basics
Firmy AI uwielbiają chwalić się rozmiarem modelu jedną gigantyczną liczbą, jakby sam jej wzrost gwarantował mądrzejszą maszynę.
Parametry to liczba regulowanych wartości, czyli wag, dostrajanych wewnątrz modelu podczas treningu, a nie liczba dokumentów, z których się uczył, ani liczba osób, które może obsłużyć jednocześnie. Ogólnie rzecz biorąc, więcej parametrów oznacza większą zdolność modelu do reprezentowania złożonych wzorców, ponieważ po prostu jest więcej wewnętrznych wartości, które można dostroić, by uchwycić niuanse w danych.
Liczba dokumentów treningowych opisuje rozmiar zbioru danych, na którym uczył się model, a liczba jednoczesnych użytkowników opisuje coś związanego z infrastrukturą serwerową i popytem — obie to zupełnie inne pojęcia niż liczba regulowanych wag wbudowanych w sam model.
Większy rozmiar nie zawsze oznacza lepszą jakość, ponieważ dobrze wytrenowane mniejsze modele coraz częściej dorównują lub przewyższają większe w wielu zadaniach, co pokazuje, że sposób trenowania modelu i dane, na których się uczył, mogą mieć równie duże znaczenie jak sama liczba parametrów.
basics
Jak nazywa się to zjawisko?Jak się nazywała?Jak nazywa się ten etap treningu z ludzką informacją zwrotną?Jak nazywa się ten limit?Llama, flagowy model tego typu, została wydana przez którą firmę?Jak nazywamy modele, które obsługują wiele form danych wejściowych i wyjściowych?Co robią te 'modele rozumujące' podczas tej pauzy?Jak nazywa się to podejście?Jak się nazywa?Jaka jest jedna z głównych odpowiedzi branży?Jak nazywa się ta empiryczna reguła — uzasadnienie miliardowych zakładów?Jak brzmi akronim celu wykraczającego poza AI wyspecjalizowaną w zadaniach — sztuczną inteligencję ogólną, tak wszechstronną jak ludzka?Quration — Quration AIQ