Moore Threads a annoncé la mise en open source de son grand modèle linguistique MooER pour la compréhension audio, devenant ainsi le premier grand modèle linguistique open source basé sur un GPU national complet. MooER prend en charge la reconnaissance vocale et la traduction en chinois et en anglais, adopte une structure de modèle en trois parties et présente de puissantes capacités de traitement multilingue. Le code d'inférence et le modèle entraînés sur 5000 heures de données ont été rendus open source, et le plan est de rendre également open source le code d'entraînement et la version améliorée entraînée sur 80 000 heures de données. Lors des tests comparatifs, MooER-5K a démontré d'excellentes performances, avec un taux d'erreur de caractères (CER) de 4,21 % en chinois et un taux d'erreur de mots (WER) de 17,98 % en anglais.

Moore Threads a annoncé la publication en open source de son propre modèle linguistique de grande taille pour la compréhension audio, MooER. Il s'agit du premier grand modèle linguistique open source basé sur un GPU entièrement fonctionnel et de fabrication nationale pour l'entraînement et l'inférence. Sur la plateforme de calcul Kua E de Moore Threads, MooER a terminé l'entraînement sur des données audio à grande échelle en seulement 38 heures, démontrant d'excellentes performances en reconnaissance vocale chinois/anglais et en traduction automatique chinois/anglais. Il a notamment obtenu un score BLEU de 25,2 sur l'ensemble de tests Covost2 de traduction chinois/anglais, un résultat proche de la qualité industrielle. Moore Threads prévoit de publier prochainement le code d'entraînement en open source.

La plateforme de création IA 'MoBi MaLiang' de Moore Threads annonce une mise à niveau majeure, offrant aux utilisateurs une expérience de génération d'images plus efficace et personnalisée. La version améliorée de MoBi MaLiang renforce particulièrement la compréhension du chinois et de la culture chinoise, permettant une génération plus précise des portraits créatifs. Les utilisateurs peuvent générer rapidement des portraits créatifs personnalisés en trois étapes simples : télécharger une photo, saisir une description et générer l'image.

Les chercheurs de Microsoft ont présenté SpreadsheetLLM, une recherche visant à permettre aux grands modèles de langage (LLM) de comprendre les feuilles de calcul grâce à un cadre de codage innovant, afin de résoudre les problèmes d'efficacité de la gestion et de l'analyse des données. Cette recherche devrait améliorer l'efficacité du traitement des feuilles de calcul en permettant aux utilisateurs de poser des questions à l'IA en langage naturel, sans avoir à maîtriser des formules et des opérations complexes. Les principales contributions incluent deux technologies clés : SheetCompressor et Chain of Spreadsheet, cette dernière permettant de...

Le nouveau système d'IA de Microsoft, SpreadsheetLLM, associe les grands modèles de langage à l'analyse de données de feuilles de calcul pour un traitement des données hautement efficace. Il permet aux utilisateurs de poser des questions en langage naturel (français) pour analyser les données des feuilles de calcul et générer automatiquement des résultats. Cette technologie simplifie le processus d'analyse de données, éliminant le besoin de formules complexes ou de connaissances en programmation. Il suffit d'une simple entrée en langage naturel pour obtenir rapidement des réponses. Largement applicable dans les domaines de la prise de décision en entreprise, SpreadsheetLLM améliore considérablement...

Récemment, Moore Threads et Shizhe AI, le grand modèle linguistique d'IA pour l'éducation multidisciplinaire, ont annoncé conjointement avoir terminé les tests d'entraînement du grand modèle linguistique. S'appuyant sur le cluster de calcul de plusieurs milliers de cartes graphiques Kuae (KUAE) de Moore Threads, Shizhe AI a réussi l'entraînement intensif d'un grand modèle linguistique de 7 milliards de paramètres en une semaine. L'efficacité de l'entraînement a atteint les attentes, démontrant pleinement les capacités de la plateforme nationale de formation à plusieurs milliers de milliards de paramètres basée sur des GPU polyvalents.