近日，网易有道在翻译技术领域迈出了重要一步，推出了基于自主研发的子曰翻译大模型2.0的14B 小参数垂类模型。该模型的推出，标志着有道在 AI 翻译的计算资源使用效率和应用场景适应性方面实现了显著提升。14B 小参数模型的优势在于其在训练和推理过程中的计算资源消耗较低，这不仅降低了部署成本，还使其更易于集成到现有的系统与设备中。这一技术创新使得有道翻译能够服务于更广泛的实际应用场景，无论是日常交流还是专业领域的翻译需求。据了解，这一新模型已经全面上线

在近日举行的 2024 西部科技创新生态发展大会上，重庆市气象局正式发布了“天资·12h”人工智能（AI）气象预报大模型，该模型专注于成渝地区的致灾降水精准预报，标志着重庆在气象预报领域迈出了重要一步。“天资·12h”大模型以华为盘古全球气象大模型为基础，融合了成渝地区地面气象实况和高精度地形数据，采用全球与区域大模型融合架构，并结合了三维地球特定变压器（3DEST）模型、多源异构数据融合技术以及强降水小样本处理技术，为提升预报精准率提供了坚实的基础。图源

在人工智能领域，规模越大似乎就意味着能力越强。为了追求更强大的语言模型，各大科技公司都在疯狂堆叠模型参数和训练数据，结果却发现成本也随之水涨船高。难道就没有一种既经济又高效的方法来训练语言模型吗?来自哈佛大学和斯坦福大学的研究人员最近发表了一篇论文，他们发现，模型训练的精度（precision） 就像一把隐藏的钥匙，可以解锁语言模型训练的“成本密码”。什么是模型精度?简单来说，它指的是模型参数和计算过程中使用的数字位数。传统的深度学习模型通常使用

阿里巴巴达摩院（湖畔实验室）在北京发布了一项重要突破:基于全球气象模型开发的"八观"气象大模型。这一名为"八观"(寓意"八方洞察，观测万象")的创新模型，将天气预报精度提升至前所未有的水平。这款气象大模型最显著的特点是其超高精度。通过整合区域多源数据，模型可实现1公里×1公里×1小时的超精细预测分辨率。在实际应用中，该模型在关键气象指标的预测准确度较传统预报有显著提升:辐照度提高40%、风速提高27%、云量提高24%、气温提高11.8%。在技术层面，达摩院决策智能实验

最近大语言模型（LLM）发展迅猛，其中Transformer模型功不可没。Transformer的核心是注意力机制，它像一个信息过滤器，让模型关注句子中最重要的部分。但即使是强大的Transformer，也会被无关信息干扰，就好比你在图书馆想找本书，结果被一堆无关的书淹没，效率自然低下。这种注意力机制产生的无关信息，在论文中被称为注意力噪音。想象一下，你想在文件中找一个关键信息，结果Transformer模型的注意力却分散到各种无关的地方，就像一个近视眼，看不清重点。为了解决这个问题，这篇论

英伟达发布StormCast，一款专为高保真大气动力学模拟设计的生成式AI模型，旨在精确预测中尺度天气，对灾害规划和减灾至关重要。此模型在与科研机构合作的论文中首次亮相，针对频繁发生的极端天气现象，如美国每年超1500亿美元的损失，提供突破性预测能力。StormCast作为NVIDIA Earth-2数字孪生云平台的一部分，结合AI、物理模拟与计算机图形，实现全球天气和气候的高精度模拟与可视化，旨在通过AI技术拯救生命、保护环境。

文本转 SQL 技术让普通用户能通过自然语言轻松查询数据库，但面对复杂数据库结构时，准确转换为 SQL 命令面临挑战。华南理工大学与清华大学研究团队提出了一种新方法——MAG-SQL（多智能生成模型），旨在提升这一过程的准确性。MAG-SQL 通过多个智能体合作，包括“软模式链接器”、“目标-条件分解器”、“子 SQL 生成器”和“子 SQL 修正器”，实现了复杂查询的逐步精确处理。在 BIRD 数据集上的测试显示，使用 GPT-4 模型时，MAG-SQL 的执行准确率达到 61.08%，超越了传统 GPT-4 的 46.35%。即使在使用 GPT-3.5 的情况下，准确率也达到了 57.62%，优于先前的 MAC-SQL 方法。MAG-SQL 的多步骤处理方式使其在复杂数据库查询中表现出色，展示了其在大语言模型应用中的潜力和广泛的适用性。