古尔曼：苹果致力于开发用于生成式人工智能功能的设备端大型语言模型

古尔曼：苹果致力于开发用于生成式人工智能功能的设备端大型语言模型 据彭博社的马克·古尔曼报道，苹果公司正在开发自己的大型语言模型 (LLM)，该模型可在设备上运行，以优先考虑速度和隐私。古尔曼在他的“Power On”时事通讯中写道，苹果公司的大语言模型为即将推出的生成式人工智能功能奠定了基础。“所有迹象”似乎表明，它将完全在设备上运行，而不是像大多数现有人工智能服务那样通过云端运行。由于苹果公司的人工智能工具将在设备上运行，因此在某些情况下，可能不如直接基于云的竞争对手，但古尔曼表示，该公司可以通过从谷歌和其他人工智能服务提供商获得技术许可来“填补空白”。

Mistral发布首个代码生成人工智能模型Codestral 但不可用于商业活动

Mistral发布首个代码生成人工智能模型Codestral 但不可用于商业活动 Mistral 在一篇博文中解释说，它接受过 80 多种编程语言的训练，包括 Python、Java、C++ 和 JavaScript。Codestral 可以完成编码功能、编写测试和"填充"部分代码，还能用英语回答有关代码库的问题。Mistral 将这种模式描述为"开放"，但这还有待商榷，因为这家初创公司的许可证禁止将 Codestral 及其产出用于任何商业活动。虽然有"开发"的例外，但即使是"开发"也有注意事项：许可证明确禁止"员工在公司业务活动中的任何内部使用"，究其原因可能是 Codestral 部分训练内容受版权保护。Mistral 在博文中没有证实或否认这一点，但这并不奇怪；有证据表明，这家初创公司以前的训练数据集包含版权数据。无论如何，Codestral 可能不值得这么麻烦。该模型有 220 亿个参数，需要一台强大的电脑才能运行。(参数基本上决定了人工智能模型处理问题的能力，比如分析和生成文本）。虽然根据一些基准测试（我们都知道，这些基准测试并不可靠），该模型击败了竞争对手 ，但这并不能说明它有多厉害。虽然 Codestral 对大多数开发人员来说并不实用，而且在性能提升方面也是渐进式的，但它肯定会引发关于依赖代码生成模型作为编程助手是否明智的争论。至少在某些编码任务中，开发人员肯定会使用生成式人工智能工具。在 2023 年 6 月的 Stack Overflow民意调查中，44% 的开发人员表示，他们现在在开发过程中使用人工智能工具，26% 的开发人员计划不久后使用。然而，这些工具有明显的缺陷。GitClear 对过去几年中提交到项目仓库的超过 1.5 亿行代码进行了分析，发现生成式人工智能开发工具正在导致更多错误代码被推送到代码库中。普渡大学的一项研究显示，OpenAI 的 ChatGPT对编程问题给出的答案有一半以上是错误的。但这并不能阻止 Mistral 等公司试图将其模式货币化（并获得心智份额）。今天上午，Mistral在其Le Chat对话式人工智能平台上推出了托管版Codestral以及付费API。Mistral表示，它还致力于将Codestral纳入LlamaIndex、LangChain、Continue.dev和Tabnine等应用框架和开发环境。 ... PC版： 手机版：

OpenAI 正式公布人工智能语言模型 GPT-4

OpenAI 正式公布人工智能语言模型 GPT-4 3月15日早间，人工智能初创公司 OpenAI 正式公布最新一代人工智能语言模型 GPT-4。 它是 OpenAI 在放大深度学习方面的努力的最新里程碑，是一个大型多模态模型，可接受图像和文本输入，发出文本输出。 GPT-4 对月订阅费20美元 ChatGPT Plus 用户开放使用，同时也会纳入到微软的 Bing 聊天机器人中。 相关链接： - OpenAI-GPT-4 https://openai.com/research/gpt-4 - GPT-4 Developer Livestream http://www.youtube.com/watch?v=outcGtbnMuQ - ChatGPT Plus 访问 GPT-4 https://chat.openai.com - GPT-4 API 候补名单申请 https://openai.com/waitlist/gpt-4-api - 优先获得 API 权限的方法 https://github.com/openai/evals

| #指南LLMs，即大型语言模型（Large Language Models），是一种基于人工智能和机器学习技术构建的先进模型

| #指南 LLMs，即大型语言模型（Large Language Models），是一种基于人工智能和机器学习技术构建的先进模型，旨在理解和生成自然语言文本。这些模型通过分析和学习海量的文本数据，掌握语言的结构、语法、语义和上下文等复杂特性，从而能够执行各种语言相关的任务。LLM的能力包括但不限于文本生成、问答、文本摘要、翻译、情感分析等。 LLMs例如GPT、LLama、Mistral系列等，通过深度学习的技术架构，如Transformer，使得这些模型能够捕捉到文本之间深层次的关联和含义。模型首先在广泛的数据集上进行预训练，学习语言的一般特征和模式，然后可以针对特定的任务或领域进行微调，以提高其在特定应用中的表现。 预训练阶段让LLMs掌握了大量的语言知识和世界知识，而微调阶段则使模型能够在特定任务上达到更高的性能。这种训练方法赋予了LLMs在处理各种语言任务时的灵活性和适应性，能够为用户提供准确、多样化的信息和服务。