نویسنده (ها): به سمت تیم تحریریه AI
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
صبح بخیر ، علاقه مندان به او!
این هفته از انجمن هوش مصنوعی: Open-Sora 2.0 نشان می دهد که تولید ویدیوی منبع باز می تواند با بودجه تنگ انجام دهد. ما همچنین نقش فزاینده جکس را در محاسبات با کارایی بالا ، چگونگی تجدید نظر در مورد شبکه های عصبی معکوس در مورد نقشه برداری ورودی-خروجی و کجا پوشش می دهیم LLMS هنوز در ارگان های دنیای واقعی کوتاه می آیند. مثل همیشه ، ما در جامعه تازه ، فرصت های جمع آوری ، و یک یادگار برای بسته بندی همه ، به دست آورده ایم. از خواندن لذت ببرید!
هفتگی AI چیست
سورا آزاد واقعاً توجه من را به خود جلب کرد. این یک ژنراتور ویدیویی کاملاً باز است. آنها موفق شدند با فقط 200،000 دلار ، یک تولید کننده ویدیوی پایان به پایان را آموزش دهند. خوب ، 200،000 $ پول زیادی است ، اما در مقایسه با آنچه Sora Openai یا سایر مدل های تولید ویدیویی پیشرفته Openai بسیار کم است ، بسیار کم است. بنابراین در این هفته ، من در حال غواصی هستم که چگونه باز و آموزش داده شده است. خط لوله آموزش فقط به دو مرحله تقسیم نمی شود ، بلکه به سه مرحله مجزا ، هر کدام با دقت بهینه شده اند تا بتوانند محاسبات را ذخیره کنند ، هزینه را کاهش دهند و عملکرد – عملکرد – را ارائه دهند. بخوانید که چرا این در مقاله مهم است یا فیلم را در YouTube تماشا کنیدبشر
-لوئیز فرانسوا بوچارد ، به سمت بنیانگذار AI و رئیس جامعه
ما این هفته یک پست مهمان جدید داریم – این بار با رامی خبرنامه داده (با نام مستعار رامی کریسپین) – غواصی به چیزی که همیشه اعتیاد به مواد مخدره ای را که شایسته آن نیست دریافت نمی کند: LLM داده های مقدماتیبشر همه در مورد تنظیم دقیق و انتخاب مدل صحبت می کنند ، اما اگر داده های شما یک آشفتگی باشد ، هیچ یک از اینها مهم نیست.
در این قطعه ، ما روشهای عملی برای تعریف استانداردهای داده ، از نظر اخلاقی و تمیز کردن خود را کشف می کنیم مجموعه داده ها، و سر و صدا را قطع کنید-خواه از ابتدا در حال تنظیم باشید یا یک مدل پایه را تنظیم کنید. اگر در حال کار بر روی LLMS هستید ، این یکی از آن بنیادهایی است که به راحتی نادیده گرفته می شود اما نادیده گرفتن آن دشوار است.
👉 پست را اینجا بخوانید!
آماده سازی داده ها برای LLM: کلید عملکرد بهتر مدل
با استفاده از داده های با کیفیت بالا ، خراش اخلاقی و پیش پردازش داده ها برای ساخت LLM های قابل اعتماد
ramikrispin.substack.com
بخش جامعه را با هم بیاموزید!
پست برجسته جامعه از Discord
جونی هیتوپ یک ایستگاه کاری کامل هوش مصنوعی ساخته شده است. این امکان دسترسی به چندین مدل قدرتمند هوش مصنوعی را از طریق یک رابط واحد و بصری فراهم می کند. کاربران می توانند به طور همزمان با 3 مدل AI مقایسه کنند تا بهترین ها را برای هر کار پیدا کنند ، تصاویر را با استودیوی پیشرفته تصویر تولید و مقایسه کنند و با ارسال های تخصصی و میانبرها به تولید متن دسترسی پیدا کنند. سیستم عامل را در اینجا آزمایش کنید و از یک عضو جامعه دیگر حمایت کنید. اگر سوالی یا بازخورد دارید ، آنها را در موضوع به اشتراک بگذارید!
نظرسنجی AI هفته!
بیشتر شما احساس نمی کنید Openai دیگر مسابقه LLM را هدایت می کند ، بنابراین از چه مدل های دیگری استفاده می کنید و برای کدام کارها استفاده می کنید؟ در موضوع به ما بگویید!
فرصت های همکاری
جامعه Discord Learn Ai Together با فرصت های همکاری در حال سیل است. اگر از شیرجه رفتن به هوش مصنوعی کاربردی هیجان زده اید ، یک شریک مطالعه می خواهید ، یا حتی می خواهید برای پروژه Passion خود شریک پیدا کنید ، به کانال همکاری بپیوندید! به این بخش نیز توجه داشته باشید – ما هر هفته فرصت های جالب را به اشتراک می گذاریم!
1 نرگس در حال کار بر روی لئو ، ابزاری مبتنی بر پایتون است که مانند یک هادی برای هوش مصنوعی عمل می کند. در حال حاضر از LLM های محلی از طریق Ollama استفاده می کند و می تواند دستورات را از آن پیشنهاد کند زبان طبیعی ورودی آنها به دنبال یک علاقه مندان هستند که می تواند آن را بیشتر کند. اگر این سرگرم کننده به نظر می رسد ، به موضوع دسترسی پیدا کنید!
2 Robert2405 به دنبال یک شریک پاسخگویی برای تحصیل در کنار هم است. اگر فکر می کنید این به شما نیز کمک می کند ، در موضوع وصل شوید!
3 اسم حیوان دست اموز یک چارچوب هوش مصنوعی سفارشی با شخصیت مداوم در هر تعامل ، یک چارچوب اخلاقی و اخلاقی پویا ایجاد کرده است. آنها به دنبال افرادی هستند که می توانند آن را آزمایش کنند و بازخورد خود را ارائه دهند. اگر فکر می کنید می توانید کمک کنید ، چارچوب را در موضوع دریافت کنید!
Meme of Week!
Meme به اشتراک گذاشته شده توسط ghost_in_the_machine
بخش سرپرستی تای
مقاله هفته
فراتر از وارونگی ساده: ساختمان و استفاده از شبکه های عصبی معکوس از طرف شنگگانگ لی
این وبلاگ شبکه های عصبی معکوس (Inns) را به عنوان روشی برای تعیین ورودی های سیستم (x) با توجه به خروجی های مشاهده شده (y) ، به ویژه برای سناریوهای پیچیده ، چند ارزشی یا پر سر و صدا که در آن وارونگی سنتی انجام می شود ، بررسی می کند. مسافرخانه ها از مدل های زوجی به جلو و معکوس آموزش دیده با از دست دادن قوام چرخه و محدودیت های منظم (مانند محدودیت های محدوده یا Preors Soemness) برای بازسازی ورودی های قابل قبول استفاده می کنند. بحث در وبلاگ شامل استراتژی های آموزشی ، استفاده از نویز نهفته برای یافتن راه حل های متعدد و مقایسه عملکرد MLP در برابر دقت بهبود یافته شبکه های Kolmogorov -Annold (KANS) بود. این با مطالعات موردی که توانایی های مسافرخانه را نشان می دهد و نشان می دهد مسیرهای آینده ای را نشان می دهد ، نتیجه می گیرد.
مقالات باید بخوانید
1 جکس: گوهر پنهان تحقیقات AI و محاسبات با کارایی بالا از طرف کاندوی سخت
در این مقاله به بررسی JAX ، یک کتابخانه محاسباتی عددی با کارایی بالا از Google Research می پردازیم و مزایای آن را بیش از آن نشان می دهد تانسور پر و پیتورچ JAX به دلیل تدوین فقط در زمان (JIT) از طریق XLA ، تمایز اتوماتیک و قابلیت های بردار ، از سرعت و مقیاس پذیری برتری دارد. این به ویژه برای تحقیقات هوش مصنوعی ، HPC و محاسبات علمی مناسب است ، و ویژگی هایی مانند یکپارچه چند-GPU/TPU پشتیبانی و یک API مانند numpy. در حالی که JAX با چالش هایی مانند منحنی یادگیری تندتر و اکوسیستم کمتری نسبت به چارچوب های ایجاد شده روبرو است ، نقاط قوت منحصر به فرد آن ، آن را به یک ابزار ارزشمند برای محققان و افرادی که در پروژه های محاسباتی خواستار هستند ، می کند.
2 Manus AI – آیا آن را به اعتیاد به مواد مخدره زنده می کند؟ از طرف توماس رید
ظهور عوامل AI خودمختار باعث ایجاد علاقه قابل توجهی می شود. در این مقاله به بررسی Manus ، یک عامل خودمختار هوش مصنوعی که قادر به انجام کارهای مختلف به طور مستقل است. نویسنده با درخواست سفر سفر از ادینبورگ به کوسکو ، پرو ، مانوس را آزمایش کرد. در حالی که مانوس با موفقیت یک برنامه سفر اساسی ایجاد کرد ، با دسترسی به داده های پرواز در زمان واقعی و قیمت گذاری هتل تلاش می کرد ، فقط تخمین ها و برخی از اطلاعات نادرست هزینه را ارائه می داد. اگرچه در این مورد کاملاً مستقل نیست ، مانوس نقطه شروع مفیدی را برای تحقیقات بیشتر ارائه داد.
3 مقایسه عمیق بین KAN و MLP از طرف Fabio Yáñez Romero
در این مقاله ، شبکه های Kolmogorov-Arnold (KANS) و Perceptrons MultiLayer (MLP) مقایسه می شود ، و پایه های ریاضی و کاربردهای عملی آنها را در آن برجسته می کند یادگیری عمیقبشر KANS ، بر اساس قضیه نمایندگی Kolmogorov-Arnold ، توابع چند متغیره را به مبالغی از توابع یک متغیره تجزیه می کند و به دلیل تحولات متغیر قابل ردیابی و فردی ، مزایایی در تفسیر و توضیح دارد. برعکس ، MLP ها ، ضمن بهره مندی از قضیه تقریبی جهانی ، به دلیل ساختار وزن پیچیده و بهم پیوسته ، چالش هایی را در تفسیر ایجاد می کنند. در حالی که Kans نوید را در یادگیری نمادین نشان می دهد و عملکردهای فعال سازی پویا را ارائه می دهد ، آنها از آموزش بی ثباتی ، پیچیدگی معماری و مسائل مقیاس پذیری در مقایسه با MLP های تأسیس شده رنج می برند.
4 10 راه LLMS می تواند سازمان شما را شکست دهد از طرف گری جورج
این وبلاگ به بررسی ده روش معمول مدل های بزرگ زبان (LLM) می تواند در تنظیمات سازمانی شکست بخورد و هر یک از نمونه های دنیای واقعی را نشان می دهد. این شکست ها از تولید اطلاعات دروغین (“توهم”) و تفسیر نادرست نمایش داده های کاربر تا نمایش تعصب ، تولید پاسخ های ناهماهنگ و نمایش تن های نامناسب متغیر است. همچنین موضوعات مربوط به بازیابی داده ها ، گمراه شدن از اعلان ها ، ارائه پاسخ های ناقص و حساسیت به دستکاری کاربر را برجسته می کند. نویسنده از استراتژی های کاهش ریسک فعال ، از جمله استفاده از ابزارهای تجزیه و تحلیل LLM و مشاهده ، برای اطمینان از تعامل AI قابل اعتماد و قابل اعتماد استفاده می کند.
اگر علاقه مند به انتشار با AI هستید ، دستورالعمل های ما را بررسی کرده و ثبت نام کنیدبشر اگر این سیاست ها و استانداردهای تحریریه ما را رعایت کند ، کار شما را به شبکه خود منتشر خواهیم کرد.
منتشر شده از طریق به سمت هوش مصنوعی