


Gunakan dayung terbang untuk mengendalikan pengeluaran model besar dalam satu hentian Kit pembangunan model besar PaddleFleetX adalah yang pertama dalam industri.
Pada 30 November, Sidang Kemuncak Pembangun Pembelajaran Mendalam WAVE SUMMIT+2022, yang dihoskan oleh Pusat Penyelidikan Kejuruteraan Kebangsaan untuk Teknologi dan Aplikasi Pembelajaran Dalam dan dihoskan oleh Baidu Fei Paddle, telah diadakan seperti yang dijadualkan. Pada sidang kemuncak itu, Pengurus Besar Ekosistem Teknologi Baidu AI Ma Yanjun mengeluarkan teknologi terkini dan kemajuan ekologi Platform Pembelajaran Dalam Paddle yang baru dikeluarkan Rangka Kerja Sumber Terbuka Paddle versi 2.4 membawa kit pembangunan model besar hujung ke hujung pertama PaddleFleetX, menyatukan 12 syarikat rakan kongsi ekologi perkakasan mengeluarkan versi keluaran ekologi Flying Paddle, dan komuniti pembelajaran dan latihan AI Studio dinaik taraf untuk melancarkan latihan perusahaan dan pusat pengkomputeran heterogen ekologi, dsb. Siri langkah ini menandakan bahawa Feipiao terus menyatukan asas teknologi AInya dan terus memperdalam integrasi dan inovasi industri.
Gambar: Pengurus Besar Ekosistem Teknologi AI Baidu Ma Yanjun berkongsi keluaran terbaru platform Flying Paddle
Rangka kerja sumber terbuka Flying Paddle versi 2.4 dikeluarkan , terus mengoptimumkan dengan prestasi inovasi teknologi yang mendasari
Versi 2.4 peningkatan Fei Paddle menjadikan pembangunan rangka kerja lebih fleksibel dan mudah, terus mendahului dalam latihan teragih model berskala besar, dan membolehkan penggunaan inferens berprestasi tinggi dalam semua senario.
Dari segi pembangunan, versi 2.4 rangka kerja sumber terbuka Flying Paddle telah menambah lebih daripada 160 API untuk senario penting seperti pengkomputeran jarang dan pembelajaran graf, dan pembangunan API ambang dan kos telah dikurangkan dengan ketara, menjadikan Satu pertiga daripada API baharu kali ini datang daripada sumbangan daripada pembangun ekologi. Sebagai tindak balas kepada keperluan senario AI untuk Sains, versi 2.4 melaksanakan fungsi pembezaan automatik peringkat tinggi am untuk menyokong aplikasi berkaitan pengkomputeran saintifik dengan lebih baik. Pada masa yang sama, Flying Paddle telah mempertingkatkan kebolehskalaan dan fleksibiliti penggunaan teras teknologi dinamik-ke-statik secara menyeluruh Kadar kejayaan dinamik-ke-statik model baharu mencapai 92%, memberikan permainan penuh kepada kelebihan dinamik dan statik masing-masing. imej.
Dari segi latihan, versi 2.4 baru sahaja dinaik taraf dan melancarkan enjin latihan model graf ultra-besar berskala besar berasaskan GPU PGLBox, yang merupakan yang pertama dalam industri yang melaksanakan penyelesaian pembelajaran graf bersepadu yang boleh menyokong algoritma kompleks, graf ultra-besar dan model diskret ultra-besar secara serentak. Selain itu, prestasi latihan teragih komunikasi kolektif Fei Paddle juga telah dioptimumkan secara melampau, menyediakan sistem pengoptimuman prestasi latihan teragih yang komprehensif dan kaya untuk latihan model besar, Fei Paddle telah memenangi ujian tanda aras latihan AI yang berwibawa di peringkat antarabangsa dua kali berturut-turut tahun ini No. 1 dalam senarai Latihan MLPerf.
Sebagai "batu terakhir" pelaksanaan AI dalam industri, inferens dan proses penggunaan model adalah sangat kritikal. Pertama sekali, untuk alasan model besar, versi 2.4 rangka kerja sumber terbuka Flying Paddle menyokong fungsi seperti segmentasi model adaptif dan penaakulan teragih Bergantung pada keupayaan dinamik dan statik rangka kerja Flying Paddle, ia boleh mencapai gabungan mendalam automatik. dan pengoptimuman berprestasi tinggi, menyokong sepenuhnya aplikasi model besar. Pada masa yang sama, untuk menyelesaikan secara asasnya tiga masalah utama pemecahan pemandangan, kos pembangunan yang tinggi dan kelajuan penaakulan perlahan yang dihadapi oleh aplikasi AI, Feipiao telah melancarkan alat penyebaran AI berprestasi tinggi penuh senario FastDeploy, yang merupakan penyelesaian sehenti Untuk memenuhi keperluan penggunaan berbilang senario, berbilang rangka kerja dan berbilang perkakasan pada peranti, tepi dan awan, bukan sahaja reka bentuk API disatukan dan mudah serta mudah digunakan, tetapi ia. turut menyokong kaitan yang mendalam antara pemampatan automatik dan enjin inferens berprestasi tinggi, memberikan permainan sepenuhnya kepada kelebihan perisian dan perkakasan bersepadu, menerajui prestasi penaakulan terkemuka menyediakan penyelesaian optimum untuk aplikasi industri AI.
Teruskan menurunkan ambang aplikasi dan mempercepatkan pelaksanaan aplikasi AI
Aplikasi model besar boleh menurunkan ambang untuk aplikasi AI, tetapi proses pembangunan, latihan, inferens dan penggunaan besar model masih menimbulkan cabaran besar. Untuk menyokong pelaksanaan aplikasi model besar dengan lebih baik, PaddleFleet telah mengeluarkan PaddleFleetX, kit pembangunan model besar hujung ke hujung. Latihan Armada Kayuh dan penyahpepijatan platform perkakasan dalam persekitaran berbilang awan. Pada masa yang sama, penggunaan Kuantitatif Armada Dayung.
Pada sidang kemuncak ini, bilangan algoritma sumber terbuka dalam perpustakaan model sumber terbuka peringkat industri dayung telah ditingkatkan kepada lebih 600, meliputi senario tugas arus perdana seperti penglihatan, bahasa semula jadi, dan pemodelan masa. Bilangan model siri PP yang diketengahkan dengan ketepatan dan prestasi seimbang yang telah digilap oleh amalan industri telah meningkat kepada 42 bilangan contoh praktikal industri dayung terbang telah meningkat kepada 68, meliputi sepuluh kunci; senario industri seperti kewangan, industri, pengangkutan, Internet, keselamatan dan pendidikan bilangan model industri dayung terbang telah dikeluarkan Pintu masuk sehenti ke perpustakaan model peringkat industri dayung mengagregatkan pengetahuan dan set alatan, dan menghubungkan keseluruhannya; proses pemilihan model, pengalaman pantas, pembangunan dan penggunaan model, dan penggunaan model. Fei Paddle telah mengumpul kekuatan daripada aspek model industri sumber terbuka dan contoh rujukan untuk menyediakan sokongan mudah bagi perusahaan untuk menggunakan teknologi AI dan bersama-sama menyelesaikan masalah dan kesukaran industri.
Berganding bahu dengan rakan kongsi ekologi dalam pelbagai bidang untuk mencipta dan berkongsi, dan bersama-sama membina ekosistem AI Flying Paddle yang makmur
Menggalakkan penerapan kecerdasan buatan dalam industri tidak boleh dipisahkan daripada kerjasama dengan rakan kongsi ekologi perkakasan . Pada bulan Mei tahun ini, Flying Paddle bersama-sama melancarkan "Pelan Penciptaan Bersama Ekosistem Perkakasan" dengan rakan kongsi ekosistem perkakasannya untuk bekerjasama secara menyeluruh dalam pelbagai dimensi seperti penyelidikan dan pembangunan bersama, perkongsian sumber, pelesenan bersama dan pemerkasaan latihan. Sehingga November, bilangan ahli "Rancangan Penciptaan Bersama Ekosistem Perkakasan" Fei Paddle telah meningkat daripada 13 kepada 28. Pada masa yang sama, Flying Paddle telah bekerjasama dengan 12 pengeluar termasuk Nvidia, Arm, Cambrian, Kunlun Core, Tianshu Intelligent Core, Graphcore, dan Suiyuan untuk bersama-sama mengeluarkan keluaran ekologi Flying Paddle untuk menyediakan pembangun pengalaman perisian dan perkakasan bersepadu yang lebih baik. . Pada masa yang sama, kami akan bekerjasama untuk membina ekosistem perkakasan yang makmur.
Untuk mempercepatkan lagi peningkatan pintar industri AI, Flying Paddle telah pergi jauh ke dalam kancah perindustrian, bergabung tenaga dengan China Energy Group, Perindustrian dan Komersial Bank of China, China Unicom, China Petroleum Corporation dan China Academy of Railway Sciences , China Mobile, China FAW dan syarikat terkemuka lain dalam industri telah mengeluarkan pelan pengumpulan untuk contoh amalan perindustrian untuk menghubungkan syarikat dan pemaju untuk menyelesaikan masalah utama dalam keadaan sebenar. senario industri dalam pelbagai industri dan membantu industri AI untuk melaksanakan.
Komuniti pembelajaran dan latihan AI Studio yang dibina oleh Feipiao komited untuk menjadikan pembelajaran dan aplikasi AI lebih mudah, dan kini telah menjadi komuniti pembangun AI terbesar di China. Pada sidang kemuncak ini, AI Studio menaik taraf dan menambah dua bahagian baharu: latihan korporat dan pusat kuasa pengkomputeran heterogen ekologi.
Latihan perusahaan menyediakan platform latihan praktikal untuk perusahaan menerapkan pembelajaran mendalam. Sehingga kini, Feipiao telah bersama-sama mengadakan acara dengan lebih daripada 20 syarikat terkenal untuk bersama-sama meneroka penyelesaian aplikasi AI dan memupuk bakat AI. Untuk masa yang lama, AI Studio telah menyediakan pembangun dengan sumber pengkomputeran yang kaya termasuk CPU dan GPU, dan telah disambungkan kepada kuasa pengkomputeran Sugon DCU untuk menyediakan pembangun dengan pusat pengalaman dalam talian dan persekitaran pengalaman yang mudah untuk infrastruktur perkakasan dan ekologi pusat kuasa mengalu-alukan lebih banyak pengeluar perkakasan untuk menetap.
Baidu Flying Paddle pembelajaran mendalam platform terbuka sumber terbuka yang diperoleh daripada amalan industri ialah platform pengeluaran berskala besar AI untuk Baidu mengamalkan inovasi bersepadu dan menurunkan ambang. Pada masa hadapan, apabila teknologi teras pembelajaran mendalam terus dibangunkan, Fei Paddle akan menyokong aplikasi AI dan model besar dengan lebih baik, terus membina ekosistem AI yang lebih makmur, mempromosikan industri untuk mempercepatkan peningkatan pintar, dan membiarkan AI mendapat manfaat. beribu-ribu industri.
Atas ialah kandungan terperinci Gunakan dayung terbang untuk mengendalikan pengeluaran model besar dalam satu hentian Kit pembangunan model besar PaddleFleetX adalah yang pertama dalam industri.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Anotasi imej ialah proses mengaitkan label atau maklumat deskriptif dengan imej untuk memberi makna dan penjelasan yang lebih mendalam kepada kandungan imej. Proses ini penting untuk pembelajaran mesin, yang membantu melatih model penglihatan untuk mengenal pasti elemen individu dalam imej dengan lebih tepat. Dengan menambahkan anotasi pada imej, komputer boleh memahami semantik dan konteks di sebalik imej, dengan itu meningkatkan keupayaan untuk memahami dan menganalisis kandungan imej. Anotasi imej mempunyai pelbagai aplikasi, meliputi banyak bidang, seperti penglihatan komputer, pemprosesan bahasa semula jadi dan model penglihatan graf Ia mempunyai pelbagai aplikasi, seperti membantu kenderaan dalam mengenal pasti halangan di jalan raya, dan membantu dalam proses. pengesanan dan diagnosis penyakit melalui pengecaman imej perubatan. Artikel ini terutamanya mengesyorkan beberapa alat anotasi imej sumber terbuka dan percuma yang lebih baik. 1.Makesen

Teknologi pengesanan dan pengecaman muka adalah teknologi yang agak matang dan digunakan secara meluas. Pada masa ini, bahasa aplikasi Internet yang paling banyak digunakan ialah JS Melaksanakan pengesanan muka dan pengecaman pada bahagian hadapan Web mempunyai kelebihan dan kekurangan berbanding dengan pengecaman muka bahagian belakang. Kelebihan termasuk mengurangkan interaksi rangkaian dan pengecaman masa nyata, yang sangat memendekkan masa menunggu pengguna dan meningkatkan pengalaman pengguna termasuk: terhad oleh saiz model, ketepatannya juga terhad. Bagaimana untuk menggunakan js untuk melaksanakan pengesanan muka di web? Untuk melaksanakan pengecaman muka di Web, anda perlu biasa dengan bahasa dan teknologi pengaturcaraan yang berkaitan, seperti JavaScript, HTML, CSS, WebRTC, dll. Pada masa yang sama, anda juga perlu menguasai visi komputer yang berkaitan dan teknologi kecerdasan buatan. Perlu diingat bahawa kerana reka bentuk bahagian Web

Editor Laporan Kuasa Mesin: Wu Xin Versi domestik robot humanoid + pasukan model besar menyelesaikan tugas operasi bahan fleksibel yang kompleks seperti melipat pakaian buat kali pertama. Dengan pelancaran Figure01, yang mengintegrasikan model besar berbilang modal OpenAI, kemajuan berkaitan rakan domestik telah menarik perhatian. Baru semalam, UBTECH, "stok robot humanoid nombor satu" China, mengeluarkan demo pertama robot humanoid WalkerS yang disepadukan secara mendalam dengan model besar Baidu Wenxin, menunjukkan beberapa ciri baharu yang menarik. Kini, WalkerS, diberkati oleh keupayaan model besar Baidu Wenxin, kelihatan seperti ini. Seperti Rajah01, WalkerS tidak bergerak, tetapi berdiri di belakang meja untuk menyelesaikan satu siri tugasan. Ia boleh mengikut perintah manusia dan melipat pakaian

SOTA baharu untuk keupayaan memahami dokumen multimodal! Pasukan Alibaba mPLUG mengeluarkan kerja sumber terbuka terkini mPLUG-DocOwl1.5, yang mencadangkan satu siri penyelesaian untuk menangani empat cabaran utama pengecaman teks imej resolusi tinggi, pemahaman struktur dokumen am, arahan mengikut dan pengenalan pengetahuan luaran. Tanpa berlengah lagi, mari kita lihat kesannya dahulu. Pengecaman satu klik dan penukaran carta dengan struktur kompleks ke dalam format Markdown: Carta gaya berbeza tersedia: Pengecaman dan kedudukan teks yang lebih terperinci juga boleh dikendalikan dengan mudah: Penjelasan terperinci tentang pemahaman dokumen juga boleh diberikan: Anda tahu, "Pemahaman Dokumen " pada masa ini Senario penting untuk pelaksanaan model bahasa yang besar. Terdapat banyak produk di pasaran untuk membantu pembacaan dokumen. Sesetengah daripada mereka menggunakan sistem OCR untuk pengecaman teks dan bekerjasama dengan LLM untuk pemprosesan teks.

Izinkan saya memperkenalkan kepada anda projek sumber terbuka AIGC terkini-AnimagineXL3.1. Projek ini adalah lelaran terkini model teks-ke-imej bertema anime, yang bertujuan untuk menyediakan pengguna pengalaman penjanaan imej anime yang lebih optimum dan berkuasa. Dalam AnimagineXL3.1, pasukan pembangunan menumpukan pada mengoptimumkan beberapa aspek utama untuk memastikan model mencapai tahap prestasi dan kefungsian yang baharu. Pertama, mereka mengembangkan data latihan untuk memasukkan bukan sahaja data watak permainan daripada versi sebelumnya, tetapi juga data daripada banyak siri anime terkenal lain ke dalam set latihan. Langkah ini memperkayakan pangkalan pengetahuan model, membolehkannya memahami pelbagai gaya dan watak anime dengan lebih lengkap. AnimagineXL3.1 memperkenalkan set teg khas dan estetika baharu

FP8 dan ketepatan pengiraan titik terapung yang lebih rendah bukan lagi "paten" H100! Lao Huang mahu semua orang menggunakan INT8/INT4, dan pasukan Microsoft DeepSpeed memaksa diri mereka menjalankan FP6 pada A100 tanpa sokongan rasmi daripada Nvidia. Keputusan ujian menunjukkan bahawa kaedah baharu TC-FPx FP6 kuantisasi pada A100 adalah hampir atau kadangkala lebih pantas daripada INT4, dan mempunyai ketepatan yang lebih tinggi daripada yang terakhir. Selain itu, terdapat juga sokongan model besar hujung ke hujung, yang telah bersumberkan terbuka dan disepadukan ke dalam rangka kerja inferens pembelajaran mendalam seperti DeepSpeed. Keputusan ini juga mempunyai kesan serta-merta pada mempercepatkan model besar - di bawah rangka kerja ini, menggunakan satu kad untuk menjalankan Llama, daya pemprosesan adalah 2.65 kali lebih tinggi daripada dua kad. satu

DeepSeek adalah alat carian dan analisis pintar yang kuat yang menyediakan dua kaedah akses: versi web dan laman web rasmi. Versi web adalah mudah dan cekap, dan boleh digunakan tanpa pemasangan; Sama ada individu atau pengguna korporat, mereka dapat dengan mudah mendapatkan dan menganalisis data besar-besaran melalui DeepSeek untuk meningkatkan kecekapan kerja, membantu membuat keputusan dan menggalakkan inovasi.

Model MoE sumber terbuka domestik berskala besar terbaharu telah menjadi popular selepas kemunculannya. Prestasi DeepSeek-V2 mencapai tahap GPT-4, tetapi ia adalah sumber terbuka, percuma untuk kegunaan komersial, dan harga API hanya satu peratus daripada GPT-4-Turbo. Oleh itu, sebaik sahaja dikeluarkan, ia segera mencetuskan banyak perbincangan. Berdasarkan petunjuk prestasi yang diterbitkan, keupayaan Cina komprehensif DeepSeekV2 mengatasi kebanyakan model sumber terbuka Pada masa yang sama, model sumber tertutup seperti GPT-4Turbo dan Wenkuai 4.0 juga berada dalam eselon pertama. Keupayaan bahasa Inggeris yang komprehensif juga berada dalam eselon pertama yang sama seperti LLaMA3-70B, dan mengatasi Mixtral8x22B, yang juga merupakan KPM. Ia juga menunjukkan prestasi yang baik dalam pengetahuan, matematik, penaakulan, pengaturcaraan, dll. Dan menyokong konteks 128K. Bayangkan ini
