సమర్థవంతమైన AI: చిన్న భాషా నమూనాలు
మైక్రోసాఫ్ట్ మరియు IBM వంటి టెక్ దిగ్గజాలు చిన్న భాషా నమూనాలు (SLMs) అభివృద్ధి చేయడం ద్వారా AI సామర్థ్యాన్ని మరియు అందుబాటును పెంచుతున్నాయి, ఇది తక్కువ శక్తి వినియోగంతో మెరుగైన పనితీరును అందిస్తుంది.
మైక్రోసాఫ్ట్ మరియు IBM వంటి టెక్ దిగ్గజాలు చిన్న భాషా నమూనాలు (SLMs) అభివృద్ధి చేయడం ద్వారా AI సామర్థ్యాన్ని మరియు అందుబాటును పెంచుతున్నాయి, ఇది తక్కువ శక్తి వినియోగంతో మెరుగైన పనితీరును అందిస్తుంది.
మైక్రోసాఫ్ట్ యొక్క Phi-4 సిరీస్, మల్టీమోడల్ ప్రోసెసింగ్ మరియు సమర్థవంతమైన, స్థానిక విస్తరణ రంగంలో, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ యొక్క ఫీల్డ్లో ఒక ముఖ్యమైన ముందడుగును సూచిస్తుంది. Phi-4 మినీ ఇన్స్ట్రక్ట్ మరియు Phi-4 మల్టీమోడల్ మోడల్లను కలిగి ఉన్న ఈ సిరీస్, శక్తివంతమైన AI సామర్థ్యాలు ఇకపై పెద్ద-స్థాయి, క్లౌడ్-ఆధారిత అవస్థాపనకు పరిమితం కాకుండా ఒక కొత్త శకానికి నాంది పలికింది.
LLMWare, క్వాల్కమ్ టెక్నాలజీస్తో కలిసి, స్నాప్డ్రాగన్ X సిరీస్ ప్రాసెసర్ల శక్తిని ఉపయోగించి ఎంటర్ప్రైజ్-స్థాయి AI సామర్థ్యాలను అందించడానికి 'మోడల్ HQ' అనే ఒక వినూత్న సాఫ్ట్వేర్ ప్యాకేజీని పరిచయం చేస్తుంది. ఇది ఆన్-డివైస్ AI యొక్క కొత్త శకానికి నాంది పలుకుతుంది.
మైక్రోసాఫ్ట్ స్పీచ్, విజన్ మరియు టెక్స్ట్లను నేరుగా పరికరాల్లో ప్రాసెస్ చేయడానికి ఒక కొత్త AI మోడల్ను ప్రారంభించింది, ఇది దాని పూర్వీకుల కంటే గణనీయంగా తక్కువ గణన డిమాండ్లను కలిగి ఉంది. ఇది పరికరాలపై సమర్థవంతంగా పనిచేయగల సామర్థ్యం గల చిన్న భాషా నమూనాలపై (SLMs) కేంద్రీకృతమై ఉంది.
మైక్రోసాఫ్ట్ యొక్క ఫై-4 అనేది పరిమాణం మరియు సామర్థ్యం మధ్య సమతుల్యతను పునర్నిర్వచించే AI మోడళ్ల యొక్క సంచలనాత్మక కుటుంబం. ఈ నమూనాలు, సమర్థత కోసం రూపొందించబడ్డాయి, ఏకకాలంలో టెక్స్ట్, చిత్రాలు మరియు ప్రసంగాన్ని ప్రాసెస్ చేస్తాయి, అదే సమయంలో వాటి సమకాలీనుల కంటే గణనీయంగా తక్కువ గణన శక్తిని కోరుతాయి.
మైక్రోసాఫ్ట్ ఫై ఫ్యామిలీ ఆఫ్ స్మాల్ లాంగ్వేజ్ మోడల్స్ (SLMs) యొక్క కొత్త వెర్షన్లను విడుదల చేసింది: ఫై-4-మల్టీమోడల్ మరియు ఫై-4-మినీ. ఈ మోడల్స్ అప్లికేషన్ డెవలప్మెంట్ను పునర్నిర్మించే అధునాతన AI సామర్థ్యాలను డెవలపర్లకు అందిస్తాయి.
మైక్రోసాఫ్ట్ రీసెర్చ్ సంక్లిష్ట గణిత తార్కికతను మెరుగుపరచడానికి 14 బిలియన్ పారామీటర్లతో కూడిన చిన్న భాషా నమూనా ఫి-4ను విడుదల చేసింది. ఈ నమూనా గణిత తార్కికతలో ఇతర నమూనాల కంటే మెరుగ్గా పనిచేస్తుందని మైక్రోసాఫ్ట్ పేర్కొంది. దీని శిక్షణలో సింథటిక్ డేటా, ఆర్గానిక్ డేటా, కొత్త పోస్ట్-ట్రైనింగ్ పద్ధతులను ఉపయోగించారు.