粉丝707获赞3889

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。

gps 的那个模型架构啊,好像是被泄露出来了,我别人讲了,整个一个模型大概包含一点八万亿的参数,采用了这个混合的专家的那个模型叫 m o e 啊,今天我们先对这个 混合专家模型 m o e 到底是个什么概念?我们大家一起来交流一下,我们一起来看一看欧奔 ai 的那个 chat g p 四的话呢,目前就是 是很难超越的,是在碧源,在所有的 l l m 的那个大模型里面,他不管是各种各样的能能力啊,多模态啊,他的排名都是远远都是超过第一的啊,一直是排名第一的,是在目前是最厉害的这个模型,因为他真的好也是个碧源模型,所以大家纷纷都在猜啊,他这个模型到底是 呃是通过什么样的一个基础设施训练出来的啊?训练了多少数据级对吧?他大概是一个什么样的一个网络结构啊?那么很多呢,互联网 大厂啊,包括各种各样的谷歌啊, facebook 啊,美国的包括阿里,腾讯啊等等,一些头部的 ai 公司都一直想把它的这个欧根 ai 的这个掐的 gbd 四能够复制出来它这个能力,但是到目前为止它还是没有,还是没有,就是把它能够比 超越这个 gd 四这个模型。所以呢,大家就一直在猜他,那他到底用一个什么样的一个模型和框架啊?最近有人在那个吹车上面把这个消息给公布出来,原来是一个黑客。最近的哈也有一些权威人士啊,都跟他讲了一下啊, ggd 四是采用了这个 m o e 的这个模型来构建的啊,他说是用了十六个混合专家模式啊,每个模型就相当于那个 g t 三的这个参数,就一千一千多亿的这样一个参数啊,然后经过了两个专家模型啊,然后他训练而成的这个 g t 四,因为我们也清楚 g t 四里面有一个很特殊的功能,就是 多模态的这个功能啊,他等于是这样啊,我们今天就一起来聊一聊啊,他这个 gpd 四里面的 m o e 的这个模型到底是什么啊?他到底给整个一个大模型带来的价值到底是什么?我们一起来看一下啊, 我也在知乎上面看到了这样一篇文章啊,都是一些 ome 的这些原来的一些论文,我们可以看一下啊,那本质上来讲的呢?专家模型的话呢,它 他就是跟我们的人脑是一样的,他就是他有,他会对某些他的应用场景主要是这样讲的,因为我们的数据集他其实是有一些呃,他所谓的就是不同的玉啊,或者叫 doman, 他有不同的 topic 啊, 有些他主要是讲的是那个文字的,有些主要是讲的图片的啊,有些主要是讲声音的啊,他有各种各样的功能,而且这些数据他是相对来讲都是独立的模型啊,相互之间呢,也是不不用太干扰的,他这个 样本是不太干扰的那但是如果你把它放在一个模型里面,那个样本和样本之间就会形成一些干扰啊,他反而没有这些独立的功能模块性能会更好啊,他等于是这样,他有这样的一个天然的一个缺陷啊,所以别人就发明了这种叫那个 m o e 的这种模型啊,专就是专家模型,每个小模型它就是一个专家的网络,它再把它组合起来形成一个通用的这样的一个网络。那么它这个通用的网络呢?它是用一个 get away 这个 network, 通过一个呃路由的这样的一个门啊, 去路由到每个专家模型里面去,他主要去看啊的样本,他适合用哪个专家模型,或者这两个三个专家模型都会用啊,那么他这个上面的权重是怎么样?他都是有这个专家模型的这个 get away the network 去控制的啊,他这个就是一个通过一个小模型就组合成一个大模型啊,这个就是 m o e 的一个 最基本的一个原理啊,他他是最基本的一个原理。是这样啊,那么他们一般是怎么来训练的呢?那么他这篇论文里面呢?是他这个也讲了,在在二零 呃一呃,一九一九一年他这个论文就已经出现了啊,他们就来再再讲这个专家的这个模型到底怎么组合起来形成优的这样的一个模型啊?最优的一个网络啊, 它这个里面是这样来讲的。呃,基础的原理它是这样的,就是一个样本进去之后,它会分别给专家模型和这个 getaway 啊, 这个 get away 的这个 network 呢,它主要是让这个三个模型能够相互的合作,合力形成一个最优的这个方式。但是呢它这个模型它也要本身也要去看一下这个样本输入进去专家模型的这个训练是否合适,嗯,它等于是这样,它会这个三个模型,这个专家模型既有竞争又有 合作的这种方式,去共同去把整个一个网络达到一个最优的一个状态啊,他是通过这个来做啊,那么这个里面他也有些表达式啊,他也有一些数学的表达式啊,这个我们呃简单的就过滤掉啊,这个里面因为我们进入人工智能的这个模型,他还是有一个反向求导的一个过程, 所以它的这个公式,他们就会把它变成这样的一个公式,而又是指数化又取 log 这种方式啊,那这样,呃,他把这个模损损失函数变成这样了之后,他求导的时候呢,他的每个模型的输出 跟他自己有关系,跟其他的模型就没有任何的干扰啊,这样会导致他这个模型比较容易收敛啊,这个都是他的这个模型的一个基本原理啊,他是在一九九一年这些理论就已经发明了啊,在二十多年前啊,他这个理论就发明了,现在的话呢,他会变成这样,他们基本上都是基于这个 transformer 的这样的一个模型在做啊。那么 这个 transformer 的这个模型,基于 m o e 的这个 transformer, 它就是在这个地方,它会有一个公用的这样的一个类似于这个它的几个层,像一个 get v 一样,它可以共享的。是啊,它是通过这种方式来做的,那它可以把这个权重进行分享, 或者是公用的这种方式,把几个专家的 n 个专家的模型都可以联合起来,原理跟前面的那个基础原理是一样的啊,只是说现在大家都用的是基于 m o e 啊,这个底层结构都是 transformer 的,这样 incode 的这种方式去去做的啊, 那么这样的话,他他在那个 google, 原来在二零二二年哎,他就做了这个方面的研究啊,因为他 gdp 三推出来之后啊,那个模型已经非常大了,超过了一千七百多亿。 google 他就会把一系列的模型联合起来,他达到了一个叫 g l a m 的这样的一个模型,他达到了一点二个 的总的参数量,这个总的参数量呢,他就是有一系列的小模型组合起来的,他虽然有这么大的一个参数量,但是他在计算的过程当中,他的激活的参数量呢,其实是非常小的,只有九十六个币啊, 九百六十亿的这个参数啊,但是它这个模型的话呢,是非常大的,那么它这样会,它这个通用的模型能力又很强,同时性能又很好,因为它的激活函数就很少, 因为他很多模型是公用的,他只要用一个专家模型,他只要是输入的样本,他去看啊,哪个专家模型是适合在跑啊,那么他就往那个方向去走啊,他 通过这种方式的话,他就是把一个巨型的这样的一个模型啊,通过几十几个专家模型的联合啊,他反而他的真正在推算的过程当中,他反而真正的激活函数又激活的参数又很少,这样就达到了,他又是个大模型,同时他的推理的这个工 量又很少啊,他的性能又很高啊,他是达到这样的一个目的啊, google, 他在二零二二年就做了这样的一个实验啊,他们就往这个方向已经在走了啊,那 obai 别人估计啊,他的那个 gps 也是通过这种 ome 的这种模型来构建的,他本质上来讲他也是有十六个这种专家的模型 啊,组合构建而成,就通过我前面讲的这种方式组合构建而成的啊,虽然它的参数量非常大, 参数量非常大,可能有十三万亿的参数量,但是他的共享的,他的每个模型的激活的这种参数也只有一千多万, 就是一千多个亿的这个参数量,所以他运行起来就会非常快,效率推离的成本就会很低啊,当然他要去呃训练这样的一个混合的一个专家模型,他的那个训练过程,他的训练成本相对来讲还是 是比较高的,还是比较高的,但是他的那个推理成本就会很低啊,用起来的话成本就会下降啊,效率就会很高啊。好,这个我今天跟大家聊的啊, gpd 四啊,他的呃被泄露出来的这个最新的混合专家的这个模型,跟大家一起来交流一下 o m e 的这个模型到底是怎么回事啊?那么它有些什么好处对吧?它到底是什么样的原理?哎,跟大家就简单的沟通到这好。

ppt four 他的知识能力肯定是超越了所有的教授。 ppt 四,因为做了保密他的训练的语料,我认为他至少训练了上千万本书。他已经实现了一个不仅是一个强人工智能,而且未来可能成了一个超级人工智能。 ppt four 的提升我也私下里打听了一下,它和三点五本身没有犯法上本质的差异,而是在训面上做了很多的提升。 他还是不会各种能力,不会各种回答问题的解题的技巧。那我们看到 gpf 可能已经是一个高中生甚至一个大学生的学者了。嗯,那他的知识能力肯定是超越了所有的教授。

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。

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。

拆的 gpt 重磅更新来了,期待已久的上传文件功能终于实现了!打开代码解释器的开关,你就可以看到出现了一个加号,可以上传表格、图片、音频、视频, 各种类型的文件,对不同的文件进行各种操作。比如我上传一张表格,让他进行分类数据的统计,他不断的调整思路,最后给了我一个正确的答案。我再让他分析这组销售数据有什么规律和问题,他直接给出了分析图以及分析的思路和最后的结论。实际上他可以进行更复杂的数据分析,以此还可以给出很多商业建议。目前公布的这个功能还不能直接读取分析图 片视频里面的内容,但可以进行一些基本的图像操作,比如调整亮度、边缘检测特征提取的,也可以进行格式转换。还有更多深度操作,我会慢慢演示给你。

gpt 四,他的语言能力又得到了进一步的提升,在这一次他可以同时他提供的答案里面可以达到两万五千个单词,那么这个比原来增加了有八倍之多。那么在这样一个能力, 他实际上就是说以前一篇文章,他给你提供一篇文章,可能都很难把这一篇文章描述的非常完整,那么在现在你甚至可以丢一篇网页, 用一个 pdf 的一个很厚的一个文档,让他去进行相关的处理,那么在语言能力的提升背后是一个巨大的参数的一个支撑,那么我们看 gpd 三点五,实际上他背后的这种参数 是达到了一千七百五十亿这样的规模, g p t 四点零它的这些参数没有公布,但是我们从这一个它的表 表现来看,他背后的这种参数量一定是一个巨大的一个参数量。这一个 g p t 四点零背后的这么巨大的参数量和他在考试里面碾压人类对手 这个实际上是有密切相关的。很多人看来,如果这么大的一个参数量,他碾压百分之九十的能力,这个大家也输得心服口服。

家人们谁懂啊! gpt 已经进化到可以直接上传全格式文件,刚刚是 txt 格式,现在试试 ppt 文件,不仅能读取,还能总结分析 ppt 内容,处理 pdf 文档也是轻轻松松。 bdf 转图片一键生成,再也不用开 w s 会原谅, 还会分析文章,生成词语, 分析表格数据更是不在话下,还能生成数据图标,以后再也不用自己做数据分析了。这还不止,还能剪视频、生成 二维码等多功能。点赞关注,下期给大家演示剪视频这么全能是因为我装了 code interpreter 插件。安装很简单, 登录插 gpt, 再点击左下角的 set, 点击贝塔,打开 code interpreter, 刷新你的 gpt, 选择四 a 就可以用了。这个插件真的很牛,快去试试吧!

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。

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!

拆的 gpd 最强大的插件大码解释器昨日终于公开上线了,它可以为你进行数据分析,并生成这样这样甚至这样的三 d 交互数据图,它还可以根据数据为你生成这样的一段视频,甚至自动编程生成一个网站。 你只需要打开设置,开启代码解释器,就相当于拥有了一个免费的程序员为你打工,大家也去试试吧!

你们知道这个功能出来之后能为某些行业省多少钱吗?来我一个视频给你们讲清楚啊,这个功能是 gb 四的多模态啊,昨天出来了。所谓多模态,其实用人话说就是他能看懂图片了啊,这个视频我们只关注他两个点啊,第一个点就是他发一张图片,上面你可以,他可以知道你要问的重点是什么,就是这种画圈功能 啊,他能识别到这个圈和这个图片。第二呢,就是他具备 ocr 级别的文字手册精度识别。 ocr 的意思是他能看懂图中的文字啊,无论你文字是什么国家的语言啊,他都能看懂, 并且支持多张推理能力。这个案例中其实就是第一张图是自行车车座子的维修手册,第二张图是他手里边有的工具箱,然后他问 gpt 现在这个工具在哪?然后 gpt 跟他说你的工具在你左侧的第几排的哪个工具?其实这个案例我们可以看出来, gpt 在多模肽的精度处理上还是很 ok 的,那基于这个功能我们能够捕获什么 价值?我们能在哪些行业发力啊?狗哥给大家抛个砖引个玉啊,以后所有需要上门维修的行业,我们是不是都可以自行接入这样的一个指导工具 啊?然后把它比如接到微信的公众号里边,然后呢,让这个用户拍一张照片,拍一张照片之后问,然后再画个圈,或说我这坏了应该怎么处理?那现在我是不是可以自行处理?不能自行处理的话,那你们的人工是什么?结合原来 open i 的分身扣,咱们大家讲过很多,对吧?处理让人工接手 啊这样的一个前端的前置的客服功能,我觉得 gpt 只要开放了这个呃,多模态的 api, 我就实现这个功能简直是分分钟的事。比如说以某些设计领域的方案,把有有一些设计领域的这种格式来要求 gpt 基于某些 标准去帮我检测图片是否合规,或者图片是否 ok, 符合哪些点。那这种都是我们可以做 啊,狗哥目前开了很多脑洞,你们认为可以基于多么太做什么东西来捕获价值,什么行业,你在评论区留言,如果有特别好的想法,狗哥直接给你实现出来送给你,然后咱们再琢磨怎么分钱好不好?

i want to show you how to use this prom to its full potential vita custom instructions with code interpreter and with chat gpd plugins in new chat and go to gpd4 and we are going to click code interpreter open ai just renamed cold interpreter to advanced data analysis if you are new to charge pt plus to enable advanced data analysis now and plugins you need to go to settings and beta under beta features toggle plugins and also toggle advanced data analysis and this is really where fun starts code interpreter allows you to work with files do start and once again professor greets us and for the goal i recently tested 432a writing tools and inside enormous database you can download it for free and i'm going to download this scsv file and you can do this with any type of data said any type of file that you like once you got your file you click upload and it also reads zip files i'm going to approach this in the most simple way so you can see what is the huge value of this i upload a zip file it's asking me should they go ahead and enzip it and i will say yes it is really like working with an assistant where instead of thinking what you should do you say yes or no or provide feedback it seems like it's red correctly it has 432 entries and 12 columns even though i do know how i would like to analyze this data i will ask it can you help me to think about waste analyze with data it lists me all the ways that i could be analyzing this data and even giving me examples for which columns what type of analysis would be the best just for fun i'm going to do data visilization it's now calling data visilization expert okay, so i wanted to visualize prices monthly, and i got this chart, but we can make it 3d and interactive so i asked to create downloadable link so i can interact with 3d visualization and this is what i got, but we can also ask to interact with different categories and also make it 3d so it created scatter plot diagram even though it might look a little bit messy, but you can see some trends appearing like general writing how price varies this kind of consistency increasing as compared to category like ads it can go from cheap to much more expensive, but it could be even more useful so i asked to create downloadable interactive 3d sketter plot, but make it that i can click and it tells me that name of a tool an actual real price and it is just that so now when i'm flying around for example with ads we can see that this pencil and its hundred nineteen as compared to let's say add copy, which is twenty nine dollars。

gpt 四的代码解释器让普通人可以去拥有无限的个性化能力。首先你应该把它看作是一个 ai 程序员,他可以按照你的需求去编写拍摄代码,而且会马上运行现场就得到结果,比如为这个长条的横图生成移动的动效, 根据 excel 的数据生成图表等等。虽然 g p t 四它本身也是可以编代码的,但是还得自己去部署环境,拷贝代码去运行,那普通人根本就用不上代码减速器就完美的解决了这个问题。 为什么说是个性化的能力呢?因为他要解决的那都是一些小众的需求,所有热门的标准化的需求,要么你通过 chat gpt 本身就能解决,比如像撰写文案,策划活 活动方案这种属于文本推理型的,要么呢通过 chat gbt 的插件系统也是能够去解决,比如像预定航班分析网页内容 复杂,数学计算等等。插件系统现在还是一个初期,未来他肯定会把几乎所有的主要的典型的能力都会容纳进去。那只有这两种模式都难以解决的问题才有必要去编程, 因为你编程本质上就是要量身定制一个新的工具,如果一个功能已经有工具可以实现,那显然没有必要通过编程再去造一个一样的工具出来。为什么是能给普通人无限的能力呢?因为代码 几乎可以去解决一切的问题。万物皆是数字,世界上的所有的东西你都是可以想办法用数字来表示, 而运行代码,他本质上就是把一堆数字转换为另一堆数字代码解释器,现在他可以根据需要来生成代码,这样就能去解决无穷无尽的问题了。当然现在他的能力是非常有局限的,比如还不能访问网络, 无法运行图形化的界面,能调用的库也非常有限。但是这是一个现在产品设计上的权衡,比如要考虑安全性,这种模式他一定会越来越强大的,而且也绝对不只是切的 gpt 会怎么干,以后任何的 to c 的大模型那都会搭配上类似的功能。

open ai 又更新了啊,第一个更新的话呢,它是放开了这个 a p i 接口啊,就是任何人都可以啊,你只要是啊付费用户都可以申请 a p i, 所谓的 a p i 的话呢,就是可以把这个 charge p t 四呢,就是啊,植入到你的个人程序里头,比如说你这个像 呃,微信里边可以植入成这个叉 cpt 四啊,系统,这是第一个第一个更新啊,第二更新的话呢,非常厉害啊,第二更新呢是在这, 呃,它是这个,这个叫它一共三种这个模式啊,叉 h b d 四啊, 那么你付费了以后的话呢,你可以选择插件啊,这个插件啊,这 default 就是默认的这种情况,他还有第二种情况就是 code interpreter 啊,这个东西,那么这个 code interpreter 是怎么样子来的 呢?在 setting 里边啊,这过来以后呢,这个 bate 板啊,这样打开就可以了啊,这有很多的这种插件啊,第一个插件,第二打开这个 colint preder 呢,翻译过来呢 啊,是代码解释器模式啊,他这个模式呢,实际上就是多模态,有点多模态的这种,也就是说你可以进行数据分析啊,图像啊处理以及这个编代码啊,原代码都可以,没问题。我来看一看啊,他到底是怎么弄的 啊?我都已经测试完了啊,这都是我测试的情况啊,比如说这个第一个,我让他来分析一个论文啊,就是论文的话呢,我就是用华为的这篇论文啊,就是用三 d 模型, 然后进行这个这个天气预报的情况啊,这个这个论文呢,很长啊,这个一共大概二十多页,看起来比较累啊,那么呢,这样的话,我就 直接上传到这个系统里头,上传到拆 gp 四的系统里头,他这有个加号,然后你可以上传你的想要上传的文件啊,那我们就把这个 pdf 文件呢,整个这个论文的 pdf 文件呢,就上传了,上传了以后呢,他就可以开始 进行分析啊,这是费士西的程序啊,他是一段一段来分析的,一一个一个问题来分析啊,他得运行一段时间啊,就是后来呢得出来结论啊,你看这个后面结论就出来了, 然后呢你就可以根据说这个简简单的介绍啊,就这这篇论文大概是什么样的一个情况, 所以呢,他又还我还让他翻译成中文啊,啊,这是很不错的一个结果啊,就可以看帮着你看论文啊,帮着你分析这些东西啊。目前为止呢,让他我还是让他来改这个图片啊, 也可以上传 p 这个这个图片啊, gpg 的图片,但是他没有改成功啊,他,是啊,分析分析图片没有分析成功啊,改图片是可以的啊,我们看一下后面的啊,后面的话呢,我又让他分析了一个 这个世界五百强的一个啊,这种表啊,就是 excel 表啊,就是这这种表格啊,就很多很多信息的这种表格。那么这种是 excel 表的话呢,这种数据分析是很累的一件事啊,所以我让他做成可视化的这种图表啊,他也可以做出来,没问题。 然后这个呢是特斯拉的股票的情况啊,股票的话他分析的蛮好的呃,给他特斯拉所有的历史数据,然后他就可以分析出来,然后最厉害的另外一点呢,就是他可以另存啊,就是你比如说你分析完做做报表,你要放到自己的文件里头,你可以诱存啊,变成一个 文件这个这个图片的情况,然后把它存存存下来啊,还有还有分析的话呢,比如说你看这个图片,我想把它处理成这个黑白颜色啊,这是我上载了一张彩色图片,然后让他处理黑白的,他可以然后缩小放大呀,包括这种 各种的这种图片处理的,都可以让他来做啊,都都没问题的,所以他现在就变成一种多模态的一种形式啊,多模态形式,比如这是比特币的比特币的数据啊,我让他裂开若干个这种图表来表示这个比特币的情况, 然后分析大于十种啊,他就列出来了,你看这个各种价格的分析啊,这个量化交易就总体来说呢,还是非常不错的啊,包括编程这部分没有测试啊,他有编程的话也可以啊, 就是说来分析这个你上传的这个代码对不对?怎么来修改什么之类的啊?都可以,所以有空的话大家可以试一试啊,这个叉勾屁更新还是蛮厉害的啊。

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!

太棒了朋友们, gpt 又多了一个新按钮,竟然可以直接共享对话框了,并且还可以接着提问啊!比如这个是我们训练好的小红书文案解锁,你直接点开这个链接,点击肯定领,这个训练好的对话框就会出现在我们自己的记录里面,然后只需要输入产品或者选题,就能不断的生成笔记。 我们的一个学员就用这个训练方法,昨天卖了两千多的货,这个功能真的太赞了,大家赶紧用起来。想要这个共享对话框,扣一下共享。

怎么在 jbt 上传本地文件来和自己的各种 pdf, ppt, excel, 各种文档来聊天呢?这是不是很多同学都有的问题?我们知道 jbt 不能够上传文件,即使 plus 版有插件可以和 pdf 来对话, 但是呢,也只支持在线的 pdf 链接。但是假如我想让 jbt 来总结提炼我自己记录的超长的会议字要,那该怎么办呢?这也是 jbt 插件系列教程的第二期,欢迎点赞关注、收藏更多干货教程哦!首先要选择 gbt 四,然后选择插件模式,选择 rs 的 pdf 这个插件。 然后最关键的步骤来了哈,命令他生成一个可以上传文件的链接,让我上传文件。然后呢,他就会生成一个地址,点击这个地址,就生成了一个上传文件的窗口,不仅支持 pdf, 还支持 ppt, txt, csv 等等各种格式的文件。我上传了一个五十多页的巴菲特,普通 从大会的实录汇称成一个文档的 id 地址复制下来,回到 jaijbt 粘贴这个文档的地址,然后就可以提问啦,比如说汇总巴菲特如何看待比亚迪的观点。嗯,非常棒,非常棒!关注我,每天分享 ait 升十倍生产力!

gbt 四的 api 太贵了啊,现在给客户做演示,用 gbt 四跑每一步,我的心都在滴血。我知道肯定有好奇宝宝会问说,哎, gbt 四,那这个 api 不是一千个字只收零点零三美金吗?对吧?换算下来,大几百个汉字只收两毛钱, 那这个听起来也不是很贵啊,毕竟一个问题也问不了多少字吧,对吧?那今天我给大家盘道盘道。当你实际用 g b t 做产品的时候,画面其实是这样的, 你为了保证效果或者有记忆,你会在每一个问题前面携带大量的上下文,也就是我们说提示词啊。客户实际问题呢,可能也就三十个字,但你加上提示词,很可能就跑到几千个字了。 你没听错啊,光提示词可能就有几千个字,而实际上,很多场景下,几千个字的提示词还不太够用啊。比如说,如果你做了外接的知识库,你很可能要一口气 接上上万的这个 token 的资料作为提示词,全部送给 g p t 四。而支持上万提示词的 g p t 四 价格是普通 gps 两倍,算下来哈,一个问题的成本可能就小十块钱了。那在这种收费下,当你看到客户漏打了一个问号,然后 在下一个问题里面补充这个问号的时候,心态是非常崩溃的。当然,很多情况下也用不着跑那么多的提示词。 呃,但是你但凡给企业做应用,你就会发现啊,单纯搞点提示词,用 g p t 聊天是不足以解决企业问题,或者说揽不到大的单子的。那么这种情况下就涉及到,你可能会把多个 g p t 组合到一起,形成一个 a gent 啊,来来产生效果。 那这个 a 制呢?每跑一次相当于调用了多次的 g b t 问答那么单次服务的成本又会再次放大。这就 为什么看起来好像没有那么贵,但实际在商用场景下,它的价格贵的可怕啊。那如果你现在想确实有好结果,但是成本又承受不来的话,那么用克劳德二价格呢?只有 gps 的三分之一。关注大壮,一起学习 ai 思维,带你成为超级个体。