Em uma recente teleconferência com investidores, a Xin Kai Pu anunciou os mais recentes resultados de avaliação de seu modelo de linguagem grande, o Xing Pu. O modelo utiliza técnicas de treinamento SFT (Supervised Fine-Tuning) e RL (Reinforcement Learning), apresentando desempenho em raciocínio inteligente semelhante ao DeepSeek-R1, com apenas 1/20 do consumo de poder computacional deste último. Este feito não apenas demonstra a capacidade de P&D da Xin Kai Pu na área de inteligência artificial, mas também abre caminho para reduzir os investimentos em hardware.
O sucesso do modelo Xing Pu reside não apenas em sua capacidade aprimorada de raciocínio inteligente, mas também em seu consumo de energia computacional eficiente. Este avanço significa que as empresas precisarão de investimentos muito menores em hardware para implantar modelos como este, permitindo que o orçamento economizado em poder computacional seja direcionado para o desenvolvimento de software e a expansão de aplicativos inteligentes. A Xin Kai Pu afirmou que participará de avaliações setoriais para obter dados mais confiáveis e comprovar ainda mais a competitividade de mercado do modelo Xing Pu.
Nota da imagem: Imagem gerada por IA, fornecida pelo Midjourney.
Ao mesmo tempo, a demanda por poder computacional no setor continua crescendo, e as empresas que buscam soluções mais eficientes frequentemente enfrentam altos custos de hardware. O feito da Xin Kai Pu chega em boa hora, oferecendo uma nova opção para muitas empresas. Ao garantir a experiência do usuário e a precisão do serviço, a redução do investimento em hardware de computação contribuirá para melhorar a eficiência operacional e a rentabilidade geral.
Em resumo, os resultados dos testes do modelo Xing Pu da Xin Kai Pu trarão mais inovação e competição para o setor, ajudando as empresas a alcançar avanços significativos em sua transformação digital. Com o avanço e a maturidade contínua da tecnologia, o uso de modelos de IA se tornará cada vez mais amplo, impulsionando o desenvolvimento inteligente em diversos setores.
