Bidh Meta a’ cur air bhog modal LLaMA, inneal sgrùdaidh nas cumhachdaiche na GPT-3 aig OpenAI

O chionn ghoirid tha Meta air gineadair cànain AI ùr fhoillseachadh leis an t-ainm LLaMA, a’ dearbhadh àite companaidh air leth ùr-ghnàthach.

“An-diugh tha sinn a’ leigeil a-mach modal cànain mòr AI ùr leis an t-ainm LLaMA a chaidh a dhealbhadh gus luchd-rannsachaidh a chuideachadh gus an cuid obrach adhartachadh, ”thuirt an Ceannard Mark Zuckerberg ann am post Facebook.

Carson a tha LLaMA

Tha modalan mòra cànain air saoghal teignigeach a chuir fo stoirm. Bidh iad a’ toirt cumhachd do dh’ innealan inntleachd fuadain, leithid Bruidhinn GPT agus modalan còmhraidh eile. Ach, tha cleachdadh nan innealan sin a’ tighinn le cunnart mòr, tagraidhean so-chreidsinneach ach meallta, a’ gineadh susbaint puinnseanta, agus ag atharrais air claonadh a tha freumhaichte ann an dàta trèanaidh AI. 

Gus luchd-rannsachaidh a chuideachadh gus na duilgheadasan sin fhuasgladh, air Dihaoine, Gearran 25, Meta  dh’ainmich an foillseachadh de mhodail cànain mòr ùr ris an canar LLaMA (Large Language Model Meta AI) . 

Dè a th’ ann an LLaMA?

Chan eil LLaMA a chatbot, ach is e inneal sgrùdaidh a th’ ann a dh’ fhuasglas, a rèir Meta ai, duilgheadasan co-cheangailte ri modalan cànain AI. “Tha modalan nas lugha agus nas fheàrr mar LLaMA a’ toirt cothrom do dhaoine eile sa choimhearsnachd rannsachaidh aig nach eil cothrom air mòran bun-structair sgrùdadh a dhèanamh air na modalan sin, a’ dèanamh tuilleadh deamocratach air ruigsinneachd san raon chudromach seo a tha ag atharrachadh gu luath," thuirt Meta anns a’ bhlog aige. oifigeil .

Tha LLaMA na chruinneachadh de mhodalan cànain eadar paramadairean 7B gu 65B. Thuirt a’ chompanaidh gu bheil iad a’ trèanadh a mhodalan air trilleanan de chomharran, ag ràdh gun urrainn dhaibh modalan ùr-nodha a thrèanadh a’ cleachdadh stòran-dàta poblach agus gun a bhith an urra ri stòran-dàta seilbhe, do-ruigsinneach.

Tha LLaMA eadar-dhealaichte

A rèir Meta, feumaidh trèanadh modail mar LLaMA glè bheag de chumhachd coimpiutaireachd gus cùisean cleachdaidh ùra a dhearbhadh, a dhearbhadh agus a sgrùdadh. Bidh modalan cànain bunaiteach a’ trèanadh air blocaichean mòra de dhàta gun bhileig, gan dèanamh air leth freagarrach airson diofar ghnìomhan a ghnàthachadh. 

Anns a phàipear rannsachaidh, thug Meta fa-near gun do rinn LLaMA-13B nas fheàrr na GPT-3 (175B) OpenAI air a’ mhòr-chuid de shlatan-tomhais agus tha LLaMA-65B farpaiseach le prìomh mhodalan, Chinchilla70B le DeepMind e PaLM-540B bho Google. 

Chan eil LLaMA ga chleachdadh an-dràsta air gin de na toraidhean Meta ai, ge-tà, tha planaichean aig a’ chompanaidh gum bi e ri fhaighinn do luchd-rannsachaidh. Bha a’ chompanaidh air an LLM OPT-175B aca a chuir air bhog roimhe seo, ach is e LLaMA an siostam as adhartaiche aca. 

Tha a’ chompanaidh ga thoirt seachad fo chead neo-mhalairteach le fòcas air cùisean cleachdadh rannsachaidh. Bidh e ri fhaotainn do luchd-rannsachaidh acadaimigeach; an fheadhainn a tha ceangailte ris an riaghaltas, comann catharra agus buidhnean acadaimigeach; agus deuchainn-lannan rannsachaidh gnìomhachais air feadh an t-saoghail.

Ercole Palmeri