Jadual Kandungan
Ciri baharu API penalaan halus layan diri
Membantu penalaan halus dan model latihan tersuai
Rumah Peranti teknologi AI OpenAI menawarkan pilihan penalaan halus dan penyesuaian baharu

OpenAI menawarkan pilihan penalaan halus dan penyesuaian baharu

Apr 19, 2024 pm 03:19 PM
AI openai

Penalaan halus memainkan peranan penting dalam membina alatan AI yang berharga. Proses memperhalusi model pra-latihan menggunakan set data yang lebih disasarkan ini membolehkan pengguna meningkatkan pemahaman model tentang konotasi profesional, membolehkan pengguna menambah pengetahuan sedia ada pada model untuk tugasan tertentu.

OpenAI menawarkan pilihan penalaan halus dan penyesuaian baharu

Walaupun proses ini mungkin mengambil masa, ia selalunya tiga kali lebih menjimatkan kos daripada melatih model dari awal. Nilai ini ditunjukkan dalam pengumuman OpenAI baru-baru ini tentang pengembangan program model tersuainya dan pelbagai ciri baharu untuk API penalaan halusnya.

Ciri baharu API penalaan halus layan diri

OpenAI mula-mula mengumumkan pelancaran API penalaan halus layan diri untuk GPT-3 pada Ogos 2023, dan menerima sambutan yang bersemangat daripada komuniti AI. OpenAI melaporkan bahawa beribu-ribu kumpulan telah memanfaatkan API untuk melatih puluhan ribu model, seperti menggunakan bahasa pengaturcaraan khusus untuk menjana kod, meringkaskan teks ke dalam format tertentu atau mencipta kandungan yang diperibadikan berdasarkan tingkah laku pengguna.

Sejak dilancarkan pada Ogos 2023, platform pemadanan pekerjaan dan pengambilan Indeed telah mencapai kejayaan yang ketara. Untuk memadankan pencari kerja dengan peluang pekerjaan yang berkaitan, Indeed menghantar pengesyoran yang diperibadikan kepada pengguna. Dengan memperhalusi GPT 3.5 Turbo untuk menghasilkan penjelasan yang lebih tepat tentang proses dan dapat mengurangkan bilangan token dalam makluman sebanyak 80%. Ini telah meningkatkan bilangan mesej yang dihantar syarikat kepada pencari kerja setiap bulan daripada kurang daripada 1 juta kepada kira-kira 20 juta.

Ciri API penalaan halus baharu membina kejayaan ini dan diharapkan dapat meningkatkan kefungsian untuk pengguna akan datang:

Penciptaan pusat pemeriksaan berasaskan zaman: Menjana pusat pemeriksaan model lengkap yang diperhalusi secara automatik pada setiap zaman latihan, Ini mengurangkan keperluan untuk latihan semula seterusnya, terutamanya dalam kes overfitting.

Taman Permainan Perbandingan: UI taman permainan selari baharu untuk membandingkan kualiti dan prestasi model, membenarkan penilaian manual keluaran berbilang model atau syot kilat penalaan halus untuk satu gesaan.

Penyepaduan pihak ketiga: Menyokong penyepaduan dengan platform pihak ketiga (bermula dengan Kebenaran dan Penyimpangan), membolehkan pembangun berkongsi data penalaan halus terperinci ke seluruh timbunan.

Metrik pengesahan komprehensif: Keupayaan untuk mengira metrik seperti kehilangan dan ketepatan untuk keseluruhan set data pengesahan untuk lebih memahami kualiti model.

Konfigurasi hiperparameter: Keupayaan untuk mengkonfigurasi hiperparameter yang tersedia daripada papan pemuka (bukan hanya melalui API atau SDK).

Memperbaiki penambahbaikan papan pemuka: termasuk keupayaan untuk mengkonfigurasi hiperparameter, melihat metrik latihan yang lebih terperinci dan menjalankan semula kerja daripada konfigurasi sebelumnya.

Membina kejayaan masa lalu, OpenAI percaya ciri baharu ini akan memberikan pembangun kawalan yang lebih terperinci ke atas usaha penalaan halus mereka.

Membantu penalaan halus dan model latihan tersuai

OpenAI juga telah menambah baik pelan model tersuai berdasarkan pelancaran pada DevDay pada November 2023. Salah satu perubahan utama ialah kemunculan penalaan halus berbantu, satu cara untuk memanfaatkan teknik berharga di luar penalaan halus API, seperti menambah hiperparameter tambahan dan pelbagai kaedah Penalaan Halus Berkesan Parameter (PEFT) pada skala yang lebih besar.

SK Telekom adalah contoh merealisasikan potensi penuh perkhidmatan ini. Pengendali telekom itu mempunyai lebih daripada 30 juta pengguna di Korea Selatan, jadi mereka ingin menyesuaikan model kecerdasan buatan yang boleh bertindak sebagai pakar perkhidmatan pelanggan telekom.

Dengan memperhalusi GPT-4 dengan kerjasama OpenAI untuk menumpukan pada perbualan berkaitan Telekom Korea, kualiti ringkasan perbualan SK Telecom bertambah baik sebanyak 35% dan ketepatan pengecaman niat meningkat sebanyak 33%. Apabila membandingkan model baru mereka yang diperhalusi dengan GPT-4 umum, skor kepuasan mereka juga meningkat daripada 3.6 kepada 4.5 daripada 5.

OpenAI juga memperkenalkan keupayaan untuk membina model tersuai untuk syarikat yang memerlukan penalaan mendalam model pengetahuan khusus domain. Perkongsian dengan syarikat AI sah Harvey menunjukkan nilai ciri ini. Kerja undang-undang memerlukan banyak dokumen intensif membaca, dan Harvey mahu menggunakan LLM (Model Bahasa Besar) untuk mensintesis maklumat daripada dokumen ini dan menyerahkannya kepada peguam untuk semakan. Walau bagaimanapun, banyak undang-undang adalah kompleks dan bergantung kepada konteks, dan Harvey berharap dapat bekerjasama dengan OpenAI untuk membina model terlatih tersuai yang boleh menggabungkan pengetahuan baharu dan kaedah penaakulan ke dalam model asas.

Harvey bekerjasama dengan OpenAI dan menambah bersamaan 10 bilion token data untuk melatih model undang-undang kes ini. Dengan menambahkan kedalaman kontekstual yang diperlukan untuk membuat pertimbangan undang-undang termaklum, model yang terhasil meningkatkan jawapan fakta sebanyak 83%.

Alat AI tidak pernah menjadi penyelesaian "penyembuh-semua". Kebolehubahsuaian adalah teras kepada kegunaan teknologi ini, dan kerja OpenAI dalam penalaan halus dan menyesuaikan model latihan akan membantu mengembangkan organisasi yang telah memperolehi daripada alat tersebut.

Atas ialah kandungan terperinci OpenAI menawarkan pilihan penalaan halus dan penyesuaian baharu. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Repo: Cara menghidupkan semula rakan sepasukan
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Kerja selepas kematian Pasukan Penyelarasan Super OpenAI: Dua model besar bermain permainan, dan output menjadi lebih mudah difahami Kerja selepas kematian Pasukan Penyelarasan Super OpenAI: Dua model besar bermain permainan, dan output menjadi lebih mudah difahami Jul 19, 2024 am 01:29 AM

Jika jawapan yang diberikan oleh model AI tidak dapat difahami sama sekali, adakah anda berani menggunakannya? Memandangkan sistem pembelajaran mesin digunakan dalam bidang yang lebih penting, menjadi semakin penting untuk menunjukkan sebab kita boleh mempercayai output mereka, dan bila tidak mempercayainya. Satu cara yang mungkin untuk mendapatkan kepercayaan dalam output sistem yang kompleks adalah dengan menghendaki sistem menghasilkan tafsiran outputnya yang boleh dibaca oleh manusia atau sistem lain yang dipercayai, iaitu, difahami sepenuhnya sehingga apa-apa ralat yang mungkin boleh dilakukan. dijumpai. Contohnya, untuk membina kepercayaan dalam sistem kehakiman, kami memerlukan mahkamah memberikan pendapat bertulis yang jelas dan boleh dibaca yang menjelaskan dan menyokong keputusan mereka. Untuk model bahasa yang besar, kita juga boleh menggunakan pendekatan yang sama. Walau bagaimanapun, apabila mengambil pendekatan ini, pastikan model bahasa menjana

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

ChatGPT kini tersedia untuk macOS dengan keluaran apl khusus ChatGPT kini tersedia untuk macOS dengan keluaran apl khusus Jun 27, 2024 am 10:05 AM

Aplikasi ChatGPT Mac Buka AI kini tersedia untuk semua orang, telah dihadkan kepada mereka yang mempunyai langganan ChatGPT Plus sahaja untuk beberapa bulan lepas. Apl ini dipasang sama seperti mana-mana apl Mac asli yang lain, selagi anda mempunyai Apple S yang terkini

Era baharu pembangunan bahagian hadapan VSCode: 12 pembantu kod AI yang sangat disyorkan Era baharu pembangunan bahagian hadapan VSCode: 12 pembantu kod AI yang sangat disyorkan Jun 11, 2024 pm 07:47 PM

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.

See all articles