மைக்ரோசாஃப்ட் ஆராய்ச்சி, கணித பகுத்தறிவில் மேம்பட்ட நிலைகளை மேம்படுத்த வடிவமைக்கப்பட்ட 14 பில்லியன் அளவுருக்களைக் கொண்ட சிறிய மொழி மாதிரியான ஃபை-4ஐ அறிமுகப்படுத்தியுள்ளது. இந்த மாதிரி முதலில் Azure AI ஃபவுண்டரியில் கிடைத்தது, சமீபத்தில் ஹக்கிங் ஃபேஸில் MIT உரிமத்தின் கீழ் திறக்கப்பட்டுள்ளது.
ஃபை-4 இன் கண்டுபிடிப்புகள்
மைக்ரோசாஃப்ட்டின் கூற்றுப்படி, ஃபை-4 அதன் பயிற்சி செயல்பாட்டில் பயன்படுத்தப்படும் பல புதுமையான நுட்பங்கள் காரணமாக அதன் வகுப்பில் உள்ள மற்ற மற்றும் பெரிய மாதிரிகளை விட கணித பகுத்தறிவில் சிறந்து விளங்குகிறது. இதில் பின்வருவன அடங்கும்:
- செயற்கை தரவு முன் பயிற்சி மற்றும் இடைக்கால பயிற்சி: செயற்கை தரவைப் பயன்படுத்தி முன் பயிற்சி மற்றும் இடைக்கால பயிற்சி ஆகியவை மாதிரியை மிகவும் கட்டமைக்கப்பட்ட கற்றல் பாதையை வழங்குகிறது.
- கரிம தரவு மேலாண்மை: பயிற்சி தரவின் தரத்தை உறுதி செய்வதற்காக கரிம தரவு கவனமாகத் திட்டமிடப்பட்டு வடிகட்டப்படுகிறது.
- புதிய பிந்தைய பயிற்சி திட்டம்: மாதிரியின் செயல்திறனை மேலும் மேம்படுத்த புதிய பிந்தைய பயிற்சி முறையை ஏற்றுக்கொள்வது.
இந்த கண்டுபிடிப்புகள் STEM கவனம் செலுத்தும் கேள்வி பதில் திறன்களில் அதன் ஆசிரியர் மாதிரியான GPT-4o ஐ ஃபை-4 விஞ்சச் செய்தது, இது மைக்ரோசாஃப்ட்டின் தரவு உருவாக்கம் மற்றும் பிந்தைய பயிற்சி நுட்பங்கள் வெறுமனே அறிவைப் பிரித்தெடுப்பது அல்ல என்பதை நிரூபிக்கிறது.
செயற்கை தரவின் தனித்துவமான நன்மைகள்
பெரிய மொழி மாதிரிகளின் (LLM) பயிற்சியில், செயற்கை தரவைப் பயன்படுத்துவது புதிதல்ல, ஃபை மாதிரிகள் இந்த முறையை முன்பு பயன்படுத்தியுள்ளன. மைக்ரோசாஃப்ட் செயற்கை தரவு ஒரு மலிவான மாற்று அல்ல, இது கரிம தரவை விட பின்வரும் வழிகளில் சிறந்தது என்று குறிப்பிடுகிறது:
- மேலும் படிப்படியான கற்றல் பாதை: செயற்கை தரவு LLM ஐ படிப்படியாகக் கற்க வழிநடத்தும், ஆரம்ப சிக்கல் அறிக்கையிலிருந்து இறுதி தீர்வு வரை, பகுத்தறிவு செயல்முறையைப் புரிந்துகொள்வதை எளிதாக்குகிறது.
- பகுத்தறிவு சூழலுடன் சிறந்த சீரமைப்பு: சிக்கல் அறிக்கை மற்றும் இறுதி தீர்வுகளைக் கொண்ட கரிம தரவைப் போலல்லாமல், செயற்கை தரவு படிப்படியான பகுத்தறிவு செயல்முறையை வழங்க முடியும், இது உண்மையான பகுத்தறிவு சூழ்நிலைகளுக்கு மிகவும் பொருத்தமானது.
கவனமாக ஒழுங்கமைக்கப்பட்ட கரிம தரவு
செயற்கை தரவுடன் கூடுதலாக, மைக்ரோசாஃப்ட் பொது வலைத்தளங்கள் மற்றும் வெளிப்புற தரவுத்தொகுப்புகளிலிருந்து சேகரிக்கப்பட்ட மில்லியன் கணக்கான உயர்தர கணித சிக்கல்கள் மற்றும் தீர்வுகளை உள்ளடக்கிய கவனமாக ஒழுங்கமைக்கப்பட்ட கரிம தரவையும் பயன்படுத்தியுள்ளது. துல்லியமான தீர்வுகள் வழங்கப்படாத சந்தர்ப்பங்களில், அவர்கள் துல்லியத்தை மேம்படுத்த பெரும்பான்மை வாக்களிப்பு முறையைப் பயன்படுத்தி தீர்வுகளை ஒருங்கிணைத்து உருவாக்கினர். கூடுதலாக, அவர்கள் கல்வி ஆய்வுக் கட்டுரைகள், கல்வி மன்றங்கள் மற்றும் நிரலாக்க பயிற்சிகளை சேகரித்தனர்.
மைக்ரோசாஃப்ட் செயற்கை தரவு உருவாக்கத்தில் உயர்தர இயற்கை தரவின் முக்கியத்துவத்தை வலியுறுத்தியது, சிறிய பிழைகள் கூட பெறப்பட்ட செயற்கை ஆவணங்களின் தரம் கடுமையாகக் குறையக்கூடும் என்று சுட்டிக்காட்டுகிறது. எனவே, அவர்கள் வலை தரவு மேலாண்மையை மேம்படுத்துவதில் அதிக முயற்சி செய்தனர்.
ஃபை-4 இன் பிந்தைய பயிற்சி கட்டம்
ஃபை-4 இன் பிந்தைய பயிற்சி கட்டம் ஒரு நம்பகமான AI உதவியாளராக மாற்றுவதை நோக்கமாகக் கொண்டுள்ளது. இந்த கட்டத்தில் பின்வரும் படிகள் உள்ளன:
- நுண்ணிய-சீரமைப்பு: கணிதம், குறியீட்டு முறை, பகுத்தறிவு, உரையாடல், மாதிரி அடையாளம் மற்றும் பாதுகாப்பு போன்ற பல்வேறு துறைகளில் இருந்து உருவாக்கப்பட்ட உயர்தர தரவைப் பயன்படுத்தி மாதிரியை நன்றாகச் சரிசெய்தல்.
- நேரடி விருப்பத்தேர்வு மேம்படுத்தல் (DPO): மாதிரி மனித விருப்பங்களுடன் சிறப்பாகச் சீரமைக்க மற்றும் மோசமான நடத்தையை அகற்ற இரண்டு DPO படிகளைச் செயல்படுத்துதல்.
- முக்கிய டோக்கன் தேடல்: முதல் படியில், மைக்ரோசாஃப்ட் முக்கிய டோக்கன் தேடல் எனப்படும் புதிய தொழில்நுட்பத்தைப் பயன்படுத்தி விரும்பிய/தேவையற்ற முடிவுகளின் ஜோடிகளை உருவாக்குகிறது.
- GPT-4o ஒரு நீதிபதியாக: இரண்டாவது படியில், அவர்கள் ஒவ்வொரு ஜோடி முடிவுகளுக்கும் நேர்மறை அல்லது எதிர்மறை குறிச்சொற்களைக் குறிக்க GPT-4o ஐ ஒரு நீதிபதியாகப் பயன்படுத்துகின்றனர்.
ஃபை-4 இன் மதிப்பீடு
ஃபை-4 OpenAI இன் SIMPLE-EVALS கட்டமைப்பைப் பயன்படுத்தி மதிப்பீடு செய்யப்பட்டது, மேலும் பல அளவுகோல்களில் Llama-3.1-405B ஐ விஞ்சியது. கூடுதலாக, GPQA (பட்டதாரி அளவிலான STEM கேள்வி பதில்) மற்றும் MATH (கணிதப் போட்டி) அளவுகோல்களில், இது அதன் ஆசிரியர் மாதிரியான GPT-4o ஐ விஞ்சியது.
ஃபை-4 மாதிரியின் பயிற்சி தரவின் விரிவான விளக்கம்
ஃபை-4 மாதிரியைப் பயிற்றுவிக்கும்போது, மைக்ரோசாஃப்ட் ஒரு கவனமாக வடிவமைக்கப்பட்ட தரவு மூலோபாயத்தை ஏற்றுக்கொண்டது, இது முக்கியமாக செயற்கை தரவு மற்றும் தேர்ந்தெடுக்கப்பட்ட உண்மையான தரவை அடிப்படையாகக் கொண்டது. இந்த கலவையான அணுகுமுறை மாதிரியின் கற்றல் செயல்முறையை மேம்படுத்துவதையும், கணித பகுத்தறிவில் சிறந்து விளங்குவதையும் நோக்கமாகக் கொண்டுள்ளது.
செயற்கை தரவு உருவாக்கம்
ஃபை-4 இன் பயிற்சியில் செயற்கை தரவு ஒரு முக்கிய பங்கு வகிக்கிறது. மைக்ரோசாஃப்ட் குழு செயற்கை தரவை உண்மையான தரவுகளுக்கான எளிய மாற்றாகக் கருதவில்லை, ஆனால் மாதிரியை படிப்படியாகக் கற்க வழிநடத்தும் ஒரு கருவியாகக் கருதியது. செயற்கை தரவு உருவாக்கம் செயல்முறை பொதுவாக பின்வரும் படிகளைப் பின்பற்றுகிறது:
- சிக்கல் உருவாக்கம்: முதலில், முன் வரையறுக்கப்பட்ட விதிகள் மற்றும் வார்ப்புருக்களின் அடிப்படையில் பல்வேறு கணித சிக்கல்கள் உருவாக்கப்படுகின்றன. இந்த சிக்கல்கள் மாதிரியின் முழுமையான கற்றலை உறுதி செய்வதற்காக வெவ்வேறு கணிதத் துறைகள் மற்றும் சிரம நிலைகளை உள்ளடக்கியது.
- படிப்படியான தீர்வுகள்: உருவாக்கப்பட்ட ஒவ்வொரு சிக்கலுக்கும், சிக்கல் அறிக்கையிலிருந்து இறுதி பதிலுக்கு பகுத்தறிவு செயல்முறையை விரிவாக விளக்கும் ஒரு படிப்படியான தீர்வு உருவாக்கப்படுகிறது. இந்த படிப்படியான தீர்வு இறுதி பதில்களை மட்டுமல்ல, இடைநிலை படிகள் மற்றும் பகுத்தறிவு தர்க்கத்தையும் உள்ளடக்கியது, இதனால் சிக்கலைத் தீர்க்கும் செயல்முறையை மாதிரி புரிந்து கொள்ள உதவுகிறது.
- தரவு விரிவாக்கம்: தரவின் பன்முகத்தன்மையை அதிகரிக்க, சிக்கலின் சொற்களை மாற்றுவது, எண்களைச் சரிசெய்வது அல்லது வெவ்வேறு தீர்வு முறைகளைப் பயன்படுத்துவது போன்ற செயற்கை தரவுகளும் மேம்படுத்தப்படுகின்றன.
தேர்ந்தெடுக்கப்பட்ட உண்மையான தரவு
செயற்கை தரவுடன் கூடுதலாக, ஃபை-4 இன் பயிற்சி தேர்ந்தெடுக்கப்பட்ட உண்மையான தரவின் பெரிய அளவையும் பயன்படுத்தியது. இந்த தரவு பல்வேறு பொது வலைத்தளங்கள், கல்வி ஆய்வுக் கட்டுரைகள், கல்வி மன்றங்கள் மற்றும் நிரலாக்க பயிற்சிகள் போன்ற பல்வேறு ஆதாரங்களில் இருந்து வந்தது. இதில் பின்வரும் வகைகள் அடங்கும்:
- கணித சிக்கல்கள் மற்றும் பதில்கள்: மில்லியன் கணக்கான உயர்தர கணித சிக்கல்கள் மற்றும் அவற்றின் பதில்கள் பொது வலைத்தளங்கள் மற்றும் வெளிப்புற தரவுத்தொகுப்புகளிலிருந்து சேகரிக்கப்பட்டன. இந்த சிக்கல்கள் வெவ்வேறு கணிதத் துறைகள் மற்றும் சிரம நிலைகளை உள்ளடக்கியது.
- கல்வி ஆய்வுக் கட்டுரைகள்: மாதிரியின் புரிதல் மற்றும் பகுத்தறிவு திறன்களை மேம்படுத்த, ஆழமான கணிதக் கருத்துக்கள் மற்றும் கோட்பாடுகளை வழங்கிய ஏராளமான கல்வி ஆய்வுக் கட்டுரைகளும் சேகரிக்கப்பட்டன.
- கல்வி மன்றங்கள்: மாணவர்கள் கேட்ட கேள்விகள் மற்றும் நிபுணர்கள் வழங்கிய பதில்கள் கல்வி மன்றங்களிலிருந்து சேகரிக்கப்பட்டன, இது மாதிரி வெவ்வேறு கோணங்களில் இருந்து கணித சிக்கல்களைப் புரிந்துகொள்ள உதவுகிறது.
- நிரலாக்க பயிற்சிகள்: மாதிரியின் நிரலாக்க திறனை மேம்படுத்த, வெவ்வேறு நிரலாக்க மொழிகள் மற்றும் வழிமுறைகளை உள்ளடக்கிய ஏராளமான நிரலாக்க பயிற்சிகளும் சேகரிக்கப்பட்டன.
தரவு தரக் கட்டுப்பாடு
பயிற்சித் தரவின் துல்லியம் மற்றும் நிலைத்தன்மையை உறுதி செய்வதற்காக மைக்ரோசாஃப்ட் தரவு தரக் கட்டுப்பாட்டில் அதிக முயற்சி செய்தது. அவர்கள் பின்வரும் நடவடிக்கைகளை எடுத்தனர்:
- மனித மதிப்பாய்வு: சில முக்கிய தரவுத்தொகுப்புகளுக்கு, தரவின் துல்லியம் மற்றும் தரத்தை உறுதி செய்வதற்காக மனித மதிப்பாய்வு செய்யப்படுகிறது.
- பெரும்பான்மை வாக்களிப்பு: துல்லியமான தீர்வுகளை வழங்காத சிக்கல்களுக்கு, துல்லியத்தை மேம்படுத்த பெரும்பான்மை வாக்களிப்பு முறையைப் பயன்படுத்தி தீர்வுகள் உருவாக்கப்படுகின்றன.
- தரவு சுத்தம் செய்தல்: அனைத்து தரவுகளும் நகல் தரவு, தவறான தரவு மற்றும் பொருத்தமற்ற தரவுகளை நீக்க சுத்தம் செய்யப்படுகின்றன.
பிந்தைய பயிற்சி மூலோபாயங்களின் விரிவான பகுப்பாய்வு
ஃபை-4 இன் பிந்தைய பயிற்சி கட்டம் ஒரு நம்பகமான AI உதவியாளராக மாற்றுவதை நோக்கமாகக் கொண்டுள்ளது, இந்த கட்டம் முக்கியமாக நுண்ணிய-சீரமைப்பு மற்றும் நேரடி விருப்பத்தேர்வு மேம்படுத்தல் (DPO) ஆகியவற்றைக் கொண்டுள்ளது.
நுண்ணிய-சீரமைப்பு கட்டம்
நுண்ணிய-சீரமைப்பு கட்டத்தின் நோக்கம் மாதிரியை பல்வேறு பணிகள் மற்றும் துறைகளுக்கு ஏற்றவாறு மாற்றுவதாகும். இந்த கட்டத்தில், மைக்ரோசாஃப்ட் பின்வரும் துறைகளில் இருந்து உருவாக்கப்பட்ட உயர்தர தரவைப் பயன்படுத்தியது:
- கணிதம்: மாதிரியின் கணித பகுத்தறிவு திறனை மேம்படுத்த வடிவமைக்கப்பட்ட பல்வேறு கணித சிக்கல்கள் மற்றும் பதில்கள் இதில் அடங்கும்.
- குறியீட்டு முறை: மாதிரியின் குறியீடு உருவாக்கம் மற்றும் புரிதல் திறனை மேம்படுத்த வடிவமைக்கப்பட்ட பல்வேறு நிரலாக்க சிக்கல்கள் மற்றும் பதில்கள் இதில் அடங்கும்.
- பகுத்தறிவு: மாதிரியின் தர்க்கரீதியான சிந்தனை திறனை மேம்படுத்த வடிவமைக்கப்பட்ட பல்வேறு தர்க்கரீதியான பகுத்தறிவு சிக்கல்கள் இதில் அடங்கும்.
- உரையாடல்: மாதிரியின் இயற்கை மொழி புரிதல் மற்றும் உருவாக்கும் திறனை மேம்படுத்த வடிவமைக்கப்பட்ட பல்வேறு உரையாடல் தரவு இதில் அடங்கும்.
- மாதிரி அடையாளம்: மாதிரியின் திறன்களைப் பற்றிய அதன் புரிதலை மேம்படுத்த வடிவமைக்கப்பட்ட பல்வேறு மாதிரி அடையாள விளக்கங்கள் இதில் அடங்கும்.
- பாதுகாப்பு: மாதிரியின் பாதுகாப்பை மேம்படுத்த வடிவமைக்கப்பட்ட பல்வேறு பாதுகாப்பு சிக்கல்கள் மற்றும் பதில்கள் இதில் அடங்கும்.
நேரடி விருப்பத்தேர்வு மேம்படுத்தல் (DPO) கட்டம்
நேரடி விருப்பத்தேர்வு மேம்படுத்தல் (DPO) கட்டத்தின் நோக்கம் மாதிரியின் நடத்தையை மனித விருப்பத்தேர்வுகளுடன் சிறப்பாகச் சீரமைத்து, மோசமான நடத்தையை அகற்றுவதாகும். இந்த கட்டத்தில் இரண்டு படிகள் உள்ளன:
- முக்கிய டோக்கன் தேடல்: முதல் படியில், மைக்ரோசாஃப்ட் முக்கிய டோக்கன் தேடல் எனப்படும் புதிய தொழில்நுட்பத்தைப் பயன்படுத்தி விரும்பிய/தேவையற்ற முடிவுகளின் ஜோடிகளை உருவாக்குகிறது. இந்த தொழில்நுட்பம் மாதிரியின் வெளியீட்டு இடத்தைத் தேடுவதன் மூலம், விரும்பிய மற்றும் தேவையற்ற நடத்தையை வேறுபடுத்தக்கூடிய முக்கிய குறிப்பான்களைக் கண்டறியும்.
- GPT-4o ஒரு நீதிபதியாக: இரண்டாவது படியில், அவர்கள் ஒவ்வொரு ஜோடி முடிவுகளுக்கும் நேர்மறை அல்லது எதிர்மறை குறிச்சொற்களைக் குறிக்க GPT-4o ஐ ஒரு நீதிபதியாகப் பயன்படுத்துகின்றனர். GPT-4o மனித விருப்பங்களின் அடிப்படையில் மாதிரி வெளியீட்டை மதிப்பிட முடியும், இதன் மூலம் மனித விருப்பங்களை மாதிரி சிறப்பாகக் கற்றுக்கொள்ள உதவுகிறது.
ஃபை-4 இன் செயல்திறன் மதிப்பீடு
ஃபை-4 இன் செயல்திறனை மதிப்பிடுவதற்கு, மைக்ரோசாஃப்ட் OpenAI இன் SIMPLE-EVALS கட்டமைப்பைப் பயன்படுத்தியது, இதில் மாதிரி பல்வேறு பணிகளில் எவ்வாறு செயல்படுகிறது என்பதை மதிப்பிடக்கூடிய பல்வேறு அளவுகோல்கள் உள்ளன.
அளவுகோல்கள்
ஃபை-4 பின்வரும் அளவுகோல்களில் சிறப்பாக செயல்பட்டது:
- GPQA (பட்டதாரி அளவிலான STEM கேள்வி பதில்): இந்த அளவுகோலில், ஃபை-4 அதன் ஆசிரியர் மாதிரியான GPT-4o ஐ விஞ்சியது, STEM துறையில் அதன் கேள்வி பதில் திறன் மிகவும் வலுவானது என்பதை நிரூபிக்கிறது.
- MATH (கணிதப் போட்டி): இந்த அளவுகோலில், ஃபை-4 அதன் ஆசிரியர் மாதிரியான GPT-4o ஐ விஞ்சியது, சிக்கலான கணித சிக்கல்களைத் தீர்ப்பதில் அதன் திறன் மிகவும் சிறப்பானது என்பதை நிரூபிக்கிறது.
- பிற மாதிரிகளுடன் ஒப்பீடு: பல அளவுகோல்களில், ஃபை-4 Llama-3.1-405B ஐ விஞ்சியது, அதன் ஒட்டுமொத்த செயல்திறன் மிகவும் வலுவானது என்பதை நிரூபிக்கிறது.
செயல்திறன் பகுப்பாய்வு
ஃபை-4 இன் செயல்திறன் மதிப்பீட்டின் மூலம், பின்வரும் முடிவுகளைப் பெறலாம்:
- வலுவான கணித பகுத்தறிவு திறன்: ஃபை-4 கணித பகுத்தறிவில் மிகவும் சிறப்பாக செயல்படுகிறது, இது செயற்கை தரவு, தேர்ந்தெடுக்கப்பட்ட உண்மையான தரவு மற்றும் பிந்தைய பயிற்சி மூலோபாயங்கள் உள்ளிட்ட பயிற்சியில் பயன்படுத்தப்பட்ட புதுமையான முறைகளுக்கு நன்றி.
- ஆசிரியர் மாதிரியை விஞ்சியது: பல அளவுகோல்களில், ஃபை-4 அதன் ஆசிரியர் மாதிரியான GPT-4o ஐ விஞ்சியது, அதன் செயல்திறன் வெறுமனே அறிவைப் பிரித்தெடுப்பது அல்ல என்பதை நிரூபிக்கிறது.
- பிற மாதிரிகளுடன் ஒப்பீடு: பல அளவுகோல்களில் ஃபை-4 Llama-3.1-405B ஐ விஞ்சியது, அதன் ஒட்டுமொத்த செயல்திறன் மிகவும் வலுவானது என்பதை நிரூபிக்கிறது.
ஃபை-4 இன் பயன்பாட்டு வாய்ப்புகள்
சிக்கலான கணித பகுத்தறிவிற்காக வடிவமைக்கப்பட்ட ஒரு சிறிய மொழி மாதிரியாக ஃபை-4 பரந்த அளவிலான பயன்பாட்டு வாய்ப்புகளைக் கொண்டுள்ளது. இது பின்வரும் பகுதிகளில் பயன்படுத்தப்படலாம்:
- கல்வி: இது ஒரு கணித பயிற்சி கருவியாகப் பயன்படுத்தப்படலாம், இது மாணவர்கள் கணித சிக்கல்களைத் தீர்க்கவும், தனிப்பயனாக்கப்பட்ட கற்றல் அனுபவங்களை வழங்கவும் உதவும்.
- ஆராய்ச்சி: இது ஒரு ஆராய்ச்சி கருவியாகப் பயன்படுத்தப்படலாம், இது ஆராய்ச்சியாளர்களுக்கு கணித மாதிரியாக்கம் மற்றும் தரவு பகுப்பாய்வு செய்ய உதவும்.
- பொறியியல்: இது ஒரு பொறியியல் கருவியாகப் பயன்படுத்தப்படலாம், இது பொறியாளர்கள் வடிவமைப்பு மற்றும் பகுப்பாய்வு செய்ய உதவும்.
- நிதி: இது ஒரு நிதி கருவியாகப் பயன்படுத்தப்படலாம், இது நிதி ஆய்வாளர்களுக்கு இடர் மதிப்பீடு மற்றும் முதலீட்டு முடிவுகளை எடுக்க உதவும்.
- பிற துறைகள்: இது மருத்துவம், தளவாடங்கள் மற்றும் உற்பத்தி போன்ற சிக்கலான கணித பகுத்தறிவு தேவைப்படும் பிற துறைகளிலும் பயன்படுத்தப்படலாம்.
முடிவுரை
மைக்ரோசாஃப்ட் ஃபை-4 இன் வருகை கணித பகுத்தறிவு துறையில் சிறிய மொழி மாதிரிகள் ஒரு பெரிய முன்னேற்றத்தை அடைந்துள்ளன என்பதைக் குறிக்கிறது. அதன் தனித்துவமான தரவு பயிற்சி மூலோபாயம் மற்றும் பிந்தைய பயிற்சி முறைகள் அதன் வகுப்பில் உள்ள மற்ற மற்றும் பெரிய மாதிரிகளின் செயல்திறனை விஞ்சச் செய்துள்ளன, மேலும் எதிர்கால AI வளர்ச்சிக்கான புதிய யோசனைகளை வழங்குகின்றன. ஹக்கிங் ஃபேஸில் ஃபை-4 ஓப்பன் சோர்ஸ் செய்யப்பட்டதால், இது அதிக ஆராய்ச்சியாளர்களுக்கும் டெவலப்பர்களுக்கும் வசதியளிக்கும் என்று நம்பப்படுகிறது, மேலும் இது பல்வேறு துறைகளில் AI தொழில்நுட்பத்தின் பயன்பாட்டை ஊக்குவிக்கும்.