大模型竞赛，又杀出一匹黑马——Inflection-2.5，由DeepMind联创MustafaSuleyman的大模型初创公司打造。只用40%的计算资源训练，表现就超过了GPT-4的九成，尤其擅长代码和数学。而早期的Inflection模型，训练时只消耗了4%的计算资源，就达到了GPT-4表现的72%。以Inflection模型为基础，该公司还推出了网页端对话机器人Pi，主打“高情商”和“个性化”，还支持中文。自诞生以来，Pi的最高日活达到了100万，累计产生了40亿条消息，平均对话时长来到了33分钟。而随着这次基础模型的升级，Pi也迎来了它的新版本。图片那么，Inflection，或者说P
作者| YiTay编译|云昭出品|51CTO技术栈（微信号：blog51cto）你敢相信吗？一位前谷歌大佬，离职成立公司，不到一年，从头训练出了“GPT3.5”/“GeminiPro”，注意，后者是多模态大模型！ 本文主人公YiTay，是一位市面上非常抢手的高性能大模型的大拿。他曾在谷歌GoogleBrain担任高级研究科学家，专注于大型语言模型和人工智能的研究。在Google任职期间，曾经为业内许多知名的大型语言模型做出了贡献，例如PaLM、UL2、Flan-{PaLM/UL2/T5}、LaMDA/Bard、MUM等。另外，Yi还参与了大型多模态模型如ViT-22B和PaLI-X的研究，负责
开源GPT？nanoGPT啃代码记实（二）项目github：https://link.zhihu.com/?target=https%3A//github.com/karpathy/nanoGPT今天继续来啃nanoGPT的代码，这个专栏的代码解析讲究一个从0开始，以完全不懂的身份0基础讲解，同时附上扒代码时候的个人理解。文件准备脚本prepare.py按照作者的示例运行流程，应该是从prepare.py开始importosimportpickleimportrequestsimportnumpyasnp#downloadthetinyshakespearedatasetinput_file_
Claude3深夜震撼发布！模型特点分析，附使用教程引言最新发布的Claude3引起了广泛关注，这次发布一举推出了三个不同类型的模型，分别是Claude3Haiku、Claude3Sonnet和Claude3Opus。每个模型都具有独特的特点和能力，满足了不同用户群体的需求。本文将深入分析这三个模型的特点，并提供详细的使用教程。模型特点分析1.图像识别能力虽然以往的模型如GPT-4也具备图像识别的能力，但是Claude3在这方面表现突出。通过评测和官方演示视频可以发现，Claude3在图像识别方面表现优异，尤其擅长捕捉细节。特别是在“ScienceDiagrams”等方面，Claude3Opu
Claude3上线之后，网友开始疯狂测试，实测效果确实惊人。不少网友体感Claude3超大杯确实强，实测已经达到了博士水平：这实在太疯狂了！Claude是唯一理解我的量子物理学博士论文的「人」！60亿人中只有他懂你的感觉，直接给这位网友干崩溃了。是的！博士生不再孤单。现在他们有了Claude。GPT-4给不了的陪伴我Claude来给！而另一个网友发现，Claude3Opus仅用了2个提示就从头重新发明了这种量子算法。而这篇论文还没有在互联网上发布。如果说这种水平还不好量化，有一个网友用门萨IQ系统来测了一众AI的智商，发现Claude3是唯一一个超过100分的选手，第二名GPT-4只有85分。
3月4号，被视作“OpenAI最大竞争对手”的著名AI大模型公司Anthropic公司发布了其第三代Cluade大模型：Claude3。这次的Claude3一次性发布了三个模型——Claude3Haiku、Claude3Sonnet与Claude3Opus，能力依次从低到高。其中：Haiku是市场上最快且最具成本效益的模型，也是成本最低的选项，在大多数纯文本任务上的表现仍然相当出色，也同时包含多模态能力。对于绝大多数工作负载，Sonnet的速度比Claude2和Claude2.1快2倍，且智能水平更高。它擅长执行需要快速响应的智能任务，例如知识检索或销售自动化。它在智能和速度之间实现了理想的平
😎作者介绍：我是程序员洲洲，一个热爱写作的非著名程序员。CSDN全栈优质领域创作者、华为云博客社区云享专家、阿里云博客社区专家博主、前后端开发、人工智能研究生。公众号：洲与AI。🎈本文专栏：本文收录于洲洲的《送书福利》系列专栏，该专栏福利多多，只需关注+点赞+收藏三连即可参与送书活动！欢迎大家关注本专栏~专栏一键跳转🤓同时欢迎大家关注其他专栏，我将分享Web前后端开发、人工智能、机器学习、深度学习从0到1系列文章。🌼同时洲洲已经建立了程序员技术交流群，如果您感兴趣，可以私信我加入我的社群~社群中将不定时分享各类福利🖥随时欢迎您跟我沟通，一起交流，一起成长、进步！点此即可获得联系方式~本文目录一
撰稿｜言征出品|51CTO技术栈（微信号：blog51cto）马斯克又上头条了！“OpenAI、奥特曼为了利润公然背叛”，“OpenAI董事会改组是微软精心策划的”，“OpenAI是微软事实上的子公司”，“GPT4相当于微软事实上的专有算法”……这位SpaceX和Tesla背后的科技梦想家、𝕏背后的持有者终于对曾经参与创办的OpenAI下手了！“美国AI教父”奥特曼自然也在此之列！当地时间，本周四晚间，埃隆·马斯克向旧金山高等法院，以违反合同为由起诉OpenAI及其CEO萨姆·奥特曼。马斯克在诉讼中表示，奥特曼和OpenAI违背了这家人工智能研究公司成立时达成的一项非营利协议，即开发技术以造福
图神经网络（GNNs）擅长利用图的结构信息进行推理，但它们通常需要特定于领域的调优才能达到峰值性能，这阻碍了它们在不同任务之间的泛化性。相比之下，基于大型语言模型（LLM）的图推理具有更强的跨任务和泛化能力，但它们在特定任务上的性能往往逊色于专用的图神经网络模型。无论是以图神经网络为代表的传统图推理还是新兴的基于大型语言模型的图推理，目前图推理相关工作都忽视了视觉模态的图信息。然而，人类会通过视觉特征高效和准确地完成图任务，例如判断图中是否存在环。因此，探究视觉形态的图信息在图推理中的作用具有重要意义。更具体地，将图（Graph）绘制为图片（Image），是否能赋予模型特殊的推理能力呢？这些图
