Hoy, la plataforma abierta de iFLYTEK anuncia el lanzamiento oficial de su capacidad de IA número 807: la gama completa de modelos DeepSeek, proporcionada por Hangzhou DeepSeek. La gama completa de modelos DeepSeek incluye dos versiones: DeepSeek-V3 y DeepSeek-R1, ambas compatibles con la llamada de API de nube pública y la implementación de un modelo exclusivo con un solo clic. Cabe destacar que la plataforma abierta de iFLYTEK también ha lanzado por primera vez el servicio de ajuste fino de modelos grandes DeepSeek, que permite a los desarrolladores personalizar profundamente un modelo exclusivo "más inteligente y más adecuado" según los datos de sus escenarios de negocio.

La startup alemana de inteligencia artificial Black Forest Labs ha lanzado recientemente una API de ajuste fino FLUX Pro. Con esta API, los usuarios pueden personalizar los modelos de imágenes de IA FLUX Pro utilizando solo cinco imágenes de muestra para que coincidan con el estilo visual de una marca específica. Según Black Forest Labs, después del ajuste fino, el modelo conserva su flexibilidad y puede integrar el contenido proporcionado por el usuario en nuevas creaciones de imágenes. El sistema...

Durante un evento de transmisión en vivo de 12 días, OpenAI lanzó el API del modelo o1 a los desarrolladores en el día 9 y anunció importantes actualizaciones para la API en tiempo real, con soporte para la tecnología WebRTC. A partir de su lanzamiento, OpenAI proporcionará acceso al API o1 a los desarrolladores con nivel 5 de uso de API. Esta actualización del API del modelo o1, en comparación con la versión preliminar anterior, ha reducido el costo de procesamiento en un 60% y ha agregado capacidades avanzadas de procesamiento visual. Simultáneamente, GPT-4o en el procesamiento de audio...

Recientemente, un equipo de investigación de la Universidad Jiao Tong de Shanghai y la Universidad de Harvard presentó un nuevo método de ajuste fino de modelos: LoRA-Dash. Este nuevo método afirma ser más eficiente que los métodos LoRA existentes, especialmente en el ajuste fino de tareas específicas, donde puede lograr el mismo efecto con una reducción de 8 a 16 veces en la cantidad de parámetros. Esto sin duda representa un gran avance para las tareas de ajuste fino que requieren una gran cantidad de recursos informáticos. En el contexto del rápido desarrollo de los modelos lingüísticos a gran escala, la demanda de ajuste fino para tareas específicas está creciendo cada vez más. Sin embargo, el ajuste fino a menudo...

Baidu Cloud Intelligence Qianfan Platform anunció recientemente que ahora admite servicios de ajuste fino personalizados para su modelo insignia ERNIE 4.0 Turbo. Los clientes empresariales pueden solicitar este servicio a través del sitio web oficial de Baidu Cloud Intelligence para satisfacer las necesidades y características de datos de sus respectivos negocios. Esto les permite entrenar un modelo más adecuado para sus propias empresas, logrando una mejora significativa en el rendimiento de la aplicación empresarial.

OpenAI ha anunciado que los desarrolladores externos pueden ajustar finamente el nuevo modelo multimodal de gran tamaño GPT-4o. Esta función permite a los desarrolladores ajustar el comportamiento del modelo según sus necesidades específicas, como cambiar el tono, seguir instrucciones o mejorar la precisión en tareas técnicas. El ajuste fino solo requiere una pequeña cantidad de datos de entrenamiento para lograr una mejora significativa en el rendimiento y es fácil de usar. OpenAI ofrece a los desarrolladores un crédito de 1 millón de tokens diarios gratuitos hasta el 23 de septiembre, y 2 millones de tokens diarios gratuitos para el modelo GPT-4o mini.

Nous Research, una startup con solo 10 personas, ha desafiado a la gigante tecnológica Meta con su modelo de IA llamado Hermes3. Hermes3, basado en el modelo Llama 3.1 y ajustado finamente, ofrece un rendimiento excepcional, optimizando las necesidades de VRAM y disco para funcionar en un solo nodo. Este modelo destaca en capacidades de conversación, comprensión de la calidad del texto e integración de agentes inteligentes, mostrando una capacidad avanzada que trasciende los modelos de lenguaje tradicionales. Nous Research se centra en el código abierto.

PanoFree es una innovadora técnica de generación de imágenes multiperspectivas que permite generar imágenes panorámicas multiangulares, incluyendo imágenes largas, panorámicas de 360 grados y skyboxes, sin necesidad de ajuste fino. Su núcleo radica en un proceso iterativo de deformación y reparación que resuelve problemas de coherencia y artefactos durante la generación, mejorando al mismo tiempo la conciencia interperspectiva. PanoFree emplea guía interperspectiva, estimación de áreas de riesgo, borrado y guía bidireccional simétrica, combinadas con un control semántico y de densidad guiado, para asegurar la preservación de la estructura de la escena. Los experimentos muestran que PanoFree tiene una tasa de error...

Microsoft anuncia el lanzamiento de la función de ajuste fino sin servidor para el modelo de lenguaje pequeño Phi-3, que permite a los desarrolladores ajustar fácilmente el rendimiento del modelo en la plataforma Azure AI sin necesidad de gestionar la infraestructura subyacente, y con un periodo inicial gratuito. El modelo Phi-3, con 3000 millones de parámetros, es adecuado para desarrolladores empresariales, ofreciendo un rendimiento eficiente y un bajo coste. En comparación con GPT-3.5 de OpenAI, aunque tiene menos parámetros, muestra un rendimiento similar en diversas aplicaciones. El ajuste fino sin servidor simplifica la operación, reduce la barrera de entrada y admite el ajuste fino de modelos pequeños y medianos.

Recientemente, OpenAI, empresa líder en inteligencia artificial, anunció el lanzamiento de una función de ajuste fino para su nuevo modelo a pequeña escala, GPT-4o mini, con el objetivo de mejorar el rendimiento del modelo en escenarios de aplicación específicos. Esta iniciativa ofrecerá a los desarrolladores y empresas soluciones de IA más personalizadas. Según el anuncio oficial de OpenAI, desde hoy hasta el 23 de septiembre, los usuarios pueden ajustar finamente GPT-4o mini de forma gratuita hasta un máximo de 2 millones de tokens de entrenamiento al día. Los tokens que superen este límite tendrán un coste de 3$ por millón de tokens.

Los modelos de lenguaje grandes (LLM) son conocidos por su excelente capacidad de procesamiento del lenguaje natural, pero en la práctica, su etapa de inferencia se enfrenta a los desafíos del alto costo computacional y el consumo de memoria. Para mejorar la eficiencia de los LLM, los investigadores introdujeron una técnica llamada Q-Sparse. El método Q-Sparse, mediante la aplicación de la dispersión top-K en las activaciones y un estimador de paso directo, logra una compresión de estado con activación totalmente dispersa, mejorando significativamente la eficiencia de la inferencia. Los estudios han demostrado que Q-Sparse puede mantener resultados similares a los de un modelo base...

Anthropic ha lanzado su último modelo, Claude 3 Haiku, en Amazon Bedrock, permitiendo a los clientes ajustar finamente el modelo. Esta nueva función permite a los usuarios personalizar el conocimiento y las capacidades del modelo para sus necesidades empresariales específicas, optimizando su rendimiento en tareas particulares. El ajuste fino refina el modelo para mejorar su rendimiento en áreas específicas, como la clasificación, la interacción con API personalizadas y la interpretación de datos de la industria. Se puede acceder a través de la consola o la API de Amazon Bedrock.

Dos académicos chinos de la Universidad Tecnológica de Georgia y NVIDIA han desarrollado conjuntamente un innovador marco de ajuste fino llamado RankRAG. Este marco simplifica significativamente el complejo proceso RAG, utilizando un único LLM para realizar las tareas de recuperación, clasificación y generación de forma unificada, con resultados que superan con creces los procesos tradicionales. La tecnología RAG se utiliza ampliamente para ayudar en la generación de texto a gran escala; sin embargo, los procesos originales identificaron claramente las limitaciones de la selección del valor k: un valor k demasiado grande dificulta el procesamiento de contextos largos, mientras que un valor k demasiado pequeño reduce la eficiencia de la recuperación. RankRA

El martes, LG Uplus, el principal operador móvil de Corea del Sur, lanzó oficialmente su modelo de inteligencia artificial generativa ixi-GEN, uniéndose a la competencia de sus dos mayores rivales, KT Corp. y SK Telecom Co., en la lucha por liderar el mercado de IA generativa B2B.

La tecnología de generación de imágenes basada en texto ha atraído mucha atención, permitiendo a los modelos crear imágenes realistas a partir de descripciones textuales. Los investigadores han presentado el método de ajuste fino ortogonal (OFT), que mejora significativamente el control sobre los modelos de generación de imágenes. OFT mantiene la capacidad de generación semántica del modelo, mejorando la calidad y la eficiencia de la generación. El método OFT tiene amplias aplicaciones en campos como la creación artística y el marketing publicitario, ofreciendo nuevas posibilidades creativas.

El modelo aMUSEd de Hugging Face puede generar imágenes en segundos, lo que lo hace más rápido que competidores como Stable Diffusion. aMUSEd utiliza un modelo ligero de texto a imagen basado en el modelo MUSE de Google. aMUSEd emplea una arquitectura de Modelo de Imagen Enmascarada (MIM), lo que reduce los pasos de inferencia, mejorando la velocidad y la explicabilidad de la generación. El modelo está disponible en Hugging Face.

El laboratorio Tongyi de Alibaba lanza SCEdit, un marco de ajuste fino de código abierto para tareas de generación de imágenes. SCEdit ofrece un rendimiento eficiente en tareas de generación. SCEdit permite un control preciso en tareas de generación controlable. SCEdit reduce el consumo de memoria de entrenamiento.

Lingyi Wanwu ha publicado oficialmente y abierto el modelo de ajuste fino Yi-34B-Chat. Lingyi Wanwu proporciona modelos cuantificados de 4 bits/8 bits. Yi-34B-Chat ha mostrado un rendimiento excepcional en diversas evaluaciones. La serie de modelos Yi ya se ha abierto en la comunidad ModelScope. Los desarrolladores pueden descargar, inferir y entrenar estos modelos en la comunidad.

Cohere anuncia un nuevo conjunto de ajuste fino que incluye funciones de chat, reordenamiento y clasificación de etiquetas múltiples, lo que ayuda a las empresas a personalizar las aplicaciones de IA. El nuevo panel de ajuste fino permite a los usuarios administrar y ejecutar proyectos de ajuste fino, ofreciendo un espacio de prueba, monitorización del progreso en tiempo real y una calculadora de precios. El ajuste fino mejora el rendimiento del modelo, aumentando la precisión de las soluciones generadas en un 60%, las soluciones de chat en un 40%, con entrenamiento de modelos de ajuste fino en 30 minutos y puesta en marcha en 1 minuto. Cohere planea ampliar el número de empleados en su centro de investigación de Londres para satisfacer la demanda de modelos personalizados para empresas a través del ajuste fino.

RA-DIT mejora la capacidad de los modelos lingüísticos para utilizar la información recuperada y para que los mecanismos de recuperación proporcionen resultados relevantes mediante un ajuste fino en dos etapas. RA-DIT supera a los modelos de recuperación mejorados existentes en pruebas de muestra cero y de pocos ejemplos con alta densidad de conocimiento. RA-DIT-65B muestra una mejora en tareas que requieren el uso de conocimiento, demostrando la efectividad del ajuste fino. RA-DIT proporciona una mejora en la capacidad de recuperación de los modelos lingüísticos, mostrando un buen rendimiento en evaluaciones de alta densidad de conocimiento y demostrando la eficacia del ajuste fino.