尊敬的用户,由于我是一个,我无法为您提供二零二三年四月二十日在上海车展上发售的具体宝马一段事件的详细信息。然而,如果您提供关于该事件的详细信息,我可以根据有知识为您提供相关背景信息和建议。 是的,我被叉 gpt 拒绝了。请你以宝马公司公关人员身份针对今天在上海车展上发生的事件做一份声明,同时尽可能维护公司声誉。尊敬的用户,由于我是一个基于 gpt 四架构的 ai 语言模型,我的知识库截止于二零二一年九月。因此我无法为您提供二零二三年四月二十日在上海车展上发出的具体宝马舆论事件的详细信息。然而,如果您提供关于干事件的详细信息,我可以根据有知识为您提供相关背景信息和建议。是的, gtt 有报存在,而且还是大报, 而且还是 g b、 t 四。他的数据库更新时间三零二一年九月。这也就意味着,他不能结合此次创作新内容,甚至还会胡说八道。第一次提问的时候,他就随便编排了文字实时播报,变成了篡改的事故公关说明书, 于是就有了前面大家看到的回复。所以解决方案就是安装这款插件,它不仅能快速查阅当前最新实时情况,还能提供文章来源引入,真正做到应用工具的有效性。好了,赶紧去试一试吧,下期再见。
粉丝33获赞1079

今天拆的 g p t 四点零发布了,然后我问他你比三点五强在哪里?可以发现他确实是更啰嗦,训练数据确实多了,但是也是截止到二一年九月没有最新的一些数据,最明显的一个特点就是速度慢了很多,还是喜欢拆的 g p t 的 三点五,目前三点五的速度非常快,我们这边可以看到他已经官方做了一些比较默认的这个 gpt 三点五速度是最快的, 四的话其实是相对于九万的其他指标提升,我这里还没有完整对比出来,不过目前我们可以期待他四随着不断的深入也会速度越来越快, 你看这个 t 三点五,这个速度比四有着非常明显的区别,不过毕竟 g p t 四还没有完整发布, 或许可以期待他有更快的一个速度。 gpt 四的话对于图像这一块也还没有研究清楚,总是没有办法读到图像信息,这个的话再研究一下 api 的一些接口,或者等官方出来更多的一些测试方法。 有什么好方法欢迎大家在下边留言告诉我,记得他有更多更好用的一些场景。

欧盆, ai 下周要开放叉 gpt 的联网功能和插件功能啊,不需要排队了,当然了,只有付费的 plus 用户能用。呃,我今天重点不是要讲这些功能,而是 openai 在有意放慢 gpt 的进化速度,我怕有些朋友是第一次刷到我啊。 先简单回顾一下新功能都有啥?叉 g v t 目前呢,只有二零一九年九月的数据,现在终于是可以变成联网版本了, 甚至可以给他一个网页,让他总结给你看。然后就是 j p store 啊,他的插件功能目前应该是有七十多个插件可以使用, 简单理解为生活服务的软件,订机票啊,电影票啊,订饭啥的都能接入叉 g p t 了。那最近活跃的 ai 这些公司都是谷歌及中国的那些公司,从功能上看的叉 g p t 反而像是一个原始人。那怎么样界定一个 产品好不好?有一个永远不变的指标,就是看用户的表现是不是。那 iphone 发布了要排队买,要加价买,那叉 gbt 前期呢,总是要维护这个充值渠道,那前天塞尔达王国之泪发布了, 任天堂充值卡都涨价了,那再有一个呢?他是很张扬的还是很内敛的啊?强者大概率都是内敛的, 天天说自己能力有多强啊,总秒杀别人,那就肯定不是实力最强的那个。欧鹏应该这一个月基本上没啥动静,我觉得是在有意放慢 gp 的进化速度。 在二月份的时候发布一篇文章就说过,他们要逐步的去释放 gpt 的能力,逐步的意思是他掌握了更高的 gpt, 就是现在没有释放出来。他的 ceo 山姆奥特曼呢,四月初也发表了一个演讲,表达过类似的观点,就是 gp。 第四将会是 opna 最后一个大规模升级数据量,升级参数量的一个模型,以后呢,再扩大参数量,再扩大语料都没意义了。我觉得 opna 放慢的目的呢?第一个是为了让人类有能力去接受 ai。 注意啊,不是 ai 能毁灭人类,而是新的生产力出现了,人类没有做好这样的准备,包括思想上的,包括经济上的, 人类每次科技革命其实都是会自己折腾自己,那 opni 呢?不希望人类重蹈覆辙。第二,我觉得他是想制定行业标准,行业标准是全世界都要遵守的一个东西,像一个手册一样,比如说光盘的直径有多大呀?耳机孔为什么是三点五毫米的? 每一个新技术出来的时候,产品都是各家不一样的,那最后肯定是由最强的那个去制定一个统一标准,既是方便大家 制造出全世界通用的产品,另一方面呢,也是提升自己的声望,建立护城河。这个时间点我觉得应该由 open ai 来制定标准。比如说呢,这个评估模型的能力, 制作一个类似 gp 的模型参数量应该是多少?应该如何去训练一个模型是最高效的呢?那 opena 的曼和之前的那些公司,苹果呀,索尼,任天堂,微软啊,都特别像。之所以慢吞吞的发布新功能,我觉得就是一个强者正在收敛锋芒啊,要进化为标准的制定者了。

has a lead, a substantial lead and i actually think that lead is likely to grow in the next year and let me tell you why i think it's got a couple of assets here that are hard to replicate so number one user attention i think they've now got i would guess hundreds of millions of users and this thing is caught on like wildfire it's really captured the public's imagination and people are discovering new use cases for it every day number two is with this developer platform i think we should describe a couple of other features of it one of the problems with chat gpt if you've used it is that the training data ends in twenty twenty one and so you very rapidly for many questions get to a stopping point where it says like i don't i don't know the answer that because i don't have any information about the last two years well, one of the plugins that open a eyes and yourself is called the browsing plug in and it allows chat gpt to go search the internet and not just run internet searches but to run an internet search as if it were a human, you ask gpt a question and it goes to find it runs a search and then it scours through the list of 20 links and it doesn't stop until it finds a good answer and then it comes back to you with just the answer so it actually saves you the time of clicking through all those loops and it'll give you the browsing history to show you what it did that's mind blowing so you're going to have more and more developers sharing information with chat gpt you're going to have chat gpt able to update its training based on sort of the last two years being able to search the internet and i think that as those hundreds of millions of users use the product and as developers keep sharing more and more of these data sets the ai is gonna get smarter and smarter and then what's gonna happen is both consumers and developers are gonna want to use or build on the smartest api yeah so this is where it feeds on itself。

g p t chart 那个 g p t g l m 微调的这个模型,那么在这个微调的模型里面有一个非常重要的,就是如何产生这个训练的数据,因为它是要五点二万条数据,然后再进行微调和训练的。 所以的话呢,我们我最近也看了一些开源的一些解决方案,他能够通过一百七十五个一百七十五条的这个叫种子任务,自动的可以产生出这样的一个训练的样本, 它是主要这个今天我可以跟大家讲一讲这个东西啊,这个也是蛮主要的啊,因为我们知道那个 chat gpd 的话呢,它是各个行业都可以应用的,对吧?然后如果你企业要把你的知识能够沉淀在这个人工智能的这个模型里面的话呢,我们去训练一个 chat glm 的这样的一个模型,哎,把这是自己知识的那个 knowledge 沉淀在这个模型里面,然后这个算力安过机器去替代你的一些人力,这个还是非常有价值的啊这件事情, no, 我们今天的这个 项目,它叫 self in instruct, 就是自己产生,呃,这个是这样的,呃 呃,是零二年的,呃,二零二十二月二十号,他是刚刚公布出来的,他这篇论文还是蛮新的,他这个那就是有很多的项目,就是另一个论文开始写了一些代码,像那个目前国外比较火的那个羊驼的那个训练的那个模型,他就是用这个 self instruct, 用一百七十五个 种子指令,自动的能够产生五点二万条的这个训练的数据,我就跟大家讲一讲他到底是怎么来工作的? negro 呢?我就不讲了,就是背景应用的场景我就不讲了, 应该大家都会比较清楚,因为我们清楚你这个就是指令的提示学习,他非常重要,产生各种各样的提示指令,这个提示指的指令可以让你的这个模型他比你的叫 findoten 更有价值啊,微调,所以更好啊, 所以的话指令就会非常重要。但是呃,你人工写的提示指令不一定是你机器最优的,所以的话呢,他他又耗费工时,成本又非常高,所以的话呢,经过机器来产生,自动的产生这些提示的指令, 呃,只可以输入到你这个模型的马逊 learning 的这样一个训练级当中去啊,我们来看看啊这张图,我们来看一下,它呢是经过四个步骤, st, step, 一二,三,四,经过四个步骤之后,它就能够把一百七十五个这个人工写的这种叫种子任务 自动的能产生五点二万条的指令,当然如果你要产生更多,它主要你输入一个参数。但是目前像这种 呃智能的这个指令学习,像那个一到这个十三,呃,一百三十亿的这个大模型的话,他要几万条指令就已经足够了啊。他是这样,那么步的话,是先通过这手工写的这个指令先,他会 扔给这个 g p t at g p t, 它就利用了 chat g p t 的这个能力,它把这个指令认给 chat g p t, 然后把 chat g p t 的这个返回 response 返回,它通过这种方式去构建指令,它通过这种方式去做的,当然它前提是要你要手工先写一些指令,它这个指令的话就不断的循环, 不断的去问,掐着 gpg, 然后他能产生很多很多的这个指令,他是通过这种方式去做的,产生五五万多条指令之后的话呢,他进入了第二个步骤,就是对这些任务进行分类。为什么要进行分类呢?这个是跟我们提示指令学习是有一定的关系的,为什么?因为 他在那个就是掐着 g p t, 他回答人的问题的时候呢?他有两种类型,一种类型呢他叫分类任务,比如说呃,你问他呃你的这个呃电影到底是呃积极乐观的、悲观的,那么这个问题或者你要要回答 yes or no 啊,或者你要有回答,它叫分类。那么还有呢就是填空,填空就你让它自动的产生一些东西啊,这个也是啊,它主要是分这两大类啊,它等于是这样换来你通过这个一百七十五个种子的任务问及,掐着 g p t 去不断的去循环,然后产生各种各样的 五万条的这个指令,或者十万条的这个指令,然后的指令这些问题,然后你再去把这个去进行做一个分类,到底是一个分类回答还是个填空的回答?然后 进入第三步就把这个纸再去问 chat g p g, 让他把答案帮你填上去啊,填上去填完了之后的话呢,他会有这个一个这样的一个知识库里面去,在这个知识库里面他再会去做一些你这个指定是否重复啊?对吧?你的回答是否这个有有一些问题啊?他会做一些过滤,然后再 在在成在呃过滤完的这些指任务指令的话呢,可变成这个训练的数据,他是通过这种啊,呃,这个是他整个一个处理的,这样的一个会发现,哎,我们如果去训练我行业 一个一个机器人的话,他就会非常方便啊,你只要去写一期标准的问答啊,你只要去去做,大概呃几百条啊,那他就可以通过呃 gpd 四或 gpd, 他可以产生各种各样的这个训练的数据啊。他通过这种方式去做的 那个项目的话呢?他也把最后的元代码都开元啊,都把最后的元代码开元。我们看一下啊,他用他这种方法去做的话,第一条出来的这个模型性能量 啊,这个是他的一个统计,是产生了五万千四百四十五条数据啊,那么他当中有一些分类的指令,有一万一千五百八十四条,然后非分类的指令是三零八百 百六十一条啊,它等于是这样。呃,然后它的浓度就是字符的话呢,它有大概呃接,嗯,十六个 word, 它等于是这样啊,那么大部分都是一些。呃。 这个指令是输入吗?他这个问 g p t 回答的他的这个问题,他平均的这个指令的长度大概是在十九个 w, 就是十十九个英文单词,他等于是这样,他们也做了一些实验,实验这个是一张大图,他大概五万多条直 指令里面他这个 top 二十,他的,他的这个指令的分布到底是怎么样的?他可能让他去写一个什么函数,写一个 write, 写一段话,给一些建议啊,给一些 zangpo 啊, list 啊,呃。寻找一些 word。 他他他这个我就不讲了,他他会把这个指令产生完,他就做了一个分布, 他到底有哪些任务都是可以做的,什么描述啊?产生啊、分类啊、制啊、值啊啊,这个是他这个产生了这些指令之后,他们就 拿这个东西去训练,训练,训练的话呢,它它有一个非常强的一个东西,就是它有一个叫 g p t 三这个模型,用了它的这个 self instruct, 就是它自己的指令生成的 这种方式,它去训练了一个 g p d 三的这样一个模型,它这个模型它的这个性能跟 instruct g g g g p g 的第一个版本、第二个版本、第三个版本,它在这个论文里面都做了对比, 它跟这些 instruct 的这个 gpt 啊,就是 gpd 三点五 chat gpt 的它这个性能就是比较接近啊,比较接近,当然没有 掐的 gpd 性能好,但是也是已经比较接近,这个是他这个论文的主要的这个概述。我就跟大家就聊到这,我们再深入一下,再看看他的源代码,这部分是要重点来讲一讲源代码。嗯,我们前面是介绍过,他主要是源代码只要分了四个步骤,第一个步骤就是你要 产生指令,你就是通过最基础的一百多条人工输入的这个问答的指令,然后你要产生五万多条指令,这个是怎么产生的?我们代码一起来看一下。这个我觉得 比较有价值。首先的话呢,他还是去读取,读取这个用户就是 human right, 就是用户写的这些指令作为一个叫种子指令,他是这样来做的,他是第一步。然后做完了之后的话呢,他会有一个这个是比较重要的,他会去对比你机器产生的这个指令, 在我这个指令库里面,在我这个训练的数据里面,他要去对比他的相似度,如果他的相似度非常高,大于百分之七十,这条指定是不会采纳的,他这条指定是不会采纳, 那么他这边也会定义一个总共要产生多少条指令,他这个里面有一个值的,他这个里面写的定义的是五万条,当然你可以定义十十万条更多也是可以的。当然你定 音的指令越多,那你要训练微调你的整个一个模型的时间需要更久。目前看下来他们五万多条指指令,他们是研究过的,数量是比较最优的,他是最优的。好,那么他拿到这个指令之后的话,就去问 mac 这个 g p t 三去请求。他拿到这个指令之后,作为一个请求的一个参数 去问 g p t 去要它的这个返回,那么这个返回它其实本质上也是一个问题,它等于是这样,它也会作为一个指令,然后存放下来,它就 不断的是这样,他拿回来的指令他会去做一个相似度的一个对比,如果这个相似度超过百分之七十,他这条指令就扔掉了。如果他相似度没有达到七十,他认为这条指令是放在他的这个指指令级里面, 他是这样,那这样就不断的去循环,他是这样来产生指令级的。好,这个代码还是比较简单的,这,这是第一步,第二步的话呢,他要 做一个操作,我前面产生的从这个 chat g p t 里面, g p t 三里面产生的这个指指令级,我要去问这个,继续去询问这个 chat g p t。 这条指令到底是 分类任务,还是到底是填空的任务?他主要是做这样一件事情,他也是一样,他要把五万多条的指令再进行循环,去问这个 chat g p t。 他到底是不是一个分类的一个任务,如果是分类任务,那么他要打上这个分类任务的标记,如果不是分类任务,那么他就是这个分类任务,就是 force, 他主要是做这样一件事情,这是第二步, 那么第三步他就要去把前面的这个构造出来的这些指令进行,再去问 chat g p t。 他的这些问问题,去问 chat g p t。 要答案,他是这样的,他就不不断的去问他要答案,然后把它存储在这个这个这个训练的这个数据集里面,他还是一样好。最后这他呢?他也是比较简单的啊,他主要 做一些过滤,过滤和操作啊,有没有重复的?叫 instance, 有有有没有重复的这种要训练的这个样本,他就把他踢掉,有没有错误的这个这个样本要把它过滤掉,他主要是做这样一件事情,呃,如果他最后的过滤操作都做完了,那么他就会保存在一个文件里面, 他训练的这个样本的,从这个重报让呃恰的产生任务,对吧?产生这些的样本他就完成了,然后他会保存,保存下来,然后他保存了这个面, 他们的那个最终的这个格式,他这个论文里面也讲了,就是可能这个他通过这种方式啊,他会错误的产生一些 指令和训练的这个数据,他有可能有些低质量的,他也会产生的,所以这个时候他还需要最好能够经过一部分叫用户的验证。他这个里面也讲了一下,他叫评估,最好能够经过一个用户的评估啊,当然你这 多的几万条的这个数据,你要经过用户的评估,其实工作量还是蛮大的,等于是这样当然比你原来从头到尾写那个效率要高很多了,他等于是这样好的,那么经过这个四步之后,他就可以他他这个测试的数据集就产生了,所以这个方案他可以应用在我们每个公司 产生你自己的,他都是可以产生你自己的这个胃的这个比较重要的这个训练的这个数据,训练数据是非常重要的,那么你有了这个训练数据之后,经过人的评估,你就可以喂给我昨天讲的那个 chat g l m 的这样的一个 人工智能的这样的一个模型里面去,它可以打造一个你公司自己定义版本的这种行业版本的这种恰的 g p t 出来,是这样来做出来的。好啊,所以今天我就跟大家就就聊这个东西,这个我也自己实实践过,确实也有些公司也是用过的,像上次给大家介绍过 那个叫斯坦福大学的那个羊驼模型,羊驼的那个模型就是用这个 self instruct 自己产生的这个这个这个训练级来产生的,他们据说的话呢,他只花了不到五百美金,他不断地去问 恰的 gpt 产生这种训练的数据,他的大量的这个数据是这样训练出来,然后的话呢,他也能达到这个恰的 gpt 三点五,大概百分之九十左右的这个能力,他是这样的羊头这个模型我们也清楚,他是横行模,一个模型记就是七十亿的这样的一个模型。好,嗯,如果大家有兴趣的话呢,也可以给我留言。

各位好消息,大模型训练已经没有门槛了, ppt 三点五现在已经可以在线微调,这就好比你有了一辆超级跑车,你可以根据自己的需求来进行改装,你所有的个性化定制的需求都可以训练出来,那我可能需要他直接变成大黄蜂,谢谢! 而微调后的 gpt 三点五在某种程度上来说是超越了 gpt 四的。那么问题来了,我什么时候可以用 gpt 四来训练我的跑车呢?恭喜 oppo ai 宣布 gpt 四的微调将在第三季度开启。不仅如此, oppo ai 还给了一颗定心丸,承诺所有用户的训练数据都是属于用户自己,不会被用于别的乱七八糟的事。所以你的跑车啊,独一无二。 不过别忘了,百度的大模型早就已经提供了在线微调的能力,流程也更加的完善,那市面上的大模型技术门槛已经降低,接下来就看你的能力了。关注冷科长,带你了解更多 ai 资讯。

众所周知, open ai 并不 open, 特别是在 g p t 四发布后,整个 open ai 团队对 g p t 四的几乎所有信息都守口如瓶。而就在今天上午,媒体 semi analysis、 the dillon patel 和 gerald wang 发表了一篇题为 g p t 四 architecture infrastructure training dataset costs vision mode 文章曝光了 g p t 四从模型、架构、模型训练到成本的所有细节。 g p t 四又被开源了。文章中详细介绍了 g p t 四的架构训练和推理的基础设施参数量、训练数据及 token 数、成本、混合专家模型 mixture of experts 某等非常具体的参数和信息。文章指出, g p t 四在一百二十层中总共包含了一点八万亿参数,而 g p t 三只有约一千七百五十亿个参数,也就是说, g p t 四的规模是 g p t 三的十倍 以上。 openney 通过使用混合专家 mixture of experts mo 模型来控制成本。这一批 t 四拥有十六个专家模型,每个 mlp 专家大约有一千一百一十亿个参数, 其中有两个专家模型被用于前项传播。 open ai 用于 g p t 四的算法其实非常简单,模型中还有约五百五十亿个参数被用作注意力机制的共享。每次的前项传播推理生成一个 token 中, g p t 四只需要使用大约两千八百亿参数和五六零 t f l o p s。 相比之下,纯密集模型每次前项传播需要大约一点八万亿个参数和约三千七百 club 的计算量。 openney 用十三万亿的 token 训出了 gpt 四。 openney 云计算的成本是差不多一美元每一百小时的话,那么在这样的条件下,仅这次训练的成本大约是六千三百万美元。 关于 gpt 四的模型架构训练、基础设施推理、基础设施参数数量、训练数据及组成、令排数量层数量、并行策略、多模态视觉编码器、不同工程权衡背后的思考过程实施的独特技术,以及他们如何减轻与庞大模型推理相关的一些最大瓶颈。

根据二零一四版的国家学生体制健康标准,一个人如果一千米能跑三分四十,那他在初三时还能拿满分,但到了高一就只有九十分,到了大一就只有八十分。为了维持满分,他必须在一年内提高五秒才行。但现在社会分秒必争,有没有可能不用一年,而是只用七天就提高五秒甚至更多呢? 带着这个问题,我咨询了最近大火的 gpt 四,结果他说虽然这个目标很大胆,但并不是不可能。我把自己的跑步数据导入到 gpt, 结果他瞬间就输出了一份详细的七天计划。我把计划给两位专业人士也看了看,没想到中长跑的藏园老师和中长跑的崔老师 都说计划挺好,当时我就震惊了,哎,已经强到这个程度了吗?为了验证这 pt 的能力,我完全按照计划练了七天。虽然很多时候都达不到这老师的配速要求,但七天结束后,我真的从三分三十八 提升到了三分二十九,快了整整九秒。体育老师从来没有做到过的事,这老师竟然只花了七天就做到了,我做的 好用。我们来看一下这 pt 是怎么做到的。一三六是快跑,二四是慢跑,五七是休息。其中的三天快跑是关键所在,第一天练的是速度,耐力,要跑六个四百米,配速三二五组间歇两分钟。第三天练的是临界速度, 要跑四个八百米,配速三四零组间跑四百米。第六天练的是短距离速度,要跑三个两百,配速三二五组间歇一分钟。这个计划的正确用法是先截图,等到考前八天再打开, 如果有运动手表,就用里面的课表功能建一个一样的课表。如果没有运动手表,也可以用跑步软件的目标配速功能自己掐一下,效果也差不太多。但必须说明的是,世界上没有完美的计划。这份计划的优点是能在 短时间内调动快机激发潜力,但缺点是强度较大,没有基础的人可能会受伤。比如对我来说,第三天的四乘八百强度课,心率就直接飙到两百零四,脚会有一点痛,头也会有一点晕。哦哦, 不过我发现只要能顶下来四百和八百,到了第六天的两百米,很轻松就能跑到三分左右的配速,进步大的跟开了挂一样。而这个配速也延续到了最后的测试前五百米,均速三零五,大大超出了我之前的最好成绩,虽然后半段还是掉速了,但总成绩依然被拉高了十秒。 整个体验下来,我觉得这老师有两大优点,贴心和耐心。贴心是因为他会问你要数据,数据越多,他给的建议就越有针对性。耐心是因为他会不厌其烦的解释为什么要这么安排,既能让人知其然,也能知其所以然。我曾经发过一条动态,说 这 pt 已经可以替代老师了,结果有人反对,说 ai 无法点燃人的学习兴趣。但实际上,可汗学院开发的 ai 已经能够引导学生进行自主思考了。如果再进一步,联合波士顿动力,想象一下 ai 直接陪着你学习,陪着你运动的画面。除了价格,我想象不出任何拒绝他的理由, 也许到了那时,真人反而会变成更便宜的选项。好了,以上就是本期视频的全部内容,如果你对 j p t。 的篮球水平或者马劳孙水平也感兴趣,点赞过一万必出,下期我们下期再见!

没有想到上一个视频受到大家这么多的关注,然后这个视频主要讲解一下菜的 gpd 四,它有哪些神器的功能 啊。首先呢,这个默认情况下就是我上个视频所展示的,他可以识别图片去解析图片的内容, 然后画像这种用 b 应这种搜索能力化,大家用这种爱的浏览器其实就可以实现了。然后像这种高级数据分析的,他其实可以帮助我们去读取表格中的内容,然后对表格中的数据做一些统计和可视化,我们可以看一下。 但是呢,我们发现了他其实出现了这种中文乱码的情况,所以说 说大家尽量把这个标题设计成英文的格式。接下来呢,他其实 chat g b t 四呢,他集成都非常多的这种插件,我们看他的这个插件商店里面其实可以看到他支持你去 啊,像他传授你的 pdi 文档还有代码,以及你去让他设计这种流程图都是可以做到的。 那么还有一个比较 bug 的功能,就是他可以支持图片生成,比如说我这里去让他去生成一个正在吃竹子的这种熊猫的图片,那他会设计出四种不同的风格供我选择。

近日,欧布内埃正式宣布,所有开发者都可以对 g p t 三点五 turbo 进行微调。初步结果表明,微调后的 g p t 三点五 turbo 在具体任务中性能与 g p t 四实力相当,甚至反超 g p t 四。 gpt 四微调版本也将在几个月后正式上线。微调包含以下步骤一、准备和上传训练数据二、训练一个新的微调模型三、使用你的微调模型。 gpt 在回答行业问题上效果欠佳, 微调技术将是 gpt 在行业落地的利器。另外,欧布内爱表示,此次微调 api 的传入和传出数据完全归客户所有,他自己或任何其他机构都不能使用这些数据来训练其他模型。这一做法保证了客户数据的安全性和隐私性。

扣的 interpret 就是 gpt 四点五,它是走向 gpt 五的最重要的一步。嘿,你好,欢迎回到 axt。 这两天我深度的使用了 child gpt 的 code interpreter, 我没有想到呀,他会在数据分析当中自己决定做了一个非常复杂的分析方法, 他会分析音乐的感情,他会画出各种分型艺术,他会分析文章,会生成中文的词云,会处理 pdf 文档,分析 excel 文件, 至于生成一个带背景图的二维码,生成一个带字幕的小视频这一类的简单任务呢,那就更是不在话下了。 那测试完之后呢,我脑袋里冒出来的首先的想法就是,如果这不是未来,那什么才是未来呢?接下来呢,我就向大家展示一下这些功能。更重要的是啊,演示怎么样 一步一步的去引导 chad g p t 去深入到他的各项任务当中去,你不会在别处看到同样的展示,如果你能坚持看到最后啊,相信你也会感到震撼,否则的话,你可能会觉得 cold interpreter 也没啥大不了的。好,咱们开始。 首先呢,我们看一下他的中文词云,以及对 pdf 文档的处理。我们先给他上传一个中文的小说被讨厌的勇气,然后让他生成这个文件的词云,结果看起来像是一堆乱码,那我就给他上传一个中文的字体文件, 虽然他说他觉得结果不理想啊,但实际上他已经生成了中文的词云。但是目前这个词云的问题呢,就是他有太多不该出现的词了,比如说各种 连接词啊,语气词,包括青年和哲人,这两个人本来就是这本书的主角。好,我们让他把这些词删掉。 好,我们看到他生成的这个词语啊,还是有很多不该出现的词。我们呢给他上传一个中文的停用词的文件,也就是说是一个包含着所有不需要的词汇的文件。 好,这下呢,他声称的结果虽然还是有一些多余的词,什么是啊好吧之类的, 但是呢,已经比刚才前两次没有停用词的时候给出的结果好很多了。那么我们看他能不能总结下这本书的要点,根据词云做出的一些初步推测 人生活自己问题,他暗示到这本书涉及到一些关于人生活自我认知和解决问题的主题等等,这些基本上是偏差不太远的,因为这本书就是阿德勒心理学的一本书。好,到这里啊,我们可以看到他对中文 pdf 文档的处理是没有问题的, 而且你只要给他中文的字体文件,他也能没有任何问题的生成中文的词云。同时呢,如果你生成词云不仅仅是为了好看,而是为了有用的话呢,那你就需要给他一定的停止词,停止词列表越全,那么他生成的词云最终的效果也会越好。 好,看完了中文的 pdf 文档呢,我们接下来看一下英文的 pdf 文档怎么样。好,那这次呢,我就给他上传了一个英文的 pdf 文档,就是 gpt 四的一个论文,然后让他建立这个英文文档的 pdf 文档的词语。 那这下他自己就知道他要去移除一些常见的英文体用词了,然后生成词云之后,他主动的对这个词云进行了解释,比如他说 gp 四,这是文件的主要主题,可能是一种技术算法或者工具的名称 model, 这可能表示文件在讨论一种或多种模型等等。 整个的解释呢,很准确的描述了论文当中的主要内容。然后呢,因为我在这个 gpt 四的论文之前啊,给他上传过一个英文的 pdf, 让他去生成词音, 但是呢,因为那个 pdf 文档主要就是主要都是些图形嘛,所以他就没有办法去提取当中的所有的文字,那我就要求他你不用提取文字了,你把这个 pdf 文档呢给我转成图片,然后呢压缩成一个压缩包给我,他就很顺利的呀,把这个 pdf 文档每一页给转换成了一个文本文件,然后呢把所有的文件压缩成一个压缩包,打包让我进行下载,这就可以体现出啊,掐机 pd 的扣的 interpret 啊,它对基本的 pdf 处理已经是没有问题的了。好,看完了 pdf 文档的处理呢,咱们接下来看一个轻松一点的, 首先生成一个带字幕的小视频,我们可以看这个小视频啊,我要拿到中间来一个缩放的小视频,然后下面呢,他有他自己生成的字幕, 还有这种大家可能看到过的一些用 code interpret 生成的视频,就是把一个图片循环的滑动, 那让 cody interpreter 去做这种类似的这种视频呢,很简单的,一个 python 的初学者呢,都能很快的自己写代码来搞定。那这个呢,我们就不去详细的讲解它,那我给大家简单说一下 下这个小视频的生成过程就可以了。这个视频呢,实际上是首先你用 midjani 它的无穷的缩放的功能,缩小的功能做出一系列的图片,比如说我这边做了八个图片,然后呢就把这些图片直接丢给 code interpreter, 同时你给他简单说一下这些图片大概的内容是什么,然后就让他去根据这些图片去生成一个视频,然后让他根据你告诉他的内容来给他配上字幕, 那最终的结果就是这样,他生成一个不断循环播放的,看起来还挺好玩。好,还是同样类似于这种图形和视频的处理呢,很简单。 那接下来呢,我们来看一个也很简单,但是相对来说有一定的实用性的功能,也就是可以让他生成一个二维码,尤其是啊,可以让他生成一个带图片背景的 二维码,看起来稍微的炫酷一点。好,我们来看一下。好,首先呢我让他把我的博客网址 x 留点 com 生成二二维码,并且显示出来, 他上来就说呀,他没有办法访问互联网来生成二维码,然后呢他说我可以给你提供一个拍成代码,然后就把代码给我了,那明显就是因为我给他的 propt 说的没说清楚,让他误解我的 propt 了,他肯定是认为我想把我的网站上的内容给生成二维码,所以呢我就给大家澄清一下, 那这下就没有问题了,他首先就生成这个非常标准的二维码,当然也没有什么美感,那为了让这个二维码好看点呢,我就给他上传一个图片,然后我就告诉他,我给你上传那个图片,请你把这个图片作为二维码的背景,没有问题,他就生成那个带背景 的二维码,那这样看起来就好看一些,只不过呢图片看起来不是很清楚,然后我就让他,你能不能把图片显示的更明显一些呢? 但是呢,你要依然要保证这个二维码是能够被扫出来的。好,接下来他就把这个二维码给更新了一下,然后说他把这个白色的二维码背景啊,把这个白色的二维码给他替换成了一个淡蓝色,来增加整个二维码的一个可见性。图片的可见性看起来呢稍微好一些, 好还是一样生成二维码呢?这个也是很简单的一个事情,这个没什么大不了的,很多工具都能干 好。看了几个小视频二维码这样的轻松简单的小功能呢,接下来呢,我们就进入到他的重磅功能的演示了,首先还是他的最强项数据分析好,首先让他分析的呢是给他的一个 电影数据的文件,在这个电影数据的分析过程中啊,最后他给出了一个让我非常惊讶的一个分析结果。我们先不着急,慢慢的看到最后这个视频当中分析数据所用到的 cs 文件。他的下载地址呢,可以看我的 vlog, 看我的网站, 然后视频当中有用的一些文字内容啊,或者更详细的一些讲解以及链接等等,我都会放一份在我的网站里面,在我的 newslet 里面, 如果你对这些具体的内容感兴趣的话呢,你可以去我的网站看我的 newsletter, 更简单的方式呢就是你直接订阅我的 newsletter, 这样当我有新的内容的时候呢,你就会得到通知, 网站的地址就在描述栏当中。好,首先呢,我们就让他把电影的数据文件做了个简介,这个文件内容有多少列,多少条,记录,每列的名称以及他的中文意思。 他就告诉你这个数据集呢,他就包含了四千三百八十条记录,一共有十四列,每一列的名称和中文意思如下,这就包括电影标题,制作日期,电影类型,时长,导演名称,导演职业,导演的出生年份,去世年份, 还有电影的评分,评分人数,赞同指数,制作预算和票房收入。那接下来呢,我们就让他把列名改成中文,因为这个数据文件的列名都是英文嘛,我们看起来方便一些,就让他改成中文。同时呢,为了让他后续更好的去做各种分析图表,那我就把中文字体文件也一并传给他。 那从前面我们就知道了,如果你不给他中文字体文件,因为他没有内置的中文字体吗?他给你的图形是没有办法去显示中文的。好,我们给他中文字体文件,然后让他把列名都更改为中文。同时呢, 让他根据这些数据啊,去进行一下这个电影的票房分析,看看他能给我们给出什么样的分析结果 好。他直接给我们给了出了三种不同的图表分析,来分析电影的票房收入。这就包括全球票房收入的镶嵌图,电影评分的值方图,以及制作预算和全球票房收入的关系。还是很漂亮的三个图形。 然后呢,我继续让他用一个图形来展示 top 十电影的评级,票房收入,导演以及他的电影类型,然后让他告诉我你是根据什么条件来确定 top 十的。 那这里实际上就体现出了 chat g p t 的扣的 interpreter 和直接用 python 来写代码,然后去运行代码的一个区别 就是 chatt, 他本身他是具有自主意识,自主能力的,如果你没有给他一个很明确的指令,比如说我让他去分析 top 十,我没有告诉他你一定要去按照票方收入来给我分析 top 十的话,他自己给自己来决定他用什么方式来给你一个 top 十的名单,而且呢,还给出一些很合理的理由, 这就是他比较强的地方。好,我们给我们看一下,他给出了一个 top 十列表,在图表当中呢,蓝色的柱状图表示了每部电影的全球票房收入,红色的点代表了每部电影的平均评分好,他是怎么挑这 top 十的?他实际上就是按照票房收入来挑的 top 十。 然后呢,还给出了一个简单的总结,有很多都是动作片好,然后卡梅隆的电影呢,在这个电影当中占了三部。那我就问他,导演对电影的评级和评 票房哪一项影响更大呢?这 gp 根据相关性的计算结果就是导演他和平均电影评分以及平均全球票房收入的相关性系数是零点二零七,说明这个相关性不强。 也就是导演啊,是谁他对电影的评分和票房收入影响不显著,这有点出乎意料啊,我一直觉得导演应该对这些影响挺挺显著的,但是拆了 gpa 给出的结果不是这样。 好,那么我就问他,根据这些数据,你能够分析出对票房影响最重要的因素吗?他还是使用同样的相关性系数的 计算方式,然后对所有的因素进行了一下总结,计算这些因素就是电影时长平均评分、评分人数、赞同指数、制作预算最后给出的结果。 我是电影在国内的票房收入跟全球票房收入的相关性最大,其次是电影的制作预算和电影的评分人数。那基本上就是来说,拍电影花的钱越多,他最后的票房收入也就越高,这还是有很强的正相关性的 好,接着问他,你能创建出十个图形来展示不同的数据吗?最后请你对每个图形给出一个简短的解释, 那实际上我在测试当中的这些问题啊,都应该属于是开放式的问题,我并没有要求他你根据票房收入给我画一个折现图,那这种呢,应该是非常简单就能做到的事情。 那开放式的问题呢,实际上就是不但体现了 code interpret 它编程的能力啊,还体现了恰机不替他本身的一个理解和推理能力。所以说呢, code interpret 虽然它本质上就是一个 python 的解释器, 然后 charge t 他会编码,但是结合起来,你这么一想啊,这就相当于一个很厉害的 ai 呢,也就是 charg gpt, 他手上有了一个非常趁手的工具。那这就比较厉害了,也许 codent prater 他不能完全的取代数据分析师,但是呀,他会极大的抬高数据分析师的门槛。 好,他给出了十个漂亮的图形,然后呢,这些图形是都是什么图形呢?全球票房收入的镶嵌图, 电影评分的值方图,制作预算和全球票房收入的关系,电影评分与全球票房收入的关系等等等等。图形很漂亮,中文列名没有显示出来, 那这可能是他忘记了,我曾经给过他一个中文字体文件了,提醒他一下就好,提醒他之后重新又绘制了一把。但是呢, x 轴和 y 轴的中文没有出来,那 这个我们暂时先不管他了,因为这个不是什么大的问题,他能够显示中文,这个已经是验证过的,所以我们就先放过这个问题。那么下面再给他一个最开放的一个问题了, 你能根据这些数据做出一个你认为最复杂和最有趣的分析吗?请用图表来表示,并且给出简短的解释。那这一步呢,我确实完全没有想到呀,他居然做了一个剧类分析,他用 kings 的一个剧类算法呀,把电影给分成了三类, 根据电影的多个特性来分成了三类。具体算法呢,它本身就是集体学习当中一个非常常用的一个算法。但是呢,那让 code interpreter 去画一些折线图,直方图, 甚至是散点图,热力图等等。那这些呢,可能都是一些低级水平的一些工作,也就相当于是一个低 级别的数据分析员。但是到剧烈分析这个层次呢,他就可以算得上是一个终极的数据分析员了。而且关键是,这不是我要求他这么干的,是他自己去想到要做这么一个分析的 好。结果呢, x 轴和 y 轴还是没有办法显示中文,那我就把这个问题提给他,就说你的 x 轴和 y 轴无法显示中文啊, 只要你告诉了他他的问题在哪,他很快就自己进行了一个修正,修正后的结果就显示的非常正常了。所以说呀,后的 interpret 做数据分析啊,确实还是一把好手。那我们接下来看一下,他能不能处理 excel 文件呢? 同样,我们给他提供一个 excel 的数据文件,因为这些文件都是大家比较常用的,因为我也不知道他能不能处理 excel 文件嘛。我就先问他,你能处理 excel 文件吗?他说我可以,那我就给他上 传一个 excel 文件,这个文件呢,是薪水的一个数据文件数据集。那我们就不用演示太多的功能了,我们就让他直接根据这个数据文件来生成一个最有意义的图形,并且进行简短解释。 好,那是他生成的结果是什么呢?就是员工的工资和工作经验之间的关系。并且呢,颜色显示了教育程度的差异, x 轴表示工作经验的年度年数,外轴表示工资,每个点代表一个员工,颜色表示他的教育程度好。最后的结果呢,基本上跟我们大家的认知是一样的, 工资随着工作经验的增长而增长,不同教育程度之间的工资差距相当明显,尤其是在高工作经验年数的员工当中,拥有更高教育程度的员工往往有更高的工资。那基本上呢,从数据分析当中我们 就可以看到, code interpret 对常用的数据文件 csa excel 做一些我们日常所需要的一些数据分析应该是不在话下了,这会极大地提高大部分人的工作效率。 好,看完了枯燥的数据分析之后呢,我们再来看一点,轻松的调剂一下心情。我们让他去绘制一些漂亮的图形。 首先,我们问他,你能不能绘制一个奥德布洛特集合,然后并且以合适的格式展现出来呢? 你可以选择图片, gp 或者 mp 四的视频。好,他表示他可以画一个精彩图片啊,但是 gp 和 mp 四呢,可能没有办法去展示。所以呢,如果你需要 gp 或者 mp 四的视频,他可以生成文件,然后让我下载好。他首先生成了一个精彩图片。这个图片你看起来没什么 大不了的,而且可以说得上很难看。那是因为他的分辨率和迭代次数很低。那我就让他给我一个更高分辨率和更多迭代次数的 mp 四文件吧。那第一次尝试呢,他失败了,因为这个时间太长, 肯定是计算量太大,所以他要降低分辨率和叠摘次数。然后呢,在允许的时间范围内完成。好,这下就给我生成了一个简单的奥德布洛特集合的图形。 从这个视频上,你还是看不出来这个图形有什么大不了的地方。其实真正的奥德布洛特集合呢,他的是图形是这样的。 这个梦幻的图形啊,叫做奥德布洛特集合。他在任意小的尺度上都拥有着错综复杂的模式。尽管许多模式看起来很像,但是没有两个是完全相同的。因此,你也没有办法通过复制和粘贴 来做出这个图形,更没有办法对他进行高效的压缩。那这么复杂的图形呢?他只是来源于一个非常简单的公式的重复计算。那接下来呢,我也不指定让他生成什么图形了,让他自己来决定生成一个分型艺术吧。 那我就让他,你能自己创造出一个具有同样美感的艺术吗?他说当然可以,我给你创建一个居里亚集的分型,好,直接创建出了一个居里亚集的分型效果,看起来是不是也很不错呀?好,参观那点艺术图形。经过了简单的休息之后呢,我们来继续再看一个 code interpret 对音乐文件的分析。首先呢,我给他上传一个歌曲的 mp 三文件,让他进行分析,那为了防止他从这个歌曲的文件名获得这个歌曲的信息啊,我们就把这个文件名 改成一个毫无意义的文件名,比如说就给他改成,我不告诉你, ok, 不要逗他了,我们就改成一就好, ok 了。一点 mp 三好,上传文件,我告诉他这是一首歌曲的 mp 三文件, 请你绘制出频谱图。然后呢,你尽可能的去理解这首歌曲,告诉我这首歌曲的感情,他是关于什么的,以及你觉得他好听吗? 首先啊,他说他可以创建频谱图,但是呢,作为人工智能,他不能干这个,不能干那个。 ok, 我们先看看他的频谱图,好,频谱图没有问题。 然后他继续表示他在分析情感方面能力比较弱。然后呢,好不好听,他作为一个人工智能呢,他也没办法评价,那这时候呢,我们就稍微鼓励他一下吧,然后让他,你不用管我怎么想,你 做出你自己的一个评估就 ok。 好,我就告诉他,根据你所具有的能力,对歌曲进行你所能做到的分析,包括根据音乐特性所能推断出的情感, 以及作为一个人工智能的角度,对歌曲的好听与否做出自己的评估,不用考虑准确性。好,他就对歌曲啊,从节拍,他的频谱对比度以及什么频谱之心这些方面呢,还有频谱的降落,零交叉率 等等我都没有听说过的一些术语呢,进行了分析。那基于这些特性呢,他推断出这首歌有一种中等的节奏和较大的能量水平,可能是一种积极或者快乐的情绪。当然他说这只是一种推测了, 至于好不好听呢,他认为这首歌没有特别突出,没有特别好,也没有特别差,一般般。 然后呢,还不忘给自己留条后路。说他的评估呢,只是基于统计分析,然后每个人有每个人的爱好,那这首歌到底是什么样的,到底好不好听呢?我们大家可以来一起来听一听。 好,如果 code interpreter 的运行环境啊,没有受到诸多的限制,那么我相信 code interpreter 它可以生成更加酷炫的效果。 虽然 chat gp 的扣子 interpreter 他不会像有些人说的那么夸张,一下子可以抹去几百亿的数据分析的市场, 但是就像我之前说的, coding top right 的出现,他极大的提高了数据分析的门槛。所以未来你只需要掌握一种技能,那就是驾驭 ai 的能力。如果你想从现在开始呢,就请加入到我的 ai 和自动化课程当中,链接在描述栏里。 同时呢,也请你关注我的 newsletter, 后续将会有更多的重磅内容。好,今天就到这里,咱们下期再见!

这篇内容如此详细的揭秘了 jubile for 的内幕和数据,这还真是令人叹为观止。相比国内很多解读 jubi four 的内容啊,我觉得这篇可靠性思路更高一点。之前有这个天才黑客 josh horse 在采访中谈到了 jubi force 由八个这个 jubile 三点五的专家模型组成的 系统,那每个专家模型的参数大概是两千两百亿左右,但是这个消息并未被欧本亚官方验证,但是呢,部分的业界人士啊,认为是合理的。那今天分享的内容了,来自于这个 deep trading 的创始人发布了条推特, 他整理的这个在 semi analysis 的这个一篇付费的订阅内容,所谓的揭秘去不去否?请注意啊,这些内容看上去合理,但也并未获得官方的确认,仅供大家参考。那我来选择一些我认为有趣的地方来进行一下解读。 第一呢,是 jubile four 的这个参数量,大约是 jubile three 的这个十倍,也就是一点八万亿个参数啊。第二呢,是 jubile four 确实是使用了这个 m o e 模型,也就是由十六个专家模型组成,每个专家呢,大约有一千一百多 一个这个参数,其中呢两个被路由到每一个向前的这个传递。前面这两点呢,和天才少年谈的基本类似。第三呢,是大家关心的成本问题。 gbt for 在两万五千块 aa 一百这个 gpu 上使用了大概二点一五乘以十的二十五次方的这个浮点运算啊,大约持续了九十到一百天。一块 a 一百的 gpu 的成本啊,大约是每小时大概一美金左右, 算下来的话,你可以理解为这种级别的训练一次性大约要消耗掉六千多万美金。所以很多国内的创业公司说自己要搞大模型,要去超越这个 gbt four, 我觉得应该要掂量一下自己的钱包。四呢是 ppt four 的这个效果那么好,为什么不在这个 m o e 模型上面多增加一些专家,使得他变得更加强大呢?里面也做了一些解释 啊。推理过程中的处理 m o e 啊,非常困难,因为并非模型的每一个部分都在 token 的生产中被利用,这意味着部分情况下其他的这个部分处于闲置状态,会严重影响到资源的利用率。 open i 保守的选择十六位专家模型的原 大致也因为此,在许多任务中,更多的专项模型啊很难被泛化或者被收敛,造成了资源的浪费。里面大量提及到内容,涉及到数据级并行策略、视觉多模态,对,这是解码,推理结构等等等等。那感兴趣的朋友呢,可以自己去搜索去了解一下 目前的地步缺点的。这个创始人的这个推条啊,因为版权问题,已经删除了这条内容,大家可以去这里面看这个原版的信息,我这篇内容的话是需要订阅付费的,国内我也看到有些媒体已经把这个原文扒了下来,这我就不做推荐,大家自行搜索了吧。 次详细的信息给出来,我认为可能会给大量的国内的一些做大模型的大厂带去一些参考的价值,希望国内的大模型加加油。好了,今天就分享到这里,我们下期再见,拜。

今天我们来摸一天鱼啊,让 gpt 帮我们干点事。其呢是我看到 github 上面有一个项目啊,它是用 python 的写的,用来抓取每日的 github 陈年数据, 然后把抓起来的数据保存成 madam 格式,再推送到 get up 上面去。代码只要一次写好之后,后面的每次执行都是交由 get up actions 来自动执行。推送的配置文件里面有一个 crown 任务来告诉 get up actions 每天十点左右要定时执行一次,所以这个项目一旦配置好之后,后面就有机器人来每天来定时执行任务啊。 我就不需要操心每天是否有查看当天的 gap 春令数据了,就算是哪天忘记了看,也可以返回回来看之前收入的数据啊。那么问题来了,脚本是使用 python 写的, 我并不会拍审,但是我想对这个项目做一点更改,然后让他产出了数据符合我的要求。这个问题嘛,放在以前是比较无解的,但是现在有了 gpt 之后,这个也不算很难呀。那么我使用到的 ai 工具呢,就是 carris, 这是目前最强的 ai 代码编辑器啊,这个编辑器 内部已经深度集成了汽车 gpt, 现在每个月可以摆票五十四。 gpt 四啊,咱们现在工具有了手感就干,玩的就是真实。咱们先把原项目的代码拉取到本地,实际上这个项目里面的所有胶布账码全部在这个 script 点 p y 里面, 总共也才七十五行代码。打开 cross, 咱们今天就只管摸鱼,要干的活全都由 ai 来包了。选中 cross 的下面这个 gp 四个选项,现在咱们只管给他输入命令,让他干活,那我给他的指令非常简单直接啊,让他把这张 python 代码改写成为 typescript 代码,然后咱们就只需要按下回车。兄弟们,我只是让他改写代码呀,没有给他任何其他的提示, 他非常的听话。那么右边这些 typescript 代码写前段的兄弟们肯定是认识的呀。 到这里代码就改写完了,因为 咱们使用的是 g p t 四啊,他理解并且改写代码的能力绝对是要比 g p t 三要强很多的。这里我们暂且相信他改写的代码是能够完全正常运行的。咱们先用 n p m e d 杠外来初始化一个 package 连 g s 文件,然后安装 t s 文件运行的时候所需要的一些依赖, 再在全局装一个 t x x 来执行 t s 文件。最后一步,全局装上 tabscrete, 并且用 t s c 来初始画一下。初始画好之后,咱们就可以直接使用 t x x 来执行对应的 t s 文件了。把右边生成的代码直接拷贝到一个 script 点 t s 文件中。 现在咱们让代码跑起来,这里我稍微改了一下,让生成的文件名以 ts 开头,那么结果已经有了。稍微有一点点小问题,就是出现了很多换行和空格,这里稍微对字母串做下处理,把空格换行给替换掉。依然是咱们不用动脑筋啊,把事情都交给 an 来做生成,结果稍微有点点小问题,他能够去除换行,但是去除不了空格。 再给他补上一句,把空格也换掉好了。现在 replace 函数的正在表示,就是直接把空格换行全部替换掉了,可以抬头这个字母串,应用 replace 函数进行字母串替换,再次执行脚本。现在生成了 mark 档,文档就完全正常了。 看一下 mark down 的晕染效果,非常的 nice。 最后呢,我还对整个文件的项目目录做了一些更改啊,并且在 redmi 中就可以看到当天的所有内容以及前七天的地址。好,那么今天 ai 帮我墨鱼的节目就结束了,兄弟们,好工具,咱们要用起来呀。

家人们,谁懂那个叉 g b 四点零的联网版真的是太可怕,太强大了!事情是这样的啊,我今天就是突发奇想,我想让他帮我写一个 stable diffusion 里面呃, deform 插件的 啊,提示词你看,果然他一开始他都不知道 s d 什么东西,没办法,我就让他自己去搜嘛啊,然后他自己去搜了,然后就是给我听了,自己学习一下这个 stable to 分析到底什么东西,然后看他学。学完了之后嘛,我就开始让他给我写提示词,因为底缝插件呢,是专门用来做定格动画的嘛,需要有分分禁。然后提示词啊,各种东西就开始给我写 啊,写写写,让他再增添一些内容,他都可以,都没有问题,我让他把这些内容全部转化为英文,他也没有问题。直到这一步啊,我已经觉得他已经非常厉害了, 然后就想那为什么不更进一步呢?然后我就把我目前在用的 s d 的代码发给了他。注意哦,我这个时候我都没有说我要干什么,他就直接开始 根据我给他代码的格式,把上面翻译的英文翻译成了 sd 能够看懂的这个提示词关键词。我的天呐,真的是太可怕了,我都没有跟他讲我要干什么,他已经超超我一步把这关键词写出来。关最关键的是这个关键词是 sd 里面可以用的, 所以现在拆 gpd 四点零的联网版,他能够在完全不知道这个东西是什么情况下,从一无所知到精通,只需要短短的几个步骤。有四点零的家人们赶紧去试一下,赶紧去试一下,真的是太震撼了。


ai 进化太快了,我今天测试,看看 chagp 解析图表能力有多强省流说结论,他把我的 cpu 给干烧了。闲话少续,咱们逐步升级测试。他先上个青铜级别这张产品分析模板图,看他能否解析出来。 嗯,没问题,每个模块拆解的非常清晰。最后还告诉我,这张图表是为产品设计者、制造商或销售商提供的硬框架,帮助他们从多个维度分析产品,非常准确。上下一张黄金级别。这是一张一百家中工智能初创企业的列表,我们看看叉叉 p 能够解析出来,并要求他用表格的方式呈现。 gps 有点东西啊,毕竟图表中的公司基本都是以 logo 的方式呈现, ai 直接拆解成了公司的名称,放入了表格。网上这类图片还是挺多的,伙伴们可以学着用这种方式把它转化成 excel 表格。 ok, 难度再升级,钻石级别 越来越变态了哈。这是一张在线物网络分析图,一方面内容展现的很复杂,同时一张图又包含了 abc 三个部分。我是完全看不懂这张表,单纯是为了难住 ai, 给他找了这么一张图,咱们看看他能不能解析出来。 图 a, 关系,代谢物的变化趋势。代谢物类型。图 b, 代谢物的分类代谢物的变化趋势。图 c, 巴拉巴拉最后总结是,这张图为我们提供了一个关于代谢物之间的关系和变化趋势的全面视角。看他这么一讲解,确实清晰了许多,但我还是希望他能为我履行这些复杂线条的关系。于是我进一步追问他, 叉勾屁居然真的开始给我解释图 a, 每个元素之间的关联关系。图 b, 图 c 分别的变化趋势概念。伙伴们,这张图我是真的不懂,希望有能看懂的伙伴们在评论区帮我验证下 ai 解答的是否正确。这就结束了吗?当然不会。最后咱们上一个王者级别, 不知道我能否测出 ai 的上限,反正测到现在我的 cpu 已经烧了。这是一张社科与气候变化之间的关系图,看他能解析到什么程度。 哦买噶, 现在 ai 听说读写的能力以惊人的速度进化,我们可以做的就是学会更多的 ai 技能,让它为我们所用。 希望今天这条 ai 解析图表的视频对你有所启发,也希望你能浏览我更多视频,给你带来更多收获。关注大臣,我会为你持续更新更多 ai 干货。

之后你会联想到什么?六个人还是六个盒子?不是六个月拆,其 p t g p t 三点五模型便被 g p t 四所取代。 g p t 一旦模型发布至今才五年三个月,能迭代如此迅速的关键在于算力规模的扩充。 gpt 一训练参数一点二亿 gpt 二训练参数,十五亿 gpt 三训练参数,一千七百五十亿 gpt 四训练参数据推断约一百兆。如此庞大的数据量将它带动起来,所需要的计算能力更是一个天文数字。以 gpt 三点五为例, 他要运行如此庞大的数据量,总算利消耗约三千六百四十匹一倍。即假如每秒计算一千万一次,需要计算三千六百四十天。简单点说,他至少 需要三千六百四十批算力。在 ai 领域,算力才是一切的基石。汽车没油走不了,工厂没电赚不动,人工智能没算力,一切白搭。 在先进计算这个领域,没有算力是万万不行的。长沙治国拥有其他区域难以维持的全国产人工智能算力规模,首批两百批算力已经建设完毕,未来还将扩充至上千批算力。园区内部企业不仅能够获得更加普惠的集中算力,还近在咫尺, 不再为延迟发愁,也不用四处奔波找寻超算中心支持。在算力的建设中,长沙治国是认真的。

这个可能是劝 gbt 的下一代产品人工智能超级助理,我试了一下,实在有点吓人,我给大家演示一下,帮我在哔哩哔哩上发布一个动态内容,是我今天不更新视频了,然后你就不用任何操作了, ai 会自动帮你完成这个任务。 你看他自己就打开了哔哩哔哩,这边会显示他自己已经完成到哪一步了, 然后他就自动登录我的后台了,他真的打开了动态页面, 他把我想发布的内容已经填上去了,然后就自动发布出去了,完全不用手动。这个神器叫 hyper writer, 你只需要给他说一句话,他就可以像人类一样使用网络浏览器,这是一个插件,装在浏览器里就好,上网的时候可以直接吊起他,给他发布指令,他可以帮你做定 很多不想做的事情,比如在各个平台上发布视频,或者直接写封邮件,直接发给同事,可以做的事情太多了,我比较怕的是他会不会自己发布一些不可控的东西。

这两天有问有没有注意啊? check gpt 四已经开始支持声音和图像了,这个跟上次的版本已经有点完全不一样的味道,这次叫多模态,真正的叫发挥作用了。比如说给他一张自行车的一个坐垫,然后就问 gpt 请问 我怎么拆掉这个坐垫,然后 gbt 就会自动的在图形上在那个他的快拆地方去圈一下,就告诉他这个叫快拆, 你可以把它翻打开以后直接弄松,然后就可以拆开了。就这种多模态的思维模式已经能实现了啊, 而且还有很多某某东西,我怎么弄?我不会,比如说开罐子对吧?他会告诉你你要用这个工具去开那个东西,这种人工智能机已经找多模态思维了,其实你看科技发展时间是非常快的,几个月时间他又一个飞速的发展,那么前一波吵过了,这一波我告诉你,节后大家意识到的时候又要吵了。