🔻BTC снова свозили ниже $58k, сейчас цена восстанавливается, но инициатива у продавцов.
Новости пятницы:
🔸 Apple и Nvidia хотят присоединиться к раунду финансирования OpenAI на $100 млрд
🔸 ChatGPT имеет 200 млн активных пользователей в неделю
🔷 Курсы:
Bitcoin - $58 628 (↓1,23%)
S&P 500 - 5 598 (↑0,13%)
USD/RUB - 90,64 (↓1,47%)
Золото - $2 499 (↓0,85%)
Oil Brent - $76,96 (↓2,27%)
Всем привет! В сегодняшней статье рассмотрим тесты 2 моделей, Nvidia(nemotron), Jumba 1.5 - large.
дисклеймер:
Попробуйте потестировать их у нас сами! У нас более 30 моделей на выбор, начиная от гпт-4 заканчивая Llama3-405, Gemini и так далее. В том чилсе есть бесплатный ChatGPT4 и Gemini
Nvidia nemotron - 340b параметров. Обучалась на 50+ естественных языках и 40+ языках программирования. Архитектура модели построена на Grouped-Query Attention (GQA) и Rotary Position Embeddings (RoPE). Но длина контекста всего 4096 токенов.
Jamba 1.5 Large — это современная гибридная инструкция SSM-Transformer, основанная на базовой модели. Это модель Mixture-of-Expert с общими параметрами 94B и активными параметрами 398B. Это самые мощные и эффективные модели с длинным контекстом на рынке и единственные с эффективным контекстным окном размером 256 КБ. При длинном контекстном вводе они обеспечивают до 2,5 раз более быстрый вывод, чем ведущие модели сопоставимых размеров.
Нус, приступим, сравнивать будем так же как и GPT-4o, Gemini 1.5 pro exp, llama-3-405b. Все тесты будут на русском языке.
Задача 1:
У меня есть для для тебя хорошая загадка… Сможешь найти ошибку?
1 2 3 4 5 6 7 8 9 10
NVIDIA nemotron:
Это интересная задача! На первый взгляд, кажется, что это просто список чисел от 1 до 10 без каких-либо ошибок. Однако, если вы имели в виду орфографическую ошибку в вашем вопросе, то я заметил, что слово "для" повторяется дважды в предложении "У меня есть для для тебя хорошая загадка". Возможно, вы имели в виду: "У меня есть для тебя хорошая загадка"?
Если же вы имели в виду ошибку в списке чисел, то, возможно, вы хотели сказать, что числа должны быть в обратном порядке или в другом формате. В таком случае, пожалуйста, уточните условия задачи.
Справилась, уже очень неплохо.
jamba 1.5-large
Да, я готов к загадке! Пожалуйста, дай мне подсказку, где я должен искать ошибку.
Ну, мягко говоря, она не поняла о чём речь.
Едем дальше:
Корзина без дна стоит в коробке, которая стоит на земле. Я кладу в корзину три яблока и ставлю ее на стол. Где яблоки?
NVIDIA nemotron:
Хотя вопрос может показаться парадоксальным, ответ довольно прост. Несмотря на то, что корзина описана как "без дна", яблоки все равно останутся в корзине, когда вы поставите ее на стол. Это потому, что яблоки будут лежать на дне коробки, в которой изначально стояла корзина. Когда вы поднимете корзину, яблоки останутся в коробке, а не провалятся сквозь "бездонную" корзину. Таким образом, яблоки будут в коробке, которая стоит на земле.
jamba 1.5-large:
Корзина без дна стоит в коробке, которая стоит на земле. Я кладу в корзину три яблока и ставлю ее на стол. Где яблоки?
Немотрон справился, jamba нет, запомним это.
Едем дальше:
15 полотенец высыхают на солнце за час. За какое время высохнут 20 полотенец?
NVIDIA nemotron:
Чтобы ответить на этот вопрос, нам нужно учесть, что время высыхания пропорционально количеству полотенец. Таким образом, если 15 полотенец высыхают за час, то 20 полотенец высыхают за время, которое можно найти, используя следующую пропорцию:
15 полотенец / 1 час = 20 полотенец / x часов
Чтобы найти x, мы можем перекрестно умножить и получить:
15 * x = 20 * 1
x = 20 / 15
x = 1 час и 20 минут
Но поскольку в задаче время указано в часах, мы можем перевести 1 час и 20 минут в десятичную дробь:
1 час и 20 минут = 1 + 20/60 = 1,33 часа
Таким образом, 20 полотенец высыхают за 1,33 часа.
Но поскольку в реальной ситуации мы не можем ждать часть часа, то округлим до ближайшего целого числа часов:
20 полотенец высыхают за 2 часа.
Однако, если мы хотим быть более точными, то можем сказать, что 20 полотенец высыхают за 1 час и 20 минут.
jamba 1.5-large:
20 полотенец высохнут за 1 час и 20 минут.
А вот тут уже обе модели не смог выдать правильный ответ.
Для сравнения с этими тремя тестами, со всеми тремя задачами смогли справиться только 2 модели.
Llama 3-405b
ChatGPT4-o
Gemini справился лишь отчасти с некоторыми. Пока что нет интересных результатов.
Нейросетевой iPhone, революционная батарея, кожаный ананас и телефонный сканер | В цепких лапах
https://oper.ru/news/read.php?t=1051626828
00:00 Начало
00:26 Новые батарейки Apple
02:16 Бодрящие кофейные технологии
04:55 Ананасы спасают планету
07:20 Как просканировать человека смартфоном
09:54 Сытная помощь киноману
11:30 Битва нейросетей в Индии
14:05 NVIDIA сплела сеть всевластия
Аудиоверсия:
https://oper.ru/video/getaudio/v_lapah_revbat.mp3
Привет, Пикабу!
Сегодня хочу рассказать вам о том, почему подавляющее большинство нейросетей, которые мы видим и используем сегодня, основаны на технологии Google Transfer.
Google Transfer Learning (обучение переносу) позволяет использовать уже обученные модели для решения новых задач. Это значит, что вместо того, чтобы обучать нейросеть с нуля, мы можем взять уже существующую модель, которая была обучена на огромных наборах данных, и адаптировать её под наши нужды. Это значительно увеличивает точность и производительность.
Создание и обучение нейросети с нуля требует огромных вычислительных ресурсов и времени. Использование Google Transfer Learning позволяет сократить затраты на обучение и быстрее получить результат.
Google предоставляет огромное количество предобученных моделей через свои платформы, такие как TensorFlow и Keras. Это делает технологии доступными даже для тех, кто не обладает глубокими знаниями в области машинного обучения. Разработчики могут легко интегрировать эти модели в свои проекты.
Google активно поддерживает сообщество разработчиков, предоставляя подробную документацию, обучающие материалы и форумы для обсуждения. Это помогает быстрее решать возникающие проблемы и улучшать модели.
Google постоянно инвестирует в исследования и разработки в области искусственного интеллекта. Их передовые технологии и новаторские подходы делают их модели одними из лучших на рынке.
Какие у вас мысли по этому поводу? Делитесь в комментариях!
Надеюсь, этот пост поможет вам лучше понять, почему Google Transfer Learning так популярен в мире нейросетей. Если у вас есть вопросы или дополнения, буду рад обсудить в комментариях!
Так выглядят новые видеокарты Nvidia B100 согласно новой интерпретации Дженсена Хуанга.
Видеокарты предлагают около 250 миллиардов транзисторов со 192 Гб HBM3e памяти.
Около 2000 видеокарт Nvidia B100 способны выдавать тот же уровень производительности в генеративных ИИ задачах как 7000 видеокарт Nvidia H100, но при этом потребляя 1/4 от того что потребляет прошлый DGX стак видеокарт в серверах.
Сколько будет стоить сие чудо - делайте ваши ставки. Ожидаю примерную цену новых серверных карточек Nvidia B100 в стартовом диапазоне 120-150 тыс. $ США за штуку.
#Nvidia #B100 #GTC2024
Дженсен Хуанг, глава Nvidia, крупнейшего производителя чипов для искусственного интеллекта, выразил уверенность в том, что если предоставить ИИ все возможные тесты, то через пять лет машины смогут успешно справиться с каждым из них.
Впрочем, в долгосрочной перспективе, выявить продвинутый ИИ, притворяющийся человеком, будет если не невозможно, то очень сложно.
Кому тоже стало стремно после прочтения текста на картинке?
Информация взята из моего ТГ канала, ссылка в описании профиля.
Компания Stability AI показала результаты GPU Intel Gaudi 2 в сравнении с NVIDIA H100. Intel оказалась победителем.
В сравнительном анализе были использованы две собственные модели и Stable Diffusion 3 на самых продвинутых GPU NVIDIA и Intel.
Даже в базовом исполнении Gaudi 2 выдал 927 единиц производительности, тогда как популярные H100 и A100 работали на уровне 595 единиц и 381 единиц соответственно. Максимальная версия адаптера Intel работает еще быстрее — в этой же задаче он выдает 1254 единиц производительности и оказывается на 56 % быстрее, чем NVIDIA H100.
С масштабированием задачи разница только увеличивается. При 32 запущенных задачах Intel Gaudi 2 выдает почти 50 единиц производительности, тогда как прямой конкурент оказывается 3,16 раза медленнее.
В реальном использовании NVIDIA будет быстрее, так как для вычислений фирменные адаптеры используют ядра Tensor.
Однако, не смотря на инновации Intel и AMD, ФРС США всё равно в невероятном темпе печатает деньги напрямую в Nvidia, что выливается в памп Битка в 70к и Кефира в 4к за. Надеемся на возобновления реальной конкуренции в сегменте потребительских видеокарт и нувелирование монополии Nvidia.
#intel #Nvidia #ИИ
