Artykuły dla tych, którzy
wdrażają stack
Materiały o React, Node.js, TypeScript i AI. Przetłumaczony tekst jest pokazany, gdy istnieje. Jeśli nie, widać tekst angielski i dopisek o tym.
Tag: Machine Learning
Jev: Jak model sztucznej inteligencji niegeneratywnej przekształca tekst w decyzje
Dowiedz się, jak działa numeryczny model sztucznej inteligencji „System One” firmy Jev, dlaczego jest szybszy i tańszy od modeli LLM, oraz jakie ma miejsce wśród sztucznych inteligencji generatywnych w systemach produkcyjnych.
7 min czytaniaJak modele multimodalne łączą tekst, obrazy i dźwięk w jednej prośbie
Zrozum, czym jest modalność, jak modele multimodalne przekształcają tekst, obrazy i dźwięk w wspólną reprezentację, gdzie to jest pomocne, a gdzie wizualne odpowiedzi nadal dają błędy.
5 min czytaniaRecurencyjne samodoskonalenie w agentach AI: co pokazują eksperymenty
Uważne przyjrzenie się maszynom Gödla, STOP, agentom Gödla, SICA, maszynie Gödla Darwina, SEAL i hyperagentom oraz sposobom oceny, czy agent samodzielnie modyfikujący się rzeczywiście się poprawia.
9 min czytaniaSzkolenie własnego sędziego LLM: od PandaLM i JudgeLM do Prometheus
Jak budowane są dopracowane modele oceniające, od danych i rubryk po kontrolę uprzedzeń i metaocenę, oraz praktyczny przepis na szkolenie specjalistycznego sędziego LLM dla określonej dziedziny.
39 min czytaniaPrawa skalowania LLM, GPT-4o i uczenie wzmacniające: co przewidują te krzywe.
Jak odczytywać prawa skalowania LLM, co odkryli Kaplan i Chinchilla, w jaki sposób laboratoria wykorzystywały je od GPT-3 do GPT-4o oraz dlaczego uczenie wzmacniające dodaje nowy wymiar obliczeniowy.
30 min czytaniaOd GPT-1 do modeli rozumowania: co zmieniła się w każdej generacji dla programistów
Prześledź rodzinę GPT od wstępnego szkolenia z 2018 roku po modele umiejące rozumować, zobacz, jakie pomysły dodała każda generacja, oraz poznaj GPT-4o Vision i Structured Outputs od Pythona.
10 min czytaniaTokenizer BPE od zera: krótsze sekwencje dla małego okna kontekstowego GPT
Napisz w Pythonie tokenizer do kodowania par bajtowych, przeszkol go na WikiText-2, zapisz wyniki fuzji w formacie JSON i sprawdź, w jaki sposób tokenizacja podsłówkowa rozszerza okno kontekstowe GPT.
26 min czytaniaWyjaśnienie rekurencyjnej głębokości: transformery pętlowe i ukryte rozumowanie
Jak transformery o głębokości rekurencyjnej (z pętlami) rozumują w stanie ukrytym, dlaczego laboratoria je chcą, co pokazują osiem lat publikacji naukowych oraz jakie ma to znaczenie dla lokalnej sztucznej inteligencji i nadzoru.
12 min czytaniaNaprawianie błędów w małym modelu GPT w PyTorch: testy izolujące poszczególne usterki.
Krok po kroku procedura pracy przy naprawianiu błędów w modelu GPT na poziomie znaków w PyTorch, od identyfikacji tokenów i ich przesunięcia do obliczania gradientów, wartości NaN oraz tworzenia punktów kontrolnych.
30 min czytania
O tych artykułach
Wycena w 24 h
Potrzebujesz tego stacka w warstwie operatorskiej? Wyślij brief — wycena w 24 h.