Warum KI-Agenten einen Kontext von einer Million Token benötigen — Thomas Wolf & Olive Song, MiniMax
AAI Engineer
Computing/SoftwareInternet Technology
Transcript
00:00:00Bei uns auf der Bühne ist der Mitbegründer und Chief Science Officer von Hugging Face, Thomas Wolfe.
00:00:30Hallo zusammen. Hallo Olive. Schön, dass du auf der Bühne bist. Danke, dass ich da sein darf. Also ich denke, euch erwartet heute ein echtes Highlight, denn ihr habt gerade GLM gesehen, das derzeit auf Platz zwei bei Artificial Analysis liegt. Das nehme ich mal raus, weil es niemand nutzen kann. Und jetzt haben wir Platz vier. Grundsätzlich bekommt ihr also alle Top-Modelle, zumindest das beste Open-Source-Modell, direkt hintereinander.
00:00:57Und wir können uns glücklich schätzen, Olive hier zu haben, die einen ziemlich erstaunlichen Lebensweg hinter sich hat. Sie kam in die USA, nach Pennsylvania. Sie hat im Labor von Yann LeCun an der NYU promoviert und an JPA gearbeitet. Aber wir haben beschlossen, heute nicht über JPA zu reden, oder? Das ist etwas für ein anderes Mal. Und anstatt zu Hugging Face zu gehen, das damals ebenfalls in New York ansässig war, beschloss sie, zu Minimax zu gehen.
00:01:26Für diejenigen unter Ihnen, die vielleicht nicht alle Neolabs auf der Welt kennen – und das sei Ihnen vergeben, da es im Moment wohl so 64 Neolabs gibt –, ist Minimax eines der führenden Unternehmen unter den sogenannten KI-Drachen in China. Das sind die neuen: Es gibt DeepSeek, das mittlerweile sehr bekannt ist, Moonshot, die Kimi entwickeln, Zhipu und eben GLM, das Sie gerade gesehen haben.
00:01:51Hier ist also das neue Modell, und jetzt haben wir Minimax. Sie sind alle extrem gut, ein unglaublich talentiertes Team, das um den ersten Platz kämpft.
00:01:58Die neueste Veröffentlichung von Minimax war M3, erst Anfang Juni, das zu diesem Zeitpunkt das Top-Modell war, das beste Open-Source-Modell.
00:02:08Sehr beeindruckend. Es gibt viele sehr interessante Aspekte an diesem Modell, auf die wir gleich kurz eingehen und dann darüber sprechen werden, was Minimax so besonders und großartig macht.
00:02:20Ja. Also Olive, um anfangs ein bisschen darauf einzugehen: Kannst du uns deine Sicht auf M3 schildern, was dir an diesem Modell gefällt und wie der Release verlief?
00:02:32Ja, M3, wir haben M3 Anfang dieses Monats veröffentlicht, und es ist ein kleineres Modell mit 400, etwa 400 Milliarden Parametern insgesamt und 20 Milliarden aktivierten.
00:02:45Aber es ist sowohl in Bezug auf die Programmierleistung als auch beim Bildverständnis äußerst leistungsfähig.
00:02:52Das ist also etwas, das Open-Source-Modelle sonst meistens nicht haben: Das Modell kann sich nicht nur mit Programmierung befassen, sondern auch Videos und Bilder verstehen und verfügt über einen superlangen Kontext von einer Million.
00:03:09Mit unserer neuen Architektur namens MSA, Minimax Sparse Attention. Wir haben diese drei Dinge wirklich zusammengeführt, weil wir wissen, dass sie in zukünftigen KI-Anwendungen sehr wichtig sein werden: Programmierfähigkeiten,
00:03:26Agentenfähigkeiten, längerer Kontext und multimodales Verständnis. Ja, ich denke, das macht das Modell so interessant.
00:03:35Ja, es gibt also viel an diesem Modell zu besprechen, und es ist meines Wissens nach immer noch das einzige Top-5-Open-Source-Modell, das tatsächlich multimodal ist, darüber müssen wir also sprechen.
00:03:45Aber vielleicht zuerst zum langen Kontext, denn es war auch das erste, das wirklich diesen echten Kontext von einer Million Token bot, der auch tatsächlich funktioniert.
00:03:54Und ihr hattet auch die Minimax Sparse Attention, also diese eine Technik, um das effizient zu machen, die ihr ebenfalls veröffentlicht und ausführlich geteilt habt,
00:04:04kannst du also ein wenig darüber erzählen, wie das Projekt von der Attention aus verlief und wie ihr diesen langen Kontext umgesetzt habt?
00:04:11Ja, ich würde sagen, die Geschichte des langen Kontexts reicht bis zu Minimax M1 und Minimax 01 zurück, bei denen das Modell tatsächlich in der Lage war, Aufgaben mit einem Kontext von 10 Millionen Token zu bewältigen.
00:04:25Zehn Millionen. Zehn Millionen, ja. Aber damals war es noch kein Agentenmodell, oder? Es war einfach so, dass man beispielsweise ein Buch hineingab und es in der Lage war, Rezensionen dazu zu schreiben oder ähnliches.
00:04:37Was wir dann festgestellt haben, war, dass ein längerer Kontext tatsächlich viele Fähigkeiten freisetzt, besonders bei der Interaktion mit Benutzern.
00:04:47Und wenn der Agent nun mit der gesamten Umgebung interagiert, alle Tool-Antworten erhält und über mehrere Runden hinweg agiert, würde ein kürzerer Kontext nicht ausreichen, um komplexe Aufgaben zu bewältigen.
00:05:03Daher sagten wir uns für diese Version: Oh, wir müssen unseren längeren Kontext zurückbringen.
00:05:09Und was wir verfolgten, war unsere Minimax Sparse Attention, die eben eine Architektur war, die skalierbar war und ein einfaches Design besaß.
00:05:23Ich würde also sagen, auf einer höheren Ebene betrachtet: Sie verfügt über einen Index-Zweig, der auf einer höheren Ebene auswählt, was im Kontext wichtiger ist.
00:05:36Und dann haben wir einen Sparse-Attention-Zweig, der die Berechnung auf den ausgewählten Blöcken durchführt, um die Aufgaben tatsächlich zu erledigen.
00:05:44Und ja, auf diese Weise haben wir wirklich eine elegante Architektur entworfen, damit wir die Länge und in Zukunft auch die Modellgröße damit skalieren können.
00:05:57Das ist wunderbar. Ich mag es, wie wir – für diejenigen, die schon länger in diesem Bereich tätig sind – so viel Arbeit in Attention gesteckt haben, oder?
00:06:03Dieses N-Quadrat, und es gab viel über lineare Attention.
00:06:06Ja.
00:06:06Und dann ist das alles irgendwann verschwunden.
00:06:09Als Flash Attention aufkam, haben wir festgestellt, dass wir einfach effizientere Kernel brauchten.
00:06:13Und jetzt gefällt mir, wie wir wieder zu den Ersten Prinzipien zurückkehren und überlegen: Was ist Attention?
00:06:18Wie können wir das effizienter gestalten?
00:06:20Eine Million Token ist also wahnsinnig viel, oder? GPT-2 hatte 1.024, und alle meinten: “Oh, das ist wirklich riesig. Mehr werden wir nie brauchen.”
00:06:28Wo siehst du die Reise in Zukunft hingehen? Jeff Dean hat mir neulich erst von einer Billion Token Attention erzählt.
00:06:35Glaubst du, wir sollten zu einer Billion Token Attention übergehen?
00:06:38Das ist definitiv etwas, worauf wir hinarbeiten können, ultra-lange Kontexte, absolut.
00:06:45Das ist sehr spannend zu erforschen, und das erfordert viel Forschung im Bereich des Architekturdesigns zusammen mit der Hardware.
00:06:54Ja.
00:06:55Glaubst du, es gibt immer noch viele niedrig hängende Früchte?
00:06:57Heutzutage haben wir also typischerweise gesehen, dass OpenAI ihre Inferenzkosten – ich meine, wir wissen nicht genau wie, aber – halbiert hat, wahrscheinlich durch effizientere Verarbeitung rund um Attention.
00:07:08Glaubst du, es gibt immer noch viele niedrig hängende Früchte bei der Frage, wie wir das verarbeiten können?
00:07:14Eine Sache, die an M3 nach wie vor sehr interessant ist, ist, wie kostengünstig es ist, insbesondere wegen dieser Sparse Attention, oder zum Teil, weil es ein kleines Modell ist, aber es ist eben auch sehr effizient.
00:07:22Genau.
00:07:23Glaubst du, wir können noch viel weiter gehen?
00:07:25Vielleicht: Wie habt ihr Minimax Sparse Attention eigentlich erfunden?
00:07:29War das ein Agent, der auf die Idee kam?
00:07:31War es immer noch ein Mensch, der auf die Idee kam?
00:07:33Erzähl uns ein bisschen darüber.
00:07:35Ja.
00:07:36Wir glauben also definitiv, dass es noch viel Arbeit gibt, die in Architektur und Inferenzoptimierung fließen kann, damit das Modell effizienter wird, besonders wenn es um Aufgaben geht, die sehr aufgabensensitiv sind, aber extrem starke Fähigkeiten erfordern, oder?
00:07:52Und für genau solche Arten von Aufgaben wollen wir, dass das Modell effizient ist.
00:07:56Und wer ist auf diesen Teil gekommen?
00:07:59Tatsächlich hat, glaube ich, ein Praktikant aus unserem Team daran gearbeitet.
00:08:02Ich auch.
00:08:03Bin zwar noch kein Praktikant.
00:08:04Das kommt in vielen Laboren normalerweise nicht vor, weil Praktikanten in manchen Laboren keinen Zugriff auf die Daten, die Arbeit und so weiter haben.
00:08:15Aber ja, wir sind offen für jeden, der zu unserem Modell beitragen möchte.
00:08:20Die Architektur wurde also tatsächlich von einem Praktikanten entworfen.
00:08:23Das ist sehr gut.
00:08:24Es gibt also noch Arbeit für Praktikanten hier.
00:08:26Gute Nachrichten.
00:08:27Das ist auch ein guter Übergang dazu, wie Minimax intern arbeitet.
00:08:32Wir haben ja vor unserem Auftritt hier darüber gesprochen, dass jeder ein Projekt vorschlagen kann.
00:08:37Kannst du uns ein wenig darüber erzählen, wie ihr organisiert seid und wie ihr Forschung betreibt?
00:08:41Ich denke, das unterscheidet sich sehr stark von der Schule oder sogar von früheren,
00:08:49von den früheren Tech-Unternehmen.
00:08:51Es ist ziemlich anders.
00:08:53Was wir sicherstellen, ist, dass wir ein gutes Fundament und eine gute Infrastruktur haben, damit jeder mit dem Modell herumspielen
00:09:04und überlegen kann, was er an dem Modell verbessern könnte.
00:09:07Und wenn dann nach Modellveröffentlichungen etwas Zeit ist, können sie mit dem Modell experimentieren.
00:09:13Sie können sich eigene Evaluierungen ausdenken.
00:09:15Sie können ihre eigenen Schwachstellen finden und vorschlagen, was sie am Modell verbessern möchten.
00:09:21Und andere Leute, die daran interessiert sind, bieten dann an, sich dem Projekt anzuschließen.
00:09:26Und sie arbeiten dann ein paar Wochen oder sogar ein paar Monate daran.
00:09:29Und wenn sie fertig sind, fließt das Endergebnis in unser Modell ein.
00:09:33Es wird – wir nutzen das in unserem finalen Training und es wird an das Publikum ausgeliefert.
00:09:39Interessant.
00:09:39Man kann also Leute haben, die wirklich lange Zeit an einem Projekt arbeiten.
00:09:42Wenn du ein paar Monate sagst, kann das eine wirklich tiefgehende Erkundung dessen sein, was möglich ist.
00:09:46Ja.
00:09:47Und ich würde sagen, zum Beispiel erfordert die Architektur möglicherweise mehr Zeit für Untersuchungen, Forschung,
00:09:53Experimente und sogar das Wiederholen der Evaluierungen für das Vortraining.
00:09:57Ja.
00:09:58Es kann also mehr Zeit in Anspruch nehmen.
00:10:00Das ist wirklich schön.
00:10:01Ja.
00:10:02Und ich weiß, dass ihr auch sehr viel Wert auf Evaluierung legt.
00:10:03Stimmt.
00:10:04Darüber könnten wir sprechen.
00:10:05Eine Sache, die wahrscheinlich damit zusammenhängt, ist dieses einzigartige Merkmal, das M3 und dein Team im Hinblick auf
00:10:11Multimodalität haben.
00:10:12Also nicht nur Text, sondern dieses Modell kann auch Bilder und Videos verstehen.
00:10:16Und so wie ich es verstanden habe – korrigiere mich gerne –, steht in der Modellkarte auf Hugging Face,
00:10:21dass das Modell vom ersten Schritt an als multimodales Modell trainiert wurde, und nicht erst nachträglich,
00:10:26richtig?
00:10:27Ja.
00:10:28Kannst du uns dazu etwas mehr erzählen und warum du das für wichtig hältst und warum
00:10:33ihr beim multimodalen Training vom ersten Schritt an begonnen habt und nicht erst später?
00:10:37Wir nennen das native Multimodalität.
00:10:41Und es ist irgendwie typisch für Modelllabore, multimodale Modelle zu trainieren – sagen wir, Fähigkeiten zum Bildverständnis –,
00:10:50nachdem das Textvortraining abgeschlossen ist.
00:10:54Sie fügen Adapter hinzu und trainieren diesen Teil dann.
00:10:57Aber was wir herausgefunden haben, war, dass das der Textleistung schadet.
00:11:02Und die Leistung des Bildverständnisses würde nicht so gut konvergieren, weil das Modell gewissermaßen
00:11:08in Richtung Textverständnis konvergiert.
00:11:11Und es ist einfach nicht das Optimalste und auch nicht das Skalierbarste.
00:11:17Wenn man darüber nachdenkt: Wir wollen die Daten skalieren, oder?
00:11:20Und manche Labore trainieren diese Fähigkeit auch ab der Hälfte des Vortrainings.
00:11:27Zum Beispiel fortgesetztes Vortraining.
00:11:29Aber wir haben herausgefunden, dass dies sehr, weißt du, rezeptempfindlich ist.
00:11:35Das Rezept unterscheidet sich für verschiedene Architekturen, für verschiedene,
00:11:41Datenmischungen und verschiedene Lernraten.
00:11:43Es ist schwer zu kontrollieren, schwer zu skalieren – man kann seine Experimentalergebnisse und Schlussfolgerungen nicht wirklich auf ein größeres Modell übertragen.
00:11:52Und deshalb dachten wir uns:
00:11:54Warum nicht einfach vom allerersten Schritt an trainieren?
00:12:01Das fühlt sich am natürlichsten an.
00:12:03Wir wissen, dass viele Labore dabei auf Probleme stoßen.
00:12:07Das Modell würde nach ein paar Trainingsschritten kollabieren, sowohl was das Text- als auch das Bildverständnis angeht.
00:12:15Aber wir haben es geschafft, dieses Problem zu lösen.
00:12:18Wir haben viel Arbeit in die Infrastruktur gesteckt und viel Arbeit in die Daten, mit denen wir tatsächlich trainieren.
00:12:26Zum Beispiel verwenden wir verschachtelte Daten, was wir als verschachtelte Daten (interleaved data) bezeichnen.
00:12:30Das sind eigentlich natürliche Daten, aber wir behalten die Bilder und Videos bei, anstatt sie auszublenden.
00:12:38Und wir machen eine ziemlich gute Bereinigung und Maskierung der Daten.
00:12:42Und wir erstellen ein sehr gutes Reward-Modell, sodass wir es vom ersten Schritt an trainieren und stark skalieren.
00:12:50Ja, es bricht nicht zusammen.
00:12:52Das ist wirklich beeindruckend.
00:12:53Beeindruckend.
00:12:54Können wir in Zukunft viel größere Modelle erwarten?
00:12:57Dieses hier ist also immer noch recht klein, oder?
00:12:59Es hat 428 Milliarden Parameter, 23 aktive Milliarden.
00:13:04Nun, glauben Sie, dass Sie die Billionen-Grenze überschreiten werden?
00:13:08Auf jeden Fall.
00:13:09Ja, auf jeden Fall in der Zukunft.
00:13:12Es gibt viele Aufgaben, bei denen das Modell mit weniger Parametern nicht sehr gut abschneiden würde.
00:13:21Wir haben definitiv ambitioniertere Ziele als das.
00:13:25Das ist großartig.
00:13:26Ich freue mich darauf.
00:13:27Und eine andere interessante Sache, die ich an Minimax immer faszinierend finde, ist, wie Sie auch eine ganze Reihe von Apps und Produkten haben, oder?
00:13:36Ich erinnere mich also bereits: Minimax begann im Januar letzten Jahres, Dinge auf der Hugging Face-Plattform als Open Source zu veröffentlichen.
00:13:43Das war also vor 18 Monaten.
00:13:45Und wir haben uns ein wenig mit dem Team unterhalten, um zu verstehen, was Sie taten.
00:13:48Und ich erinnere mich, dass Sie bereits eine enorme Nutzung bei einigen dieser Apps verzeichneten.
00:13:54Können Sie uns ein wenig erzählen, wie das angefangen hat?
00:13:57Hatten Sie im Grunde viele Apps und dachten dann: Wir haben all diese Daten.
00:14:02Warum nicht ein Modell trainieren?
00:14:03Und dann haben sie ein Forschungsteam aufgebaut.
00:14:05Wie war die Geschichte dahinter?
00:14:07Unsere Geschichte war vom ersten Tag an das Modell.
00:14:11Ich glaube also, dass ein multimodales Modell, ein Modell, das alle Visionen verstehen und alle Modalitäten ausgeben kann,
00:14:19das Erste war, was unser CEO am ersten Tag plante, noch bevor das Unternehmen überhaupt gegründet wurde.
00:14:25Das war also der Traum von AGI.
00:14:27Ich denke, das war sehr, sehr früh, noch bevor ChatGPT herauskam.
00:14:30Hoppla.
00:14:31Ja.
00:14:32Und Apps waren dann etwas, das sich daraus ergab.
00:14:35Weil man über bestimmte Modellfunktionen verfügt, möchte man, dass die Leute sie gut erleben können.
00:14:40Nicht viele Leute können es mit einer API nutzen, oder?
00:14:43Wir können nicht erwarten, dass jeder es über eine API erlebt.
00:14:46Wir brauchen also gute Benutzerinteraktionsschnittstellen, gute Apps, gute Szenarien, in denen die Leute das Modell erleben können.
00:14:57Ich denke, diese Apps haben um das Jahr 2020 herum weltweit mehr als 300 Millionen Menschen in rund 200 Ländern erreicht.
00:15:06Und ich glaube, auch über eine Million Unternehmen.
00:15:09Ja.
00:15:10Das war umwerfend, als ich von dieser Größe hörte.
00:15:12Und oft ist uns das Ausmaß dieser Art von Nutzung gar nicht so bewusst.
00:15:17Und das bringt mich gewissermaßen zu der Frage rund um das Open-Source-Geschäftsmodell und all das, die ewige Frage: Es ist zwar schön, ein Modell als Open Source zur Verfügung zu stellen, aber man muss ja auch irgendeine Einnahmequelle haben, oder?
00:15:33Und deshalb ist M3 vermutlich etwas, das Sie sich entschieden haben, kostenlos anzubieten.
00:15:38Und ich denke, das ist großartig für die Welt.
00:15:41Wie sehen Sie das?
00:15:42Verwenden Sie auch bestimmte spezifische Modelle für die App?
00:15:45Glauben Sie, dass Sie in Zukunft weiterhin – es ist wahrscheinlich schwer, das genau zu sagen – Modelle als Open Source anbieten werden?
00:15:52Wie ist im Moment die Kultur rund um Open Source?
00:15:55Persönlich und auch für das Modell-Forschungsteam hoffen wir immer, die Modelle als Open Source zu veröffentlichen.
00:16:01Das ist unser Plan, weil wir wirklich sehen, wie die Open-Source-Community gemeinsam dazu beitragen kann, das Modell besser zu machen.
00:16:09Zum Beispiel erhalten wir von der großartigen Community viel Feedback zur Modellleistung und wir erhalten Pull-Requests für alles, was wir als Open Source bereitstellen, oder?
00:16:20Und diese sind sehr, sehr wertvoll und fließen in unsere späteren Versionen ein.
00:16:24Open Source zu sein ist also definitiv großartig.
00:16:27Das ist großartig.
00:16:28Und haben Sie eigentlich eine Bitte an das Publikum, an die Leute, die M3 oder Minimax nutzen?
00:16:33Gibt es etwas, das sie Ihnen unbedingt als Feedback zurückmelden sollten?
00:16:37Lesen Sie zum Beispiel mit, wenn Leute versuchen, die Modelle zu modifizieren oder damit herumzuspielen, wissen Sie, Optimierungen vorzunehmen?
00:16:43Oder was ist Ihrer Meinung nach das Beste, das Sie für zukünftige Modelle aus der Community mitnehmen können?
00:16:51Ich würde sagen, all die Probleme, auf die die Leute stoßen, insbesondere bei der Multimodalität, oder?
00:16:57Dies ist das erste Mal, dass wir das miteinander kombinieren.
00:16:59Wir haben diesbezüglich in Zukunft definitiv noch ambitioniertere Ziele.
00:17:03Es hat im Moment vielleicht noch einige Mängel, aber wir arbeiten an Verbesserungen.
00:17:06Welches Feedback wir also auch immer erhalten, dass das Modell nicht so gut abschneidet – wir werden das in zukünftigen Versionen definitiv verbessern.
00:17:13Und auch welche Funktionen sich die Leute wünschen.
00:17:17Sagen wir, zum Beispiel den Denkaufwand (Thinking Effort), oder?
00:17:21Einige Leute fragen danach.
00:17:23Jeder kann darum bitten, und wir werden versuchen, das in zukünftigen Modellen umzusetzen.
00:17:28Ja.
00:17:29Sehen Sie im Moment bereits viele Nutzer im Bereich der Multimodalität bei Coding-Agenten?
00:17:33Ich habe das Gefühl, das ist noch ein wenig unterforscht.
00:17:37Das ist es.
00:17:38Das ist es.
00:17:39Aber es kann tatsächlich viele Fähigkeiten und eine Vielzahl von Agentenanwendungen freisetzen.
00:17:47Nehmen wir an, Sie möchten, dass das Modell PowerPoint-Präsentationen liest, oder?
00:17:51Oder einige Berichte liest, die nicht sehr strukturiert sind.
00:17:55Und Sie möchten, dass es ein sehr langes Video versteht.
00:17:58Nehmen wir an, Sie haben ein langes Video erstellt und möchten, dass das Modell nach dem Verständnis einige Aktionen mithilfe von Tools ausführt.
00:18:07Und das eröffnet eine breite Palette an Anwendungsfällen für Agenten.
00:18:12Könnte der Agent also endlich mein YouTube-Tutorial ansehen und verstehen, wie man meine Coding-Tools benutzt, wie ich es beschreibe?
00:18:18Ist es so etwas in der Art?
00:18:19Hä?
00:18:20Könnte der Agent endlich YouTube-Tutorials ansehen und Dinge daraus verstehen?
00:18:24Ja.
00:18:25Ja.
00:18:26Das denke ich schon.
00:18:27Verwenden Sie intern viele Agenten-Coding-Tools?
00:18:30Ist das so – ich meine, Coding auf jeden Fall, aber wird es auch schon im Bereich der Forschung eingesetzt?
00:18:34Ist das automatisiert?
00:18:35Ja.
00:18:36Teilweise?
00:18:37Oder nicht?
00:18:38Wie funktioniert das?
00:18:39Ja.
00:18:40Wir haben unsere eigenen Forschungsumgebungen (Harnesses).
00:18:42Wir bauen unsere eigenen Forschungsumgebungen, die unsere Arbeitsabläufe automatisieren.
00:18:46Ich würde sagen, ein Großteil unserer Arbeitsabläufe ist automatisiert.
00:18:49Man sieht, wie alle neuesten Frontier-Modelle die Optimierung von Kernel-Funktionen verfolgen, oder?
00:18:57Zum Beispiel das Modell andere Modelle evaluieren zu lassen.
00:19:00Das Modell Daten erstellen zu lassen, automatische Daten, solche Dinge.
00:19:05Man sieht, wie immer mehr Modelle dazu in der Lage sind, einschließlich M3.
00:19:10Tatsächlich waren wir sehr gut in diesen Fällen, bei längeren Horizonten und Kernel-Optimierungen.
00:19:16Und so können wir diese Modellfähigkeiten nutzen, sie zusammenführen, unseren täglichen Ablauf unterstützen
00:19:24und unsere Iterationen noch schneller machen.
00:19:26Baut M3 bereits M4?
00:19:30Wir bauen M3.1.
00:19:31M3.1?
00:19:32Ja.
00:19:33Okay.
00:19:34Noch nicht das.
00:19:35Schon.
00:19:36Ich würde gerne damit abschließen, was Sie im kommenden Monat am spannendsten finden.
00:19:41Was denken Sie?
00:19:42Es kann im Hinblick auf Funktionen oder Dinge sein, die Sie in der KI sehen möchten, oder ganz allgemein
00:19:49in Bezug auf das, was Ihnen wirklich am meisten im Kopf herumgeht und passieren wird.
00:19:54Sehr viele Dinge sind sehr spannend.
00:19:58Aber was ich in letzter Zeit am spannendsten finde, sind Multi-Agenten, da ich denke, dass viele
00:20:04KI-Anwendungen Modell-Routing und Multi-Agenten nutzen, was noch mehr Fähigkeiten
00:20:11und noch komplexere Aufgaben ermöglicht.
00:20:13Und es zeigt uns auch, wozu die Modelle fähig sind und wozu nicht.
00:20:19Und man kann damit eine Menge Dinge tun.
00:20:22Das ist ziemlich aufregend.
00:20:24Vielen Dank, Alive.
00:20:25Es war uns eine Freude, dich hier zu haben.
00:20:26Danke, dass ich da sein durfte.
00:20:27Danke an alle.
00:20:28Danke an alle.
00:20:29Danke an alle.
00:20:29Danke.
00:20:29Danke an alle.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video