Tag: allm.link | ta

பெரிய மொழி மாதிரிகளில் KV கேச் குறைப்புக்கான புதிய கவனம்

பெரிய மொழி மாதிரிகளில் (LLMs) திறமையான ஊகத்திற்கான சவாலை MFA மற்றும் MFA-KR வழிமுறைகள் மூலம் ஆராய்ச்சியாளர்கள் வெற்றிகரமாக குறைத்துள்ளனர். இந்த புதிய அணுகுமுறை KV கேச் பயன்பாட்டைக் குறைத்து, செயல்திறனை மேம்படுத்துகிறது. இது முந்தைய MQA, MLA போன்ற முறைகளை விட மேம்பட்டது.

பெரிய மொழி மாதிரிகளில் KV கேச் குறைப்புக்கான புதிய கவனம்

ESM3 புரத ஆராய்ச்சியில் ஒரு பெரிய பாய்ச்சல்

எவல்யூஷனரிஸ்கேலின் ESM3 புரத மாடல், 98 பில்லியன் அளவுருக்களுடன், புரதங்களை புரிந்துகொள்ளவும் கையாளவும் ஒரு முக்கிய முன்னேற்றமாகும். இது புரதத்தின் முப்பரிமாண அமைப்பு மற்றும் செயல்பாட்டை ஒரு தனிப்பட்ட எழுத்துக்களாக மாற்றுகிறது. இலவச API அணுகல் மற்றும் யான் லெகுனின் ஒப்புதலுடன், இது மருத்துவத் துறையில் பெரும் தாக்கத்தை ஏற்படுத்தும்.

ESM3 புரத ஆராய்ச்சியில் ஒரு பெரிய பாய்ச்சல்

மைக்ரோசாஃப்ட் புதிய பொருள் வடிவமைப்பு AI மாடல் துல்லியத்தை 10 மடங்கு அதிகரிக்கிறது

மைக்ரோசாஃப்ட் நிறுவனம், கனிமப் பொருட்களை வடிவமைக்க உதவும் MatterGen என்ற புதிய AI மாடலை அறிமுகப்படுத்தியுள்ளது. இந்த மாடல், அணுக்களின் வகைகள், அவற்றின் இருப்பிடங்கள், மற்றும் படிகக் கூடுகளின் வடிவமைப்பை மேம்படுத்துகிறது. இது புதிய லித்தியம்-அயன் பேட்டரி பொருட்களை உருவாக்க உதவுகிறது. பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது, இது நிலையான மற்றும் தனித்துவமான பொருட்களை உருவாக்குவதில் இரண்டு மடங்கு அதிக செயல்திறன் கொண்டது. மேலும், இது ஒரு வீட்டை வடிவமைப்பது போன்றது, ஆனால் அணுக்களின் வடிவமைப்பை துல்லியமாக உருவாக்குகிறது. இது பேட்டரி தொழில்நுட்பம், சூப்பர் கண்டக்டர்கள், மற்றும் காலநிலை மாற்றத்தை எதிர்கொள்வது போன்ற பல்வேறு துறைகளில் தாக்கத்தை ஏற்படுத்தும். இந்த மாடல், பரவல் செயல்முறையை அடிப்படையாகக் கொண்டது, இது ஒரு ஒழுங்கற்ற கட்டமைப்பிலிருந்து ஒரு நிலையான படிக கட்டமைப்பை உருவாக்குகிறது. இது அணுக்கள் மற்றும் படிகக்கூடுகளின் பொருத்தமின்மையை மதிப்பிட்டு, கட்டமைப்பை மேம்படுத்துகிறது. இதன் மூலம், பல்வேறு தேவைகளுக்கு ஏற்றவாறு கட்டமைப்பை மாற்றியமைக்க முடியும். இந்த ஆராய்ச்சி நேச்சர் இதழில் வெளியிடப்பட்டுள்ளது மற்றும் கூகிளின் ஆல்ஃபாஃபோல்ட் மாடலுடன் ஒப்பிடப்படுகிறது.

மைக்ரோசாஃப்ட் புதிய பொருள் வடிவமைப்பு AI மாடல் துல்லியத்தை 10 மடங்கு அதிகரிக்கிறது

ஸ்டான்போர்ட் சாட்ஜிபிடி செயல்திறன் குறைவு ஆய்வு

ஸ்டான்போர்ட் மற்றும் பெர்க்லி பல்கலைக்கழக ஆராய்ச்சியாளர்கள் சாட்ஜிபிடியின் செயல்திறனில் மூன்று மாதங்களில் ஏற்பட்ட மாற்றங்களை ஆய்வு செய்தனர். GPT-4 கணிதப் பிரச்சனைகளைத் தீர்ப்பதில் மார்ச் மாதத்தில் 84% துல்லியத்துடன் இருந்தது, ஆனால் ஜூன் மாதத்தில் 51% ஆகக் குறைந்தது. மேலும், GPT-4 அறிவுறுத்தல்களைப் பின்பற்றுவதில் குறைபாடுகளைக் காட்டியது. இந்த ஆய்வு, சாட்ஜிபிடியின் நம்பகத்தன்மை மற்றும் நிலைத்தன்மையை பராமரிப்பதில் உள்ள சவால்களை எடுத்துக்காட்டுகிறது.

ஸ்டான்போர்ட் சாட்ஜிபிடி செயல்திறன் குறைவு ஆய்வு