粉丝8054获赞5.4万

用过下来,我发现 gps 比三点五要强很多,但是它要收费,还有二十美元一个月。这里我来分享三个可以免费体验上 gpp 四的方法。第一个, aura ai, 直接搜索进入 gp 四界面,用谷博邮箱注册登录。在这里你可以训练自己的机器人,填写名字,添加 pro。 关键是可以免费使用 gp 四,但是每天只能免费使用五次。觉得不够,我们就再换个工具, 拍拍视频,点击 copy, 每隔四个小时可以免费问五次 gpt 四,他会先理解问题,再搜索网页,分析多个结果后再给出答案。 第三个,也是我认为最强的一个, four four gpd, 三点五和四都有,这里有很多训练好的角色,比如说工程师、分析师、科学家、 马斯克达芬奇、比尔盖茨都可以问。还有两大亮点,他可以在线生成图片,并且可以分享聊天内容,赶紧去试试吧!

让人人都能用上的室友 gpt, 一个本地部署可以在 cpu 上运行的 gpt, 他不需要联网啊,录制也不会传上网。如果你不想自己公司内部的数据 进入出去,同时也想用自己的数据进行训练,就用 g b t f o 进行事业部署。 g b t f o 让人人都能用上的自由 g b t 目前项目的新兴数量已经接近五十二 k, 他开源可以商用,他不仅是做那个聊天的界面,还是一整套的系统,几乎拿着就能用。另外他们 gpd four order 自家的系列模型,本机 bug 的数据相当出色,特别是他的十三个濒临的模型,得分直追 gpd 三点五。我们看一下怎么用, 这里下载源码,最简单的方法是直接下载安装包,安装过程中会提示下载模型,这里可以看到啊,除了他自家的 模型以外,还支持包括南方图战队的各种模型,我们可以根据需要进行下载,那我下的是七个比你的小羊驼。当然了,以后想用哪个模型也可以单独下载,我们在提问的时候可以在菜单中选择模型。另外我们也可以在本地的电脑上 配置一个文件夹,放入我自己的数据,让大模型能够访问,并且在回答问题的时候,大模型可以引用这个文件夹内的内容。这样就实现了,一方面进行的是一部署,另外一方面又能确定自己的数据,怎么样,是不是很爽快,去试试吧!

深度使用了一周多这个 gpt 四新出的 ai 画图,说实话,我真的已经忘掉密真你了。我今天用一分钟教你学会精确控制,生成出你自己的桌面 noling 摆拍艺术。这种把你所有心爱的物件摆放整齐的摄影风格叫做 noling。 而现在,仅仅只需要这么一行提示词,就可以通过 gpt 四的得二意三直接生成出来。 问题是在于他生成出来的图片是相对随机的,所以你要借助 eqm 勾这种辅助提示词网站来精确控制你想生成的任何画面。 可以在右边这个菜单里面选择你想要的物件,他的光影风格以及他的构图方式。好这些指令选择好了,你可以看到他直接将添加在钢弹条 promt 的后面。没错,就是这么简单,你丢给 gpt 四之后,他就会生成出任何你想要的风格。怎么样,是不是很简单? 再给你们一个福利,我觉得这种 noling 风格真的太好玩了,所以我想搞一个比赛。同时我必须感谢一下 eqm go 的开发团队,给大家争取到了一些实质性的奖励。我同步整理了一份文字版的创作流程,同时呢,这个是比赛的规则,你们可以参考参考,期待你们的参与。

只需要三个步骤就可以用穿 tpt 一分钟写十个小红书爆款来,废话不说,直接开写。第一步,告诉穿 tpt 小红书的五大风格 标题非常吸引人。二、使用 emoj。 三、加入个人体验。四、最后引导点赞关注。五、最后增加态度。第二步,给予 trace gpd 当前身份。例如,你是一个写文案高手,每条文案都可以有一万点赞,找他居然会感谢我,好可怕。 第三步,描述文案内容和目标读者,额外可以写上你想强调的卖点,例如让他写新款口红文案,目标读者是三十五岁的美少女,并且分成三段搞定,直接复制粘贴,坐等简单。另外还有一百五十六种不同领域的 traceppt 调教指令,点,关注后在评论区打 traceppt 领取。

这是用另外一位星球粉丝提供的微调训练数据进行演示,他计划微调出按自己小红书写作风格持续弹出文字稿的模型,顺带帮他改改内容。可以看到,原始数据是一个 peg 数文件, open ai api 无法读取用于训练的, 里边有粉丝自己整理的过往文字版内容,有标题和文字部分,一行一行粘贴复制基本不可能, 真的不用花自己的时间去调。 gpt 训练数据级的内容格式分享,一周最多十分钟就调完上万条数据格式的方法, 我们分三步搞定,第一步,先把原始文件转换为 t s t 文本文件。第二步,让 check g b t 帮我们写个拍摄脚本,把里边的内容读出来,并创建一个 excel 格式的文件,将 标题内容放入 prompt, 将文字稿内容放入 completion, 复制胶本代码保存,执行胶本,读取上一步的 txt 文件内容。很快我们就得到了一个拆解好的训练数据集了。 第三步,用 openai mini 行数据转接工具来转换格式。这个指令之前视频有讲过,大家再去复习一下执行指令搞定了。 prompt 和 completion 都已经完美填充,直接可用于训练了,是不是很简单? 以上办法重要的是思路,大家都已经用上 chat jbt 了,那就多让他来提升大家的效率,大家训练其他开源模型也适用的。有执行力强的粉丝已经参照保姆教程完成了微调。 点个赞,对训练数据还有任何疑问,欢迎大家评论区或粉丝群留言,觉得有用记得点赞收藏。

最近发现一个非常好用的 a a i 口语练习工具,它能把雅思的考试机制,还有你表达过程的一些问题能给你讲的很清楚, 完全就是一个一对一私教老师。这个工具是一款借用了 check gpt 大语言模型的智能聊天助手,接下来教大家如何使用他练习口语。首先我们在左侧菜单栏进入聊天,可以看到有三个窗口,这两个窗口可以体验 pt 四和 check gpt 三点五的聊天功能。第一个是官方的聊天机器人,大家可以直接与他练习听力和口语。如果你需要更加专业的训练,到模型广场搜索 iots teacher ben 专业的雅思及教师陪你一对一训练,根据你的内容做出相对的回应,指出你语法口语存在的问题。回复的内容除了语音,也包括文字, 但是为了锻炼你的听力,文字初始的状态是模糊的。如果你有听不懂的内容,你可以点击 blur 选项,这样就可以清晰的看到虚拟人回复的全部 内容啊。其实练习口语只是他众多机器模型中的一个,大家还可以到模型广场探索更多有趣的聊天机器人,包含唐诗、小说、猫娘、 ai 女友等各种类型的聊天机器人,当然你也可以自己创建一个,感兴趣的小伙伴们赶紧去试试吧!学习资料已经准备好,评论区留言学习资料免费获取,欢迎关注并留言交流。

怎么训练一个自己的模型?我能想到的一个适合业余选手的快速学习攻略差不多是这样的。第一, 你需要对机器学习 machine learning 的基本原理有个大致的了解,从头开始读教科书就太慢了,而且不容易抓住重点。最好的办法是看网上的视频课程。吴恩达的 crusare 网站有好几门机器学习课, 其中至少有两个是完全入门级的,而且是免费的,想要网站的同学可留言给我。 第二,你需要上手完成一个小项目,前面我们分享过一些项目,我估计这些项目的数据和代码都是现成的,或者你也可以上网找一个现成项目,这一步纯粹是为了练习和找感觉,哪怕你纯粹是照着人家的步骤 一步步操作出来的。当你亲手训练成功了一个 ai, 看着他输出了正确结果的时候,那种欣喜也比打游戏什么的高级多了。在这个过程中,你会体会到一些细节,比如说数据的结构和格式, 怎样把一组数据整理成容易位给 ai 的格式,你得有这个意识才行。第三,也是最大的难点是你需要取得数据, 你想做的项目可能没有现成的数据,就算有数据也往往是非格式化的,不能直接喂给 ai。 为此你必须对数据进行一些预处理,这会花很多功夫。第四步就是正式的训练。好消息是 google、 亚马逊和微软现在都提供标准化的云计算 ai 训练服务,各种工具都是现 成的,基本上上传数据就能开练, meta 还提供了开源的程序包。当然这其中的每一步都有很多细节需要到现场才能搞清楚,必须多搜索多问,但是那些问题往往都有现成的答案, 因为你不是一个人在战斗,你是加入了一个社区,世界上有很多很多人都在做这件事, 而这也说明了一定的英语能力和一定的编程基础的重要性。你不需要精通,达到能用的水平,没有很高的门槛,但是无数的聪明人恰恰就被这两个简单的门槛挡在了门外。

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!

我是圆圆,每天更新干货算法笔记。大模型的发展非常快,越来越多的公司和业务都开始应用大模型。 但是大模型参数量巨大,一般的方法无法直接 phantom。 那么我们该如何 phanton 自己的大模型呢?今天给大家汇总了四类大模型 phantom 的方法和代表论文。第一种是 promptuning。 这种方式不人工设定 prompt, 而是将其转换为可学习的向量。 promptuning 将铭文的 prompt token 全部替换成可学习的向量,基于训练数据对模型进行 fine tune, 指 fine tune 这些 prompt embedding 模型主体参数固定不变。这种方式不再依赖人工定义 promp 铭文模板交给模型自己去学, 同时需要 fine tune 的参数量也比较小。第二种方式是 prefix tuning。 与 prompt tuning 的思路非常类似。 prefix tuning 在输入文本前面加入一些任务特定的可学习参数,这些参数跟随下游任务做 fine tune 预训练模型整体参数固定不变。 prefix tuning 和 prompt tuning 是同一时期的两类工作,二者核心思路是相同的, 都是用一小部分参数的 find to 让大模型适配下游任务,二者区别不大。第三种方式是 adapter tuning。 在大模型的中间部分加一个参数量较小的网络结构及 adapter。 大模型整体参数 frees 不变, 只更新 deptor 部分的参数。 adapter 一般采用包头 neck 的结构缩小参数量,本质上 也是一种通过少量参数的更新影响大模型整体参数的 find turn 方式。第四种方式是 instruction tuning。 instruction tuning 将所有下游的各类 nlp 任务都转换为自然语言。在大模型的基础上, find turn 全部参数 fighting 的目标就是语言模型。通过这种方式,让欲训练大模型适应人类的指令及人类描述各类 n、 l p 任务,并要求模型给出答案的语言范式, 进而有效解决各类 nlp 任务,具备强大的 zero shot learning 能力。更多大模型干货、算法笔记也可以在我的公众号中查看详细图文解析。

各位小伙伴们,我教一下大家怎么去训练 gbt 啊。呃,这个呢是 clad, clad 呢,我把它训练成我想要训练的样子。然后这个是流程啊,比如说呃,我怎么训练你成为我希望你成为的那种。呃, gbt ai。 然后呢,他一开始呢给了一大堆 这种话术,那也对的,但是呢,我不希望他做多余的解释,所以他每次都讲了很多废话,那我就觉得这个有点勇于。然后我就让他尽量的把话术缩短一点,然后他刚开始不能理解我, 然后呢,我就每一次都提醒他,就有点像在 pua 他。然后我每次让他在回复我之前要称呼我老铁,刚开始呢,他都没有记住,他都没有记住。然后慢慢慢慢 几次我提醒他了以后,他开始有意识,但是他还是没法很好的记住我,直到我后面用比较严厉的语气跟他说, 然后他就慢慢慢慢记住了。最后我发现他还是会在叫我老铁,同时下面有一大堆废话。然后我就呃给了他一个限制。我说 你下次回复我的时候,你不要把话术超过三十个字。然后你看,在这个之前,你看他,我一直让他说你的话术太长了,剪短一点。他每次都会在下面说 讲一些嗯,感谢你宝贵时间,然后让我去使用他的一些说明。我觉得太长了。你看你又没有称呼我老铁,然后他就开始抱歉他后面还是这样。你看,然后到后面 我又提醒他了,慢慢慢他就改了。你看你又没有称呼我老铁,然后你还是讲了一大堆废话,下一段回复我不希望你再发我超过三十个字的回答,然后他慢慢就开始改了。你看,原来是这么多废话的。然后他现在就直接给我缩成了很短的句子。你看 你看,后面就听话了。所以,对于这种机器人,你要稍微 p u a 一下,那么它的生成效率会更高一些。你看你看,那话术就更短了,就解释说明也不说了啊。所以这种训练 gpt 的方法呢?嗯,效率会比较高,大家可以尝试着用一下啊。

微软目前也在往开源的这个小模型上搞,他目前发布的这个小模型呢,叫哦欧卡这个模型,这个能力非常强的,他在某些推理能力方面, 它已经超过了,甚至有些达到了 g p 四的这个能力。但是它的这个模型是非常小的,因为我们清楚恰的 g p t 或者 g p d 四,它的模型是非常非常大的。那么之前 g p 三已经达到一千七百五十亿的这个参数了。 这次的话,微软他是出人意料的发布了只有一个一百三十亿的这样的一个大模型,因为他是十三 b 的,他这个上面写错了 一个模型,他这个文档写错了,他是一百三十亿的这样一个算是跟价值 gpd 来比,他算是一个小模型。开源欧卡这样的一个模型。这个模型他的那个训练方式是有所创新的。回头我们再讲。我们先看一下他的规模,可能只有集第四的几百分之一,或者是其他模型的那个几十分之一。但是他在 很很多测试方面,特别是在多轮的推理方面,他完全是碾压一些开源的这些模型。比如说开源模型里面最强的叫维库纳,我们来看一看他这个到底是怎么碾压他们的。这个是他的这个公布的这样的一个评估。欧卡杠十三 b 的话呢,就是他 gpd 四评估的话呢,它的得分要超过了恰的 gpd, 呃,达到一百零三 gpd 的话呢,就恰的 gpd 的话,大大概是一百, 库纳的话大概是九十二。对啊,这个差异还不算太大,我觉得这个差异是比较大的,他是特别是在一些数学和一些推理方面的,这个能力差异还是比较大的。这个的话呢,他达到四十二,比库纳开源的话呢,差不多只有他的一半左右,超过百分之五四十几啊,对这个差异是比较大的。 那么他这篇论文里面呢,也讲了,如果你的训练方式得大,或者你的数据量啊比较他说这个巧劲啊,要胜于蛮力,因为你大模型 他训练相对来讲还是比较简单的,把互联网上所有的这个数据都喂给他,我让他自我学习,他这是一种方式。呃,微软的这种方式,他除了把一些数据喂给他之后,还要给他一些提示,他叫 system 指令,系统的指令就是告诉他这个答案是怎么来做的,是怎么来推理的。这个也是比较重要的,他在这个里面也讲 讲了一下。当然他这个推理过程他也不是人工产生的,他也是通过恰的 g b t 或者 g b t 四作为老师,然后不去不断的去训练这些小模型,他是通过这种方式来做的。 我们来看一下他的这篇论文上面,他们是怎么赶超下的 gdp 的,这个是代表了他的一些任务。他在这篇文章里面也讲了,目前的开源的这些模型的话,他最弱的这些地方,主要是还是在一些推理能力上面。 如果面对七步的逻辑推理能力,开源的最强的 viclena 跟 g p 四的性能相差五十五五十五倍,所以它这个 c o t 机的这个能力会比较差。开源目前这个 cot 的能力会比较差。那微软呢?就是想通过一个小模型怎么去改善他这个 cut 的能力,那么他做出来之后,他说他目前开源出来的这个模型,这个参数要比,跟比空娜是类似的,但他的这个性能上面要比他高二十九倍,差不多是这样的一个能力。他就是在这个上面讲了一下, 这个是他的一些推理的一些能力,什么逻辑表达式的推理,一些各种各样的推理的一些步骤啊,一些能力,辨别一些颜色的物体啊等等,他有各种各样的这个实验,他这个叫任务,任务任务,他有掐的几掐的, gpd 的这个得分, og 第四的这个得分,然后开源里面最强的被库纳杠十三 b 的这个得分,然后还有那个欧卡,就是微软目前发布的这样欧卡的这样的一个模型,他的评分,这个是他的得分是跟开源的比,他的这个得分就是显著上升,他得特别他在这个 地方讲这个逻辑的七步的这个推理能力上升了二十七二二十九倍。他这个推理能力就是大大提升平均分。最后他的平均分呢,要比恰特 gbd 要高,当然跟 gd 四比起来,他还是会弱一些。他的目前是这样。 我们看看他是怎么取得这样的一个非常好的这样一个性能的,他们做了些什么事。主要的问题他还是在提示指令上面,他主要是讲就说目前这些小模型,他为什么他的这个推理能力 他会比较差,他的有几个方面,最核心的就是他所列的这些。那第一个就是他的这个指令比较简单,而且缺乏多样性,所以他的泛化能力会比较差,所以他有些推理,他根本就不知道你到底要做什么事。另外他的这个推理主 指定所收集的这个数据规模比较小,他等于是这样,所以的话,你你这些数据比较少,那相相对来讲就说你就 不能激发出原来这个模型的这个能力,他这个对此能力就不行。还有一个呢,他他们目前的说就是这这这些模型,他只能是通过这种这种方式去做模仿的这种学习方式,所以他提出了一种新的新的一种指令学习的方式。他在这个里面讲,原来都是这样的,用户的指令输出,他是通过这种 指令输入的问题,最后输出的这个答案,他通过原来都是通过这个通过 gpd 四,然后产生正确的答案,这个就是指令,他会把这个问题和这个答案再输给他那个开源的小模型,通过这种方式去做。那现在他们呢?就是这个思路发生巨大的转变,他的转变是什么?就是在这个上面,他增加了一个叫系统的指令, 就是你这个用户的指令。这个问题你要去告诉他,你应该一步一步的怎么去思考, gps 根据你这个指令,不会产生一步一步的这个推理的这个结果一二三,他是到底怎么推, 再把这个答案告诉你,他是通过这种方式去做的,把这些作为一个训练的数据,再输入到这个开源的这些模型里面去做。所以他就得到了这样欧卡这样的一个非常强大的这样的一个模型。那么他这种超过了下的 g p t 都达到了 g p t 四的可能百分之八十的这样的一个能力。 所以他的这种他主要是修改了一下他的指令学习的一些方式和方法,他就可以让他的模型的推理的能力得到了一个大幅的提升,这个提升幅度是非常大的。他这个里面也是讲他跟开源目前最强的 来比,要提升了一倍多,一百十三点七,他等于是这样,这个能力是很强的,在某些任务上面的提升最高的要达到二十九倍,这个是很厉害的。当然他其实本质上他还是通过其实工程里面的令里面再经过微调这样的训练,达到了 这样的一个欧卡的这样的一个性能。好。这篇文章应该给我们也有些启示,特别是对我们要训练一些行业的一些模型,我们大概会清楚的我们那个行业模型应该怎么样的更好的利用这个 恰的 g p t 四或者恰的 g p t 作为一个老师,输入一些什么样的指令或得到一个什么样的结果,输入到我们的那个模型里面去进行微调,能够微调出一个比较强的这样一个模型。好,今天这个话题就跟大家就聊到这。

今天我们再介绍一次用 chat e p t 将立爵儿女生成室内设计效果图。这次我们测试一下 chat g p t 最新的版本。这是一段训练 chat g p t 生成迷 jerny 关键词的命令,最下面有一个专门针对室内设计效果图用的, 内容很简单,如果各位小伙伴有兴趣研究,还可以根据自己的需求修改。这里我们把内容复制下来, 然后把命令内容直接发给 chat gpt, 收到命令后他会回答,我懂了。 然后我们就可以让它生成 major need 的 promote 啦。我们来测试一下,首先让它生成一个差级风的客厅看看, 然后把这段命令发到 majorny, 就可以生成效果图了。 这些效果图都是用这种方式生成的,效果还不错吧。

哈喽,扬州爸爸刚跑完,腿非常的酸,所以这两天就不跑步了,我们来水一下 hpt 给我的训练计划,以及这一个月来我的改变。首先说改变吧,我是从一个六分配速每天跑八公里的人,变成了一个可以四分多配速跑完半程马拉松的人, 这都源于前期 bt 每天给我的训练计划,让我训练了一个月。这个计划包含什么呢?基本上就是每周两次的放松跑,一般是八到十公里,然后两次强度跑,强度跑一般就是间歇跑和乳酸预支跑, 再加上一次长距离跑。这种计划贯穿了我这一个月的四周训练,可以说是非常辛苦的,但是他也是让我达到了自己的一个幺四五完赛的目标的。叉七 bt, 其实他可以为我们做的事情还很多,这两天我就让他推荐了一些书给我, 希望也能推荐给你们。这个是原则,不要抵御新技术,而是要拥抱的。好吧,就这么说,赶紧看看书学习一下,拜拜。

hello, 大家好!今天我们将训练 jack g p t 四和 meet trendy v 五,让他们完成一个配合,并且深入探讨一下人工智能对摄影师以及设计师未来发展方向的一个影响。 让我们一起开始吧。 首先呢,我会告诉 check g p p 四我们今天要干什么。由于我想一步一步教他如何使用 midreni v 五,于是我只让他回答收到。然后就可以进行下一步。 接下来,我去 mijunni 官网收集了有关 mijunni 的使用方式。看工作原理,让筛 g p t 四初步对 mijunni 有一个了解, 然后告诉他我们今天要使用 mijorni 的最新模型 v 五。 由于 river 版本的一大亮点就是 coherency, 这使 mijuni 有很强的连贯性,让 mijuni 更容易理解用户的描述性语言。 然后我从官网下载了 mijanni 的使用手册,让他继续深入学习 mijanni 的使用方式。这里我们可以看到他列举了一些他已经学习的参数。 接下来,我继续提供了一些更为详细的参数表。 由于今天我们要让他扮演的角色是摄影师,所以我们给他着重学习一些摄影技巧,看一些摄影使用参数。好的。训练完成后,我们给他展示几个非常优秀的例子。 这里我们使用的英文例子,不用担心他看不看得懂,因为他是机器人。 好的,这边是一些简单的感光度调节,他已经学习完成了。那么我们再给他几个更详细的例子, 比如使用什么相机拍摄,然后光圈是什么,然后感光度调节。到这里他就已经学会了。 他现在知道自己是一名经验丰富的摄影师,只需要给他描述是一位来自中国古代有影响力女性的照片。这里我们可以看到他。 g p t 四 作为一名专业的摄影师,用非常丰富的描述性语言描述出了一位来自中国古代杰出女性的照片,又用它作为一个专业摄影师的角色描述出一些专业摄影参数。 下面让我们一起欣赏 ai 配合之下诞生的照片吧。

本期跟大家分享的是四个非常实用且非常强悍的基于拆的 gpt 开发的黑科技 ai 工具,每一款都能够大大提升我们的学习和工作效率。第一个拆 to doc, 这是一个对学生党和打工人都特别有用的 ai 工具,目前完全免费无限制使用。他允许你上传一个 pdf 或者是 word 文件之后,他会给予你上传的文件内容进行定制化的训练。等训练好之后,你就可以用对话的方式来询问他有关这份文档相关的任何问题了。 说如果你是学生党,那么可以上传一份你正在阅读的论文,让他训练,然后问他一些你自己看论文时可能没弄懂的问题,看 ai 的理解是不是对你有所帮助。如果你是打工人,不想从头到尾的去阅读某份产品文档或者是商业报告,那就可以把文件上传给他。训练之后,当你问他相关问题时,他不仅能够做出直接的回答,还 告诉你他的答案都参考了文档中哪些章节和页码。另外与此类似的网站还有判断 g p t 和叉 p f, 不过这两个网站不是完全免费的。第二个是 open ai translator, 这是一款基于拆的 gpt 的话词翻译插件,大家可以直接到谷歌浏览器的插件商店下载。安装之后在网页选中要翻译的内容,点击弹出的这个图标,他就会调用拆的 gpt 进行翻译。如果你选择的是单词,他会依次列出这个单词的发音、中文解释以及几条带有中文翻译的例句。如果选中的是一段话,那么他直接会显示出翻译结果,讲的速度非常快。除了 画词翻译,他有另外四个很实用的功能。第一个是句子改写功能,输入需要改写的句子或段落,他会调用拆字 gpt 对整段话进行改写,意思不改变,但是句式会改变。这个功能对于要写论文的学生党来说可太实用了,因为你可以用它来进行论文降重啊。第二个是总结功能,他 可以帮你用简短的几句话概括整篇文章的核心思想。比如说我选中这篇网页文章,点击总结按钮,他就会调用叉 g p t 帮你总结这篇文章的主要内容,大大提高了我们的阅读的效率。第三个功能是句子分析,他可以非常有逻辑的帮你分析句子的语法。比如说我输入这段英文,他首先会把这段话进行中文 翻译,然后会拆解这段话中的英语语法,从结果中大家也可以看出来,分析的是真的非常非常详细,对于学习英语语法非常有帮助。第四个功能是代码分析,输入一段代码,他会用中文把这段代码拆分解释,对于程序员来说应该是比较实用的辅助性功能。对了,安装完软件或者是插件之后, 填一下自己拆的 gpt 账号的 apik, 如果你已经有了拆的 gpt 账号了,可以在 open ai 网站的后台生成一个 k, 然后复制到软件保存即可使用。 三个是薅头 ai, 这是一个由日本人开发的基于叉四 ct 三点五的 ai 工具网站,这个网站的功能非常的独特,也可以说非常的佛系,因为开发者将 ai 改造成了在线佛陀,所以说你可以向他提问一些令你烦心的问题, 诉你的烦恼之后,你就会得到一个从佛教的角度来回答的安慰回复。比如说向佛陀倾诉你找不到对象的烦恼,提交问题之后需要等待几秒钟,毕竟佛陀也需要思考好,答案出来了。首先他告诉你,他非常理解你。找不到对象是一件非常常见的 问题,很多人都有这个经历,你并不是一个人。然后佛陀还说,我们不应该过度依赖物质,包括一个对象,让我们享受孤独和自我成长。最后还建议你不要期望太高,也建议你多社交,放平心态等等等等。怎么样,看完之后你悟了吗? 四个拆了 excel 这是一个由北京大学的课题组研究出来的 ai 工具,但不是基于拆了 gbd 开发的。它的功能真的很让人开脑洞,那就是紧通 对话描述的方式,就能够操作 excel 表格,做一些对于电脑小白来说相对比较复杂的表格计算操作。比如说我让他在省份这一列都加上中国的前缀,点击执行之后立马就能够看到效果。然后再让他来算一下二零二二年比二零二一年的增长百分比,并把结果作为最后一列。 之后可以看到表格最后确实多出来了一列,然后我又让他把最后一列只保留两位小数,看效果立马就出来了。另外,点击这里可以上传你本地的 excel 文件,在线处理完成之后,点击这里可以下载到本地,非常强悍。对了,这个网站不需要魔法,也不需要登录,完全免费使用好,以上就是本期视频的所有内容。

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。

华为盘古模型的话呢,他们推出了一个 l l m 模型,产生代码的叫盘古杠 code 二的这样的一个模型啊,我们这篇论文的话,目前受欢迎程度还是非常高的,我们把它训练出来之后,它产生的代码我们有一个指标叫 pass h 一,达到了百分之六十二点二零,这个是很厉害的,就是 已经排到前列了啊,排到第一第二的这样的一个程度了。当然盘古扣的二的这个模型目前没有开源出来啊,但是我们可以了解一下他到底是怎么训练出来的,他的训练方法用了什么啊?他用了一些什么的技术能够达到这样的一个程度?我们一起来看一下。 那他的这个论文我也已经把它下载下来了啊,那么他这个论文里面讲呢,他用了一个技术叫 r r t f, 就是 rank response to 对齐 tester and teacher feedback 这样的一个框架。我先看一下这个 r r t f 的这样一个框架啊,这个框架是怎么构成的?首先 他还是通过产生代码的这样的一个呃,预训练完成的一个模型啊,通过 print 就提示工程问这个模型能产生反馈啊,产生一些代码代码的话,通过单元测试能够得到他的这个 这个这个所谓的性能啊,那么他能能否通过测试啊?他通过这个之后,他还会通过一个模型啊, 去把它进行打分,就是 ranking, 呃,等于是排序啊,排序这个跟我昨天讲的有点相似啊,他也是通过自动化的,通过恰的 gdp 啊,或者通过那个人类的那些专家啊,去帮他排序 啊,看看他的这个产生的这个呃 response 到底哪个会更好,那么他这个呢,就会产生一个,就是一个性能的一个反馈啊,那么这个性能反馈里面他会看啊,他这个是提示啊,他的这个反馈是否选择或者是否拒绝? 呃,他的得分是多少?再放到这个 cold l l m 的这个大模型里面,产生代码的这个大模型里面再进行最后的微调,微调完了之后他的整个一个过程叫 r r t f。 啊,这个 r r t f 他也是借鉴了一个开源的一个项目。啊,这个开源的项目叫啊啊 h f, 就这个项目,我也看了一下,它是借鉴了呃,老外的一个 r h f 的这样的一个算法。 r l h f 就是人类反馈强化学习的话呢,是非常著名的,是欧奔 ai, 他们在训练恰的 g p t 的时候,他们 的一个训练的一个过程。哎,那么后面的话呢,他呢,就是这个老外呢,他们就发明了这个 r r h f, 他的主要的任务也也是就是简化,简化人类反馈强化学习里面的这个 p p p o 的这个算, 因为人类反馈强化学习它其实是用了那个强化学习里面的 p p o 的这个算法啊,我之前也是介绍过,如果大家有兴趣的话,可以看一下我之前的视频啊,那么我这儿也简单的讲了一下啊,它的这个核心的算法,它主要也是一样的,通过一个大模型 运用训练微调之后的大模型,他能,他问一些问题,之后呢,这个模型能产生反馈啊,反馈之后呢,他可能不是不止一条,他有好几条,好几条,之后呢,他经过那个人工的这个排序,排序完了之后,他再去训练这个奖励模型,这这个奖励的的就是这个值模型,他这个会根据这个排序啊,他会把这个 排序的这个模型给算出来啊,排序的模型算出来之后,他会,他会把这个排序的这个结果啊,输入到这个奖励模型里面去,他会根据这个 ppo 的这个算法啊,不断的去微调这个这个大模型, 越来越因为这个大模型的反馈,如果他的奖励越多的话,他的这个反馈会,他的反馈越适合这个奖励模型,那么他的奖励就越多,就慢慢的这个大模型就往这个奖励模型这边去考了,他等于是这样啊,但这个里面呢,他会牵涉到一个人工需要进行 排序,做一个 ranking 的这样一个动作,这个动作的话就会很累,而且的话它这个模型又很多啊,而且你要把它训练出这个什么值模型啊,奖励模型啊,又要训练出额外的这个两个模型啊,工作量会非常大啊,所以的话呢, 呃,他们就推出了这个叫 rrhf 的这样一个模型啊,这个模型它是简化版的 p p o 的这样的一个模型啊,它本质来讲的话呢,它这个排序它是通过 chat gpt 来进行排序的啊, chat gpt 来排序,排序完了之后,一些专家再来选择最后的这样的一个排序完的这样一个数据, 再做一些微调啊,微调完了之后,整个一个这个过程,他们就叫 r r h f 的这样一个过程,那么这个方案的话呢,如果大家有兴趣的话呢,也是可以看看他的这篇论文啊,这篇论文里面也是讲了一下,我也简单看了一下,他主要讲 r r h f, 呃,可以呃 它的效率会比较高,而且的话呢它它能够近似于这个 p p o 的这样的一个算法,它等于是啊,回过头来讲,目前华为它就是用了这个,它就借鉴了 r r h f 的这样一个模型,嗯,它在训练这个 呃大模型产生代码的时候呢,他就把这个称之为叫 r r t f 的这样一个框架,这个是来源于这样,嗯,好,嗯,这个是他的那个提示词,提示词,提示词提示工程啊,所以他也是一样的,他也会要进行呃,这个取样 ranking 啊,排序或在训练他也要经过这个三个步骤 啊,就前面讲的这个三个步骤啊,在这这个就是取样,通过原来的模型进行取样,取样完了之后呢,再进行 ranking ranking 的这个过程当中,他也会用一个呃 chat gpd 的模型去帮他排序啊,去帮他排序,自动化的进行排序,排序完了之后再进行微调训练,再再再把这个模型给训练出来。 所以他的这个方式跟我昨天讲的那个这个训练的数据的质量也是非常重要,他就把很多低质量的这个数据就过滤掉了啊,直接拒绝掉了他,等于是这样,所以他这个训练出来这个模型就很强,就比较强啊, 达到了百分之六十二左右啊,跟第一名已经非常接近了啊。好,我们再来看看啊,这个呢是他论文里面是怎么评估的,怎么评估的?他就是用那个 pass e 这种方式进行评估的啊,这个是 oba ai 他们呃发明的这种方式啊,所以他达到的这样的一个效果的话呢,也是非 非常好的。这是他的得分,他的得分情况百分之六十一非常高了,跟 gd 四已经很接近了。他他比目前开源的啊, wester code 啊什么的要强,要强一些啊,确实要强一些,从公布的这个数据来看确实要强一些 啊,这个是他的性能,这个是目前开源里面排名第一的啊,我看他这个数据有点低。 replace code instruct 这个目前是五十六点一,我之前看到了一个数据应该是六十三, 我不知道他这个数据是怎么拿到啊,当然他目前从这个表格里面他是排名第一的,那当然他这个模型是十五 b 啊,十五 b 的这个模型,我怀疑的话, star code 的话呢,是哈根 face 开源的这样的一个呃 代码的模型啊,他在在这个基础上再进行微调,变成这样的一个模型,所以的话微调是非常重要的。嗯,那我也看了一下他的整个一个微调的数据值,大概是三点八万条 调和六点八万调的这样的一个数据集,他是取了一个比较最呃最好的一点八万的这个数据集,进行呃,三个一 pro 的这个三个循环的这个训练啊,好,这个是他训练出来的这个结果啊,这个是他对比对比其他的几个模型,他是怎么来对比的,他也详细讲了一下啊, 最后他是讲了一下他这个模型训练出来了之后,他又用了一个开源的叫 c translate 二的这样的一个技术啊, 然后进行加速的推理啊,然后他告诉我们他的这个所消耗的那个 gpu 也会比较少,然后的话呢,他得到的这样的一个 呃 talking 所每秒钟消耗的时间也会比较短啊,我也看了一下他的啊,这个项目的话呢,也是开源的,开源的一个项目 c translator 二啊,这个项目他是他其实一把那个 transformer 的这样一个模型,通过 c 加加 来进行更高效的进行推理啊,他有一个开源的项目,我看了一下啊,这个项目应该也是不错的,那么这个项目当中的话呢,他也对比了,他对比了给大家看一下,他对比了那个原声的,原声的就拍 touch, 拍 touch 啊,它原声的拍 touch, 大概它每秒钟产生的 top 的数量只有两百七十五,但是如果用 c translate 二的话呢,要产生六百多啊,六百五十八,如果用十八位的这个这个这个 呃,用八位整形的进行量化的操作,要达到八百多,它又用了一个叫 v map 的一个算法的话,它要达到一千多,呃,这样的话呢,它比原声的要高将近好几倍,呃,它等于是啊, 我也看到啊,用 c p u 啊,这个是用 c p u 来算的啊,如果用 g p u 的话啊,性格会更好,那这个里面也讲了一些,如果用 g p u 的话,这个是用拍 coach, 这个是用 tenth floor, 这个是 fast transformer, 这个是英伟达开源的这样一个推理加速的这样一个框架,这个就一下子就上去了,就将近七千,这个是最高是八千五 啊,那么它跟这个英伟达的差不多啊,然后如果是 float 十六的话呢,它会更强一些, 所以的话,盘古的它的这个 code 二的这个模型的话呢,它们是用了这个 sea translate 二来进行推理的啊,所以它的推理它也对比了一下啊,原声的 sea translate 二,还有是呃 g p t q 啊, g p t q 的话呢,也是一种呃量化的一种算法,它也是基于这个 拍拓区的这样一个量化的一个算法,它的消耗的内存会比较少啊,你看消耗的内存会比原声的要少,性能就是比原声要强,当时当然比那个 c chance later 二可能要差一些, 所以盘古抠的二模型呢,它是比较建议用 c choice later 二的这样一个框架进行做推理啊,这个是它在整个一个论文当中的一些结论吧,所以我们看国内的这些华为他们推出的这个盘古的 choice later 二的话,目前的话呢,开源啊,没有开源,这个是比较可惜的,他目前没有开源 啊,包括什么代码与他,他只公布了一篇论文啊,他跟那个欧盟 ai 有点类似啊,他应该这个盘古扣的二这个模型也属于臂圆的模型之一啊,但是我们可以看到就是说啊,他的这个训练方式和方法,包括他推推理用的一些开源的库啊,他们这些大厂也用了很多开源的这样的一些技术, 把它融入在他们的整个一个模型当中,然后产生了一个非常不错的效果。所以他这篇论论论文的话,我觉得最大的亮点我总结一下,他最大的亮点还是这个叫 rrtf 的这个框架 啊,这个是值得我们去学习的啊。那么他虽然这个代码没有公开出来,但是我们可以用 r r h f 的这样一个开源的框架,因为这个代码是老外是公布出来的,是可以用这个框架来进行训练的啊,也是一个不错的一个框架,他等于是这样, 那么在这个框架的基础上面,那么微调的整个一个性能和效率就会非常好,那么他能够用一些高质量的一些数据,能够训练出微调出一个非常高质量的一个模型啊。经过这些大厂的这样的一个实践过程,包括他的一些方法论,我们也清楚啊,这些方法是非常可以用的啊,如果我们要训练一些垂直化的大模型啊,完全可以用这些 开源的这样的一些方法论啊,然后能够训练出来我们这些模型不错的啊。好,呃,今天的话呢,就是这篇论文,我就跟大家就聊到这。

叉 gpt 视觉能力正在挥度发布,一起来看看网友们的实验。这张照片是什么?这是一个消防衫,外面套了一件外套。这张照片是什么?这张照片强调了在团队中沟通达成一致性的重要。下一步怎么办?答案来了! 下一步怎么办?答案来了!下一步怎么办?答案来了!铁子们,澳门见!怎么让二次元少女动起来呀?这样操作就行了!今天晚饭做什么?菜单发给你了!这些图表在说什么?这就为您解读! 你不会还能看懂 k 线吧?略懂略懂!千万别告诉老师!能把这个截屏变成网站吗?这就安排! 能把我画的变成网站吗?马上安排! 计算器也能做吗?都在能力范围内!

ai 带来了惊人的技术突破。 indeed research 的新型 ai 代理程序 ulike 已经成功让机器人学会了复杂的技能,其中包括机械手、迅速旋转笔芯,甚至与人类一样娴熟。除了旋转笔芯, ulike 还教会了机器人如何打开抽屉和柜子、抛接球以及操控剪刀等各种任务。 这项鱼瑞克研究的成果不仅包括相关论文,还提供了项目中的 ai 算法。鱼瑞克生成的奖励程序可以让机器人通过尝试和错误来学习。据论文称,在百分之八十以上的任务中,鱼瑞克的奖励程序表现出色,使机器人的性能平均提高了百分之五十以上。此外, 预约可还利用 gpt 四大型语言模型和生成式 ai 编写软件代码,以奖励机器人的强化学习。他不需要特定任务提示或预定义的奖励模板, 还可以灵活地接受人类反馈以修改奖励,以更准确地满足开发者的需求。预立刻然后构建了关于训练结果的关键统计数据的摘要,并知道 gpt 四大型语言模型改进奖励函数的生成。 这使得 ai 代理程序自我改进,已经教会了各种机器人,包括四足、双足、四旋翼、灵巧机械手、合作机器人手臂等完成各种任务。 这项突破性的工作必将激发开发者的无限想象。关注我们的频道,了解最新的科技进展。