آمازون کلون Jev خود را با هجوم مدل‌های تصمیم‌گیری در وب منتشر می‌کند

آخرین روز برای نمایش موفقیت خود برای بیش از 10000 رهبر فناوری در 2 اکتبر است. میز نمایشگاه کتاب هم اکنون.

خدمات وب آمازون یک مدل تصمیم گیری منبع باز با الهام از TypeSafe's Jev منتشر کرد که توسعه دهندگان هوش مصنوعی به طور فزاینده ای به دنبال اطلاعاتی هستند که برای اتوماسیون رایانه مناسب تر از LLM های مرزی باشد.

Strands Decider 2B آمازون، که در همان هفته منتشر شد، OpenAI یک پیشنهاد مشابه را اعلام کرد، یک روش پرسرعت و کم هزینه برای مرتب سازی بین گزینه های از پیش تصمیم گیری شده و ارائه معیاری برای اطمینان از انتخاب خود است. این مدل کاملا منبع باز است، اکنون در دسترس است و به اندازه کافی کوچک است که به صورت محلی اجرا شود.

مهندس برجسته آمازون، مارک بروکر، پس از دیدن Jev و تلاش برای ساختن برداشت خود از چنین مدلی، به این پروژه رسید. پروژه Homebrew به اندازه کافی موفقیت آمیز بود - برای مدت کوتاهی به رتبه اول در رتبه بندی Jevbench برای مدل هایی با اندازه خود رسید - که مهندسان آمازون آن را تمیز کردند و به عنوان پیشنهادی از Strands Labs خود منتشر کردند، سازمانی که ابزارها و پروتکل های جدیدی را برای استقرار عوامل هوش مصنوعی توسعه می دهد.

بروکر می‌گوید که نیاز به ابزاری مانند این در گفتگو با مشتریان AWS پدیدار شد، زیرا گردش‌های کاری آنها همیشه به توانایی یا هزینه یک LLM با ویژگی‌های کامل نیاز نداشت.

بروکر به TechCrunch گفت: «آنچه در ابتدا علاقه من را به این دسته از مدل ها برانگیخت این بود که آنها تصمیم گیرنده کاملی برای یک مرحله گردش کار هستند - «کار بعدی که من در اینجا انجام می دهم، بر اساس جایی که هستم چیست؟»». او گفت که به مشتریان «مرحله‌ای از گردش کار ارائه می‌دهد که می‌تواند به‌دلیل امتیازات اطمینان، به لطف دامنه بسته پاسخ‌ها، قابل اعتمادتر باشد، [و] تأخیر کمتر و به طور بالقوه هزینه کمتری داشته باشد».

مانند دیگر مدل‌های تصمیم‌گیری، Strands Decider بر روی "تنه" یک LLM، در این مورد Qen3.5-2B ساخته شده است، اما به جای تولید متن، انتخاب‌های کالیبره شده را ارائه می‌دهد. TypeSafe مدل خود را به افتخار اقتصاددان ویلیام استنلی جوونز، Jev نامگذاری کرد، با امید به استناد به نظریه او مبنی بر اینکه کاهش هزینه چیزی - مانند هوش کامپیوتری - در واقع می تواند تقاضای آن را افزایش دهد.

این واقعیت که از زمانی که TypeSafe ایده خود را آغاز کرد، ده ها مدل مشابه توسط محققان تولید شده است، نشان دهنده علاقه گسترده است، اما همچنین این سوال را ایجاد می کند که چقدر می توانند ارزشمند باشند. بروکر پیشنهاد می‌کند که چالش در بهینه‌سازی تصمیم‌گیری سریع مدل بدون به خطر انداختن هوش آن است.

او به TechCrunch گفت: «در جایی که می‌خواهید عملکرد آن را در مورد دقت و کالیبراسیون در این نوع کارها، بدون کاهش عملکرد آن در درک زبان‌های مختلف، نسبت به نوع دانشی که دارد، که آن را هدف کلی و جالب و مفید می‌کند، تنزل دهید، تعادل بسیار دقیقی وجود دارد.

با این حال، او لزوما انتظار ندارد که آزمایشگاه های مرزی بر فضا تسلط داشته باشند، به خصوص که با بازارهای کوچکتر، هزینه ساخت چیزی جالب صدها یا هزاران دلار است.

به نوبه خود، مدیران TypeSafe می گویند که سر خود را پایین نگه داشته و مدل های آینده را بهبود می بخشند.

مدیرعامل و بنیانگذار دیوگو آلمیدا به TechCrunch گفت: «من دریافتم که مردم فکر می‌کنند این یک عجله طلاست، اما ممکن است دشواری ساخت مدل‌ها را دست کم بگیرند.»

به نظر می‌رسد که گروه فعلی بیشتر شبیه افراد ML است که می‌خواهند یک معماری جالب را پیاده‌سازی کنند تا تیمی که عمیقا به سودمندسازی اطلاعات اختصاص داده شده است.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

پنتاگون از ایلان ماسک و پالمر لاکی استفاده می کند تا به تصمیم گیری در مورد اینکه ارتش بعدی دومینیک مادوری دیویس چه کاری باید انجام دهد کمک کند.

OpenAI Dots را راه‌اندازی می‌کند، نماد عامل حباب‌انگیز خود Lucas Ropek

عوامل OpenAI ناامن 53 تصویر کاربر را بدون اطلاع آزمایشگاه در اینترنت پست کردند تیم فرنهولز

آسترا و اوپوس به تازگی آزمون دیگر تورینگ تیم فرنهولز را پشت سر گذاشتند