, KAN은 Kolmogorov-Arnold 표현 정리를 기반으로 합니다. 아래 그림과 같이 KAN은
공장에서 일하는 테슬라 로봇, 머스크 : 올해 손의 자유도가 22도에 달할 것!
May 06, 2024 pm 04:13 PM
테슬라의 로봇 옵티머스(Optimus)의 최신 영상이 공개됐는데, 이미 공장에서 작동이 가능한 상태다. 정상 속도에서는 배터리(테슬라의 4680 배터리)를 다음과 같이 분류합니다. 공식은 또한 20배 속도로 보이는 모습을 공개했습니다. 작은 "워크스테이션"에서 따고 따고 따고 : 이번에 출시됩니다. 영상에는 옵티머스가 공장에서 이 작업을 전 과정에 걸쳐 사람의 개입 없이 완전히 자율적으로 완료하는 모습이 담겨 있습니다. 그리고 Optimus의 관점에서 보면 자동 오류 수정에 중점을 두고 구부러진 배터리를 집어 넣을 수도 있습니다. NVIDIA 과학자 Jim Fan은 Optimus의 손에 대해 높은 평가를 했습니다. Optimus의 손은 세계의 다섯 손가락 로봇 중 하나입니다. 가장 능숙합니다. 손은 촉각적일 뿐만 아니라
DPO를 완전히 능가함: Chen Danqi 팀은 단순 선호도 최적화 SimPO를 제안하고 가장 강력한 8B 오픈 소스 모델도 개선했습니다.
Jun 01, 2024 pm 04:41 PM
대규모 언어 모델(LLM)을 인간의 가치와 의도에 맞추려면 인간의 피드백을 학습하여 유용하고 정직하며 무해한지 확인하는 것이 중요합니다. LLM 정렬 측면에서 효과적인 방법은 인간 피드백 기반 강화 학습(RLHF)입니다. RLHF 방법의 결과는 훌륭하지만 몇 가지 최적화 문제가 있습니다. 여기에는 보상 모델을 훈련한 다음 해당 보상을 극대화하기 위해 정책 모델을 최적화하는 것이 포함됩니다. 최근 일부 연구자들은 더 간단한 오프라인 알고리즘을 탐구했는데, 그 중 하나가 직접 선호 최적화(DPO)입니다. DPO는 RLHF의 보상 기능을 매개변수화하여 선호도 데이터를 기반으로 직접 정책 모델을 학습하므로 명시적인 보상 모델이 필요하지 않습니다. 이 방법은 간단하고 안정적입니다.
OpenAI 데이터가 필요하지 않습니다. 대규모 코드 모델 목록에 참여하세요! UIUC, StarCoder-15B-Instruct 출시
Jun 13, 2024 pm 01:59 PM
소프트웨어 기술의 선두에 있는 UIUC Zhang Lingming 그룹은 BigCode 조직의 연구원들과 함께 최근 StarCoder2-15B-Instruct 대규모 코드 모델을 발표했습니다. 이 혁신적인 성과는 코드 생성 작업에서 획기적인 발전을 이루었으며 CodeLlama-70B-Instruct를 성공적으로 능가하고 코드 생성 성능 목록의 최상위에 올랐습니다. StarCoder2-15B-Instruct의 독창성은 순수한 자체 정렬 전략에 있습니다. 전체 훈련 프로세스는 개방적이고 투명하며 완전히 자율적이고 제어 가능합니다. 이 모델은 값비싼 수동 주석에 의존하지 않고 StarCoder-15B 기본 모델을 미세 조정한 것에 대한 응답으로 StarCoder2-15B를 통해 수천 개의 명령을 생성합니다.
LLM이 모두 완료되었습니다! OmniDrive: 3D 인식 및 추론 계획 통합(NVIDIA 최신)
May 09, 2024 pm 04:55 PM
위에 작성됨 및 저자의 개인적 이해: 이 문서는 자율 주행 애플리케이션에서 현재 다중 모드 대형 언어 모델(MLLM)의 주요 과제를 해결하는 데 전념하고 있습니다. 이는 MLLM을 2D 이해에서 3D 공간으로 확장하는 문제입니다. 자율주행차(AV)가 3D 환경에 대해 정확한 결정을 내려야 하기 때문에 이러한 확장은 특히 중요합니다. 3D 공간 이해는 정보에 입각한 결정을 내리고 미래 상태를 예측하며 환경과 안전하게 상호 작용하는 차량의 능력에 직접적인 영향을 미치기 때문에 AV에 매우 중요합니다. 현재 다중 모드 대형 언어 모델(예: LLaVA-1.5)은 시각적 인코더의 해상도 제한, LLM 시퀀스 길이 제한으로 인해 저해상도 이미지 입력(예:)만 처리할 수 있는 경우가 많습니다. 하지만 자율주행 애플리케이션에는
Yolov10: 자세한 설명, 배포, 적용이 모두 한곳에!
Jun 07, 2024 pm 12:05 PM
1. 소개 지난 몇 년 동안 YOLO는 계산 비용과 감지 성능 간의 효과적인 균형으로 인해 실시간 객체 감지 분야에서 지배적인 패러다임이 되었습니다. 연구원들은 YOLO의 아키텍처 설계, 최적화 목표, 데이터 확장 전략 등을 탐색하여 상당한 진전을 이루었습니다. 동시에 사후 처리를 위해 NMS(비최대 억제)에 의존하면 YOLO의 엔드투엔드 배포가 방해되고 추론 대기 시간에 부정적인 영향을 미칩니다. YOLO에서는 다양한 구성 요소의 설계에 포괄적이고 철저한 검사가 부족하여 상당한 계산 중복이 발생하고 모델 기능이 제한됩니다. 이는 최적이 아닌 효율성을 제공하며 성능 향상을 위한 상대적으로 큰 잠재력을 제공합니다. 이 작업의 목표는 사후 처리와 모델 아키텍처 모두에서 YOLO의 성능 효율성 경계를 더욱 향상시키는 것입니다. 이를 위해
