搜索
基于 Transformer架构的大型语言模型在各种基准测试中展现出优异性能，但数百亿、千亿乃至万亿量级的参数规模会带来高昂的服务成本。例如GPT-3有1750亿参数，采用FP16存储，模型大小约为350GB，而即使是英伟达最新的B200 GPU 内存也只有192GB ，更不用说其他GPU和边缘设备。
通过高保真合成语音与真人语音无异。
本研究评估了先进多模态基础模型在 10 个数据集上的多样本上下文学习，揭示了持续的性能提升。批量查询显著降低了每个示例的延迟和推理成本而不牺牲性能。这些发现表明：利用大量演示示例可以快速适应新任务和新领域，而无需传统的微调。
一张人像、一段音频参考，就能让霉霉在你面前唱碧昂丝的《Halo》。
一个“技术问题”，导致巴菲特的伯克希尔-哈撒韦公司股价暴跌近100%。 想必很多小伙伴已经感受过了这则铺天盖地的消息，所带来的亿点点震撼。
一周前，苹果在WWDC上发布了自己的AI功能Apple Intelligence，包括直接集成OpenAI的ChatGPT，自那以来，股价上涨逾7%，重夺全球市值第一宝座。
Build大会召开两周之后，微软更新了Phi-3系列模型的技术报告。不仅加入最新的基准测试结果，而且对小模型、高性能的实现机制做出了适当的揭示。
大语言模型提示中，竟有不少「怪癖」：重复某些内容，准确性就大大提高；人名变匿名，准确性就大大下降。最近，马里兰OpenAI等机构的30多位研究者，首次对LLM的提示技术进行了大规模系统研究，并发布75页详尽报告。
通过算法层面的创新，未来大语言模型做数学题的水平会不断地提高。
在面对广阔的市场时，既不断进化自身的优势，又力求实现“小而美”的精致与专注