XiaoMi-AI文件搜索系统
World File Search SystemLlama
groq先天：将AI驱动的机器人带给所有人
先天是一家基于硅谷的初创公司，很容易迅速构建非常聪明的机器人。通过使用各种LLM和视觉语言模型，先天平台使工程师和业余爱好者能够快速训练机器人执行特定的任务。先天的平台集成了视觉语言模型，传统的计算机视觉模型以及由先天训练并在机器人本地运行的物理操纵模型。目前，它使用Meta的Llama 3来为其主要推理引擎供电。这使在平台上运行的机器人是内置的 - 一个人可能会说先天 - 可以理解和解释其周围环境的能力。
LLM 人工智能网络安全与治理清单
过去 50 年来，人工智能取得了长足进步，默默地支持着各种企业流程，直到 ChatGPT 的公开亮相推动了个人和企业开发和使用大型语言模型 (LLM)。最初，这些技术仅限于学术研究或企业内部某些重要活动的执行，只有少数人才能看到。然而，数据可用性、计算机能力、GenAI 功能以及 Llama 2、ElevenLabs 和 Midjourney 等工具的发布，使人工智能从小众领域提升到普遍接受的水平。这些改进不仅使 GenAI 技术更容易获得，而且还凸显了企业迫切需要制定可靠的战略来整合和利用人工智能，这代表着我们使用技术的方式向前迈出了一大步。
LLM 人工智能网络安全与治理清单
过去 50 年来，人工智能取得了长足进步，默默地支持着各种企业流程，直到 ChatGPT 的公开亮相推动了个人和企业开发和使用大型语言模型 (LLM)。最初，这些技术仅限于学术研究或企业内部某些重要活动的执行，只有少数人才能看到。然而，数据可用性、计算机能力、GenAI 功能以及 Llama 2、ElevenLabs 和 Midjourney 等工具的发布，使人工智能从小众领域提升到普遍接受的水平。这些改进不仅使 GenAI 技术更容易获得，而且还凸显了企业迫切需要制定可靠的战略来整合和利用人工智能，这代表着我们使用技术的方式向前迈出了一大步。
生成人工智能与创意经济工作人员报告：观点与要点
过去一年，我们见证了人工智能工具的出现，它们可以根据命令生成文本、图像和音频等输出。这些工具通常被称为“生成性人工智能”。要输出不同类型的内容，必须使用大量现有工作来构建这些模型。3 例如，PaLM 2 4 和 Llama 2 5 等大型语言模型依赖于已“标记化”的大型文本数据集——分成更小的词块甚至词的一部分——然后对其进行分析以寻找可重现的模式。6 像 Stable Diffusion 这样的图像生成器依靠图像及其标题来为其模型提供动力。7 这些工具的构建方式和工具输出的内容引起了人们的关注和担忧，尤其是那些工作成果正在被使用并可能被取代的人。
新闻业的生成AI：新闻和道德的发展生成信息生态系统
其他大型科技公司迅速涌入与自己的AI模型竞争：Bard，然后是Google的Gemini，来自Anthropic的Claude，来自Microsoft的Copilot，以及来自Meta的Llama等开源产品，更不用说新搜索产品了，更不用说引发性，浏览器体验，例如ARC，例如ARC或Fressions of Adobe and Fronfution interfacter of Adobe and trunder interfy of Adobe的界面 - 信息。尽管该技术的版本自2018年以来就已经存在，但到2022年底，它突然奏效了（某种程度上），促使其整合到各种产品中，不仅展示了许多生产力和新体验的机会，而且还对准确性，出处和来源信息的归因以及造成错误信息的潜力增加了一些严重的关注。
API影响报告2024
对于希望利用AI的组织，LLM周围有很多竞争。但是，当涉及模型和AI服务建设者和领导者在工作场所使用时，我们的调查结果表明，Chatgpt（引起世界关注的第一个LLM）仍然是最常用的（27％）。但是，重要的是要注意，Microsoft的Azure AI（18％的受访者使用）使公司可以访问OpenAI的LLM，这使OpenAI模型的总使用量更高。（同样，亚马逊基岩提供了对多个LLM的访问。）之后，Google Gemini的使用率为17％。其余的包装在8％到4％之间的使用情况：Meta的Llama（8％），Amazon Bedrock（7％），人类的Claude（7％），Cohere's Suite（5％）和Mistral AI（4％）。4％的报告使用我们的调查中未包含的工具，而3％不使用任何LLM。
大语模型临床医生指南
人工智能（AI）的快速发展已导致大型语言模型（LLMS）作为包括医疗保健在内的各种应用程序的强大工具的出现。这些大规模的机器学习模型，例如GPT和Llama表现出了改善患者结果和改造医疗实践的潜力。但是，没有数据科学背景的医疗保健专业人员可能会发现有效理解和利用这些模型是挑战性的。本文旨在为医疗保健专业人员提供可访问的LLMS介绍，讨论其核心概念，医疗保健中的相关应用，道德考虑，挑战和未来的方向。通过LLM的概述，我们在医疗保健专业人员和数据科学家之间建立了更加协作的未来，最终推动了更好的患者护理和医疗进步。
生成人工智能和医学虚假信息
尝试。gpt-4（通过副驾驶员）最初拒绝造成健康虚假信息，即使有越狱尝试；但这不是12周的情况。gpt-4（通过chatgpt），Palm 2/Gemini Pro（通过Bard）和Llama 2（通过HuggingChat）始终生成包含健康虚假信息的博客，在两个评估时间点下，只有5％（150）的拒绝率为5％（150）。生成的博客纳入了引人注意的标题，真实的外观（假或虚构的）参考文献以及患者和临床医生的捏造证明，并针对不同的人群组。尽管所评估的每个LLM都有可以报告观察到的关注产出的机制，但是在报告了观察到的漏洞时，开发人员没有响应。该研究的一个局限性是直接测试了LLM聊天机器人/助手界面。
人工智能数据中心联网
AI 效能是指 AI 模型的预期执行程度，而 AI 训练效率是指训练 AI 模型以达到其所需性能水平所需的时间和资源量。例如，Meta 的 Llama 2 模型的预训练时间范围从 70 亿参数模型的 184K GPU 小时到 700 亿参数模型的 1.7M GPU 小时。任何降低 GPU 处理速度的低效率都会增加模型训练时间。同样，增加或减少参数或 GPU 的数量都会影响训练时间。增加计算是减少训练时间的合理方法，但 GPU 价格昂贵，占 AI 训练成本的 80%。研究这些成本的瞻博网络团队估计，由 8 个 GPU 驱动的 AI 训练服务器的成本可能超过 400,000 美元。