大家好，欢迎来到IT知识分享网。

1. finetune开源：一键从命令行进行微调，助力gpt-3.5-turbo调优

近日，一款新的工具引发了业界的广泛关注。这款工具可以自动化gpt-3.5-turbo的调优过程，用户只需一键操作，即可使用本地磁盘上的文件进行调优。这一技术的出现无疑为大数据处理和人工智能的发展带来了新的可能性。用户可以借助这款工具，更加便捷、高效地进行模型调优，从而提升业务处理能力和数据处理效率。同时，这款工具的出现也进一步推动了人工智能技术的深度应用和普及，有望在未来的科技发展中发挥更大的作用。

划重点

• 新工具能够自动化gpt-3.5-turbo的调优过程
• 用户只需一键操作，即可使用本地磁盘上的文件进行调优
• 这款工具的出现进一步推动了人工智能技术的深度应用和普及

标签：人工智能, 模型调优, gpt-3.5-turbo

附原文链接/1[1]

2. Prompt2Model：使用简单指令创建更智能、更小型的模型

Prompt2Model为您提供了一种全新的方式，无需使用庞大且资源消耗重的AI模型，只需用简单的语言描述您想要的功能，Prompt2Model就能为该任务创建一个更小、更高效的AI模型。值得一提的是，它能创建出的模型甚至有可能超越一些流行的大型模型的性能。

划重点

• Prompt2Model允许您使用简单的语言描述来创建AI模型，无需依赖大型、消耗资源的AI模型。
• Prompt2Model创建出的AI模型小巧且高效。
• Prompt2Model的性能有可能超越一些流行的大型模型。

标签：Prompt2Model, AI模型, GitHub

附原文链接/2[2]

3. cheetah：开源的多模态语言模型，处理视觉-语言任务

近期的模型常常在处理复杂的视觉-语言任务上遇到困难，这主要是由于它们在理解混合的图像-文本上下文时存在限制。为了评估这些任务，研究人员引入了I4基准。结果显示，视觉提示生成器的注意力存在缺陷。为了解决这个问题，研究人员开发了一款名为“猎豹”的模型，它具有独特的模块和训练策略，能够优秀地理解复杂的交织指令。猎豹模型在I4基准上取得了最佳性能。

划重点

• 猎豹模型是为了解决视觉-语言任务中的问题而研发的
• 猎豹模型具有独特的模块和训练策略，能够有效理解复杂的交织指令
• 猎豹模型在I4基准测试中表现出色，取得了最佳性能

标签：人工智能, 视觉-语言模型, 猎豹模型

附原文链接/3[3]

4. 法律推理基准：测量语言模型在法律框架中的推理能力

在一个大规模的合作努力下，我们构建了一个基准，用于度量语言模型在法律框架中的推理能力。这项工作的关键在于，我们需要警惕已经训练过的模型中的污染。语言模型在训练过程中可能会被各种各样的数据源影响，这些数据源可能并不完全符合我们的期望和要求。我们需要确保模型在推理过程中使用的法律知识和数据是准确和可靠的。同时，我们也需要持续地监测和更新模型的推理能力，以确保我们的模型能够在不断变化的法律环境中做出准确的推理。这是一个长期且持续的努力，需要我们的全力以赴。

划重点

• 构建了一个度量语言模型在法律框架中的推理能力的基准
• 警惕已经训练过的模型中的污染
• 需要确保模型在推理过程中使用的法律知识和数据是准确和可靠

标签：法律, 语言模型, 推理

附原文链接/4[4]

5. Meta发布自己的AI代码编写工具：Code Llama

Meta发布了Code Llama，这是一个建立在Llama 2之上的大型语言模型，专门用于生成和调试代码。它还发布了一个针对Python的特定版本，以及另一个可以理解自然语言指令的版本。这些模型不能互换使用。Meta声称Code Llama在编码任务上的表现优于其他公开可用的LLM，但并没有具体指出测试了哪些模型。

划重点

• Meta发布了Code Llama，这是一个建立在Llama 2之上的大型语言模型，专门用于生成和调试代码。
• Meta还发布了一个针对Python的特定版本，以及另一个可以理解自然语言指令的版本。
• Meta声称Code Llama在编码任务上的表现优于其他公开可用的LLM，但并没有具体指出测试了哪些模型。

标签：Meta, Code Llama, AI code-writing

附原文链接/5[5]

6. 图灵深度训练的新突破：Unit Scaling低精度训练方案

英国的AI硬件公司Graphcore近日发布了一款优秀的Pytorch库，使得在fp8中进行训练变得异常简单且稳定。这只需要一个模型封装器和torch编译器。Graphcore以其创新的机器智能处理器（IPU）而闻名，现在他们在深度学习训练领域又有了新的突破。这次的新技术，被称为Unit Scaling，是一种低精度训练方案，将大大提高训练的效率和稳定性。这不仅提供了一种全新的方案，还为AI研究带来了更广阔的可能性。

划重点

• Graphcore发布了一款优秀的Pytorch库，使得在fp8中进行训练变得异常简单且稳定
• 这次的新技术，被称为Unit Scaling，是一种低精度训练方案，将大大提高训练的效率和稳定性
• Unit Scaling不仅提供了一种全新的方案，还为AI研究带来了更广阔的可能性

标签：AI, Graphcore, Low Precision Training

附原文链接/6[6]

7. 论文：谷歌新推视频生成基准测试工具，助力自动视频生成领域研究

自动视频生成作为一个新兴的研究领域，已经引起了广泛的关注。其中，故事延续、故事混搭等任务的衡量标准十分复杂。谷歌最新推出的视频生成基准测试工具，希望能帮助这一领域取得进一步的进展。通过这个基准测试，研究人员可以更精确地衡量自己的技术和算法的优劣，从而推动这一领域的研究更加深入。这样的工具无疑为自动视频生成领域的发展提供了强大的推动力。

划重点

• 自动视频生成是一个新兴的研究领域
• 谷歌推出了新的视频生成基准测试工具
• 这个工具有助于推动自动视频生成领域的研究

标签：谷歌, 视频生成, 基准测试

附原文链接/7[7]

8. 朝向AGI：我们还缺少什么？

本文探讨了为何现有的大型语言模型（LLMs）不太可能导致人工通用智能（AGI）的发展，以及为何物理学本身将阻止我们从现在的状态突然跃升到AGI。当前的LLMs，虽然在某些方面已经取得了显著的进步，但是在理解和推理的能力上仍然存在巨大的不足。同时，物理学的基本规则和限制也阻止了我们在技术发展上的突飞猛进。因此，我们需要更深入的理解和探索在智能发展上的根本问题，才能真正向AGI迈进。

划重点

• 现有的大型语言模型（LLMs）不太可能导致人工通用智能（AGI）的发展
• 物理学本身将阻止我们从现在的状态突然跃升到AGI
• 我们需要更深入的理解和探索在智能发展上的根本问题，才能真正向AGI迈进

标签：人工通用智能, 大型语言模型, 物理学限制

附原文链接/8[8]

9. 开源的AutoML网络应用程序APP

近日，GitHub平台上发布了一个名为AutoML的网络应用程序。该应用程序是用于训练机器学习管道的工具，它采用了MLJAR AutoML技术。通过这款应用程序，用户可以更方便、快捷地对各种机器学习模型进行训练，无需深入了解复杂的算法和编程知识，大大简化了机器学习管道的构建过程。目前，这款应用程序已在GitHub上公开，欢迎广大机器学习爱好者和开发人员前往体验。

划重点

• GitHub上新推出了一个名为AutoML的网络应用程序
• 该应用程序采用了MLJAR AutoML技术，方便用户训练机器学习模型
• 该应用程序已在GitHub上公开，欢迎广大机器学习爱好者和开发人员前往体验

标签：GitHub, AutoML, 机器学习

附原文链接/9[9]

附AIGC每日一图

关注「漫话开发者」，精选全球AI前沿科技资讯以及高质量AI开源工具，帮你给每天AI前沿划重点！

– END –

参考资料

[1]

附原文链接/1: https://jxnl.github.io/instructor/finetune/?utm_source=talkingdev.uwl.me

[2]

附原文链接/2: https://github.com/neulab/prompt2model?utm_source=talkingdev.uwl.me

[3]

附原文链接/3: https://github.com/dcdmllm/cheetah?utm_source=talkingdev.uwl.me

[4]

附原文链接/4: https://hazyresearch.stanford.edu/legalbench/?utm_source=talkingdev.uwl.me

[5]

附原文链接/5: https://www.theverge.com/2023/8/24/23843487/meta-llama-code-generation-generative-ai-llm?utm_source=talkingdev.uwl.me

[6]

附原文链接/6: https://graphcore-research.github.io/unit-scaling/user_guide.html?utm_source=talkingdev.uwl.me

[7]

附原文链接/7: https://arxiv.org/abs/2308.11606?utm_source=talkingdev.uwl.me

[8]

附原文链接/8: https://mark-riedl.medium.com/toward-agi-what-is-missing-c2f0d878471a?utm_source=talkingdev.uwl.me

[9]

附原文链接/9: https://github.com/mljar/automl-app?utm_source=talkingdev.uwl.me