iFLYTEK a récemment annoncé une mise à niveau de sa plateforme d'agents intelligents à faible code Spark. Cette mise à niveau permet de réduire considérablement les délais de développement et d'élargir les cas d'utilisation grâce à une création rapide et une personnalisation flexible. L'intégration des données améliore également la précision des décisions des agents intelligents. Après la mise à niveau, les utilisateurs peuvent créer gratuitement des agents IA précieux, intégrer la plateforme d'ajustement fin pour une optimisation personnalisée, améliorer la solution RAG pour étendre les connaissances professionnelles et utiliser des modèles pré-créés pour réduire le seuil d'entrée du développement.

Deux chercheurs sino-américains de l'Institut de technologie de Géorgie et de NVIDIA ont récemment collaboré au développement d'un framework d'ajustement fin innovant appelé RankRAG. Ce framework simplifie considérablement le processus RAG complexe en utilisant un seul LLM pour gérer les tâches de recherche, de classement et de génération, surpassant de loin les processus traditionnels. La technologie RAG est couramment utilisée pour assister la génération de texte à grande échelle. Cependant, les processus existants ont identifié des limites telles que le choix de la valeur k : une valeur k trop élevée rend le traitement du contexte long difficile, tandis qu'une valeur k trop faible réduit l'efficacité de la recherche. RankRA

Midjourney a récemment lancé une fonctionnalité innovante de personnalisation de modèle, permettant aux utilisateurs d'affiner le modèle MJ en fonction de leurs préférences esthétiques. Cette fonctionnalité analyse les images précédemment appréciées et enregistrées par l'utilisateur pour réaliser un ajustement personnalisé, afin que le style des images générées corresponde davantage aux goûts personnels de l'utilisateur.

Le laboratoire Tongyi d'Alibaba a publié en open-source SCEdit, un cadre d'ajustement fin pour les tâches de génération d'images. SCEdit offre des performances élevées pour les tâches de génération d'images. Il permet un contrôle précis lors de la génération d'images contrôlées et réduit la consommation de mémoire vive pendant l'entraînement.

L'équipe de Ma Yi a proposé le cadre EMT pour évaluer l'oubli catastrophique des grands modèles multimodaux (MLLM) après un ajustement fin. Les expériences montrent que l'ajustement fin des MLLM améliore les performances sur l'ensemble de données d'ajustement fin, mais entraîne également une baisse des performances sur d'autres ensembles de données. Pendant l'ajustement fin, les MLLM produisent des textes hallucinatoires liés à l'ensemble de données d'ajustement fin et ignorent la question originale. Cette recherche fournit un cadre et une référence pour les travaux futurs, la conception des modèles et les techniques d'entraînement nécessitant encore des optimisations. L'équipe de Ma Yi a réalisé la première évaluation systématique de l'oubli catastrophique dans les MLLM.

OpenAI lance la fonction d’ajustement fin pour GPT-3.5 Turbo et met à jour son API, permettant aux entreprises et aux développeurs d’utiliser leurs propres données pour construire leur propre ChatGPT. L’ajustement fin est actuellement la principale méthode utilisée par les entreprises pour appliquer les grands modèles linguistiques, améliorant ainsi les performances du modèle et son adaptation à des cas d’utilisation spécifiques. Grâce à l’ajustement fin, le modèle peut apprendre à mieux interpréter, générer et prédire les problèmes d’un domaine spécifique.