Mengapa Agen AI Membutuhkan Konteks Juta-Token — Thomas Wolf & Olive Song, MiniMax
AAI Engineer
컴퓨터/소프트웨어AI/미래기술
스크립트
00:00:00Yang bergabung dengan kita di panggung adalah salah satu pendiri sekaligus kepala petugas sains di Hugging Face, Thomas Wolfe.
00:00:30Halo semuanya. Halo Olive. Senang bisa menghadirkanmu di panggung. Terima kasih telah mengundang saya. Jadi, saya rasa kalian akan mendapatkan suguhan menarik hari ini karena kalian baru saja melihat GLM, yang saat ini berada di urutan kedua pada analisis buatan. Saya mengeluarkannya karena tidak seorang pun dapat menggunakannya. Dan sekarang kita memiliki nomor empat. Jadi, pada dasarnya kalian akan mendapatkan semua model teratas, setidaknya model sumber terbuka teratas secara beruntun.
00:00:57Dan kita sangat beruntung memiliki Olive, yang memiliki perjalanan hidup yang cukup luar biasa. Jadi, dia datang ke AS, Pennsylvania. Dia sedang belajar mengambil gelar PhD di NYU di laboratorium Yann Lequin, mengerjakan JPA. Tapi kita memutuskan kita tidak akan membicarakan JPA hari ini, kan? Sesuatu untuk lain hari. Dan kemudian alih-alih bergabung dengan Hugging Face, yang juga berada di New York pada saat itu, dia memutuskan untuk bergabung dengan Minimax.
00:01:26Jadi, bagi mereka yang mungkin tidak tahu semua lab neo di seluruh dunia, dan kalian dimaafkan karena saya pikir ada sekitar 64 lab neo sekarang, Minimax adalah salah satu yang teratas dari apa yang kita sebut naga AI di Tiongkok. Jadi, ini adalah yang baru, ada Deep Seek, yang sangat terkenal sekarang, Moonshot, yang membuat Kimi, Zee, dan GLM yang baru saja kalian lihat.
00:01:51Jadi inilah model barunya, dan sekarang kita punya Minimax. Semuanya sangat bagus, tim yang sangat berbakat berjuang untuk tempat pertama.
00:01:58Jadi rilis terbaru dari Minimax adalah M3, awal Juni lalu, yang merupakan model teratas pada waktu itu, model sumber terbuka teratas.
00:02:08Sangat mengesankan. Ada banyak hal yang sangat menarik tentang model ini, jadi kita akan segera membahasnya, lalu berbicara sedikit tentang apa yang khas dari Minimax, apa yang hebat di sana.
00:02:20Ya. Jadi mungkin Olive, untuk memulai sedikit, dapatkah kamu memberi kami, tahukah kamu, sedikit pandanganmu tentang M3, apa yang kamu sukai dari model ini, bagaimana rilisnya?
00:02:32Ya, M3, kami merilis M3 awal bulan ini, dan itu adalah model yang lebih kecil dengan 400, sekitar 400 miliar parameter total, dan 20 miliar yang aktif.
00:02:45Tetapi model ini sangat mampu dalam hal kinerja pengkodean, dan juga memahami visi.
00:02:52Jadi itulah yang biasanya tidak dimiliki oleh model sumber terbuka, yaitu mereka dapat -- model ini tidak hanya dapat menangani pengkodean, tetapi juga dapat memahami video, gambar, dan memiliki konteks super panjang satu juta.
00:03:09Dengan arsitektur baru kami yang disebut MSA, Minimax Sparse Attention. Jadi kami benar-benar menyatukan ketiga hal ini, karena kami tahu bahwa ketiganya -- ketiganya akan sangat penting dalam aplikasi AI di masa depan, kemampuan pengkodean,
00:03:26kemampuan agen, konteks yang lebih panjang, dan pemahaman multi-model. Ya, saya pikir itu akan sangat menarik tentang model ini.
00:03:35Ya, jadi ada banyak hal yang perlu dibahas dalam model ini, dan saya rasa ini masih satu-satunya dari lima model teratas, model sumber terbuka, yang sebenarnya multi-model, jadi kita perlu membicarakannya.
00:03:45Tapi mungkin yang pertama tentang konteks panjang, karena itu juga yang pertama yang benar-benar memiliki satu juta token nyata ini, konteks panjang, yang benar-benar berfungsi.
00:03:54Dan kalian juga memiliki Minimax Sparse Attention, yang merupakan salah satu teknik untuk membuat itu efisien, yang juga kalian publikasikan dan bagikan secara luas,
00:04:04jadi bisakah kamu berbicara sedikit tentang ini, mungkin bagaimana proyek ini berjalan dari perhatian, bagaimana cara membuat konteks yang panjang ini?
00:04:11Ya, saya akan mengatakan cerita tentang konteks panjang kembali ke Minimax M1 atau Minimax 01, di mana model tersebut sebenarnya -- mampu melakukan tugas konteks token 10 juta.
00:04:25Sepuluh juta. Sepuluh juta, ya. Tapi kemudian itu bukan model agen, kan? Itu hanya, misalnya, membuang buku, buku itu akan dapat memberikan ulasan tentangnya, hal-hal seperti itu.
00:04:37Jadi apa yang kami sadari adalah bahwa konteks yang lebih panjang benar-benar membuka banyak kemampuan, terutama ketika berinteraksi dengan pengguna.
00:04:47Dan sekarang ketika agen berinteraksi dengan seluruh lingkungan dan mendapatkan semua respons alat, mendapatkan banyak putaran, konteks yang lebih pendek tidak akan cukup untuk melakukan tugas yang kompleks.
00:05:03Jadi untuk versi ini, kami berkata, oh, kita harus mengembalikan konteks kita yang lebih panjang.
00:05:09Dan apa yang kami kejar adalah dengan Minimax Sparse Attention kami, yang, tahukah kamu, adalah arsitektur yang dapat didiskalakan dan memiliki desain yang sederhana.
00:05:23Jadi saya akan katakan dari tingkat yang lebih tinggi, kan? Ini memiliki cabang indeks yang, tahukah kamu, memilih pada tingkat yang lebih tinggi apa yang -- apa yang lebih penting dalam konteks.
00:05:36Dan kemudian kita memiliki cabang Sparse Attention yang menghitung -- melakukan perhitungan pada blok yang dipilih untuk benar-benar melakukan tugas.
00:05:44Dan jadi, ya, seperti itu kami benar-benar merancang arsitektur yang elegan sehingga kami dapat menskalakan panjangnya dan kemudian menskalakan ukuran model di masa depan dengan itu.
00:05:57Itu luar biasa. Saya suka bagaimana, bagi mereka yang sudah berkecimpung di bidang ini cukup lama, kita memiliki banyak pekerjaan pada perhatian, kan?
00:06:03N-kuadrat ini, dan ada banyak perhatian linier.
00:06:06Ya.
00:06:06Dan kemudian entah bagaimana semua ini hilang pada suatu titik.
00:06:09Ketika Flash Attention muncul, kami menemukan bahwa kami hanya membutuhkan kernel yang lebih efisien.
00:06:13Dan sekarang saya suka bagaimana kita kembali berpikir, tahukah kamu, prinsip pertama, apa itu perhatian?
00:06:18Bagaimana kita bisa membuat itu lebih efisien?
00:06:20Jadi satu juta token itu gila, kan? GPT-2 adalah 1.024, dan semua orang seperti, “Oh, itu sangat besar. Kita tidak akan pernah butuh lebih.”
00:06:28Menurutmu ini akan menuju ke mana di masa depan? Seperti Jeff Dean menawari saya beberapa hari yang lalu perhatian satu triliun token.
00:06:35Menurutmu apakah kita harus beralih ke perhatian satu triliun token?
00:06:38Itu pasti sesuatu yang bisa kita jelajahi, kan, panjang konteks yang sangat ekstrem, pastinya.
00:06:45Itu adalah sesuatu yang sangat menarik untuk dieksplorasi, dan sesuatu yang desain arsitekturnya, seiring dengan perangkat keras, akan membutuhkan banyak penelitian ke arah itu.
00:06:54Ya.
00:06:55Menurutmu apakah masih ada banyak buah yang menggantung rendah?
00:06:57Jadi biasanya hari ini kita melihat OpenAI benar-benar mengurangi, maksud saya, kita tidak tahu bagaimana sebagai sebuah perusahaan, tetapi seperti mengurangi tagihan inferensi mereka setengahnya dengan mungkin memiliki pemrosesan yang lebih efisien di sekitar perhatian.
00:07:08Menurutmu apakah masih ada banyak buah yang menggantung rendah yang bisa didapatkan dari bagaimana kita dapat memproses itu?
00:07:14Jadi satu hal yang masih sangat menarik tentang M3 adalah betapa murahnya itu, khususnya karena perhatian bagian ini, atau sebagian karena ukurannya yang kecil, tetapi juga sangat efisien.
00:07:22Benar.
00:07:23Menurutmu kita bisa melangkah lebih jauh lagi?
00:07:25Mungkin bagaimana kalian menciptakan MinMax Pass Attention?
00:07:29Apakah itu agen yang memunculkan ide tersebut?
00:07:31Apakah masih manusia yang memunculkan ide tersebut?
00:07:33Ceritakan sedikit kepada kami tentang ini.
00:07:35Ya.
00:07:36Jadi kami berpikir masih ada banyak pekerjaan yang bisa masuk ke dalam arsitektur dan pengoptimalan inferensi agar model dapat menjadi lebih efisien, terutama jika ada tugas yang sangat sensitif terhadap tugas, tetapi memerlukan kemampuan yang sangat kuat, kan?
00:07:52Dan untuk tugas semacam itu, kami benar-benar ingin model menjadi efisien.
00:07:56Dan siapa yang memikirkan bagian ini?
00:07:59Sebenarnya, saya pikir seorang peserta magang dari tim kami mengerjakannya.
00:08:02Saya juga.
00:08:03Belum menjadi peserta magang.
00:08:04Itu biasanya tidak terjadi di banyak lab karena saya pikir di beberapa lab, peserta magang tidak memiliki akses ke data, pekerjaan, dan hal-hal semacam itu.
00:08:15Tapi ya, kami terbuka bagi siapa saja yang ingin berkontribusi pada model kami.
00:08:20Jadi arsitekturnya sebenarnya dirancang oleh seorang peserta magang.
00:08:23Itu sangat bagus.
00:08:24Masih ada pekerjaan untuk peserta magang di sini.
00:08:26Kabar baik.
00:08:27Itu juga merupakan transisi yang baik tentang bagaimana MinMax bekerja secara internal.
00:08:32Jadi kami sedang berdiskusi sebelum naik ke panggung bahwa setiap orang dapat mengusulkan sebuah proyek.
00:08:37Bisakah kamu menceritakan sedikit tentang bagaimana kalian diatur, bagaimana kalian melakukan penelitian?
00:08:41Saya pikir itu sangat berbeda bahkan dari di sekolah atau bahkan di awal, tahukah kamu,
00:08:49perusahaan teknologi sebelumnya.
00:08:51Itu cukup berbeda.
00:08:53Yaitu apa yang kami pastikan adalah bahwa kami memiliki fondasi yang baik dan infrastruktur yang baik sehingga siapa pun dapat bermain dengan model tersebut
00:09:04dan dapat memikirkan apa yang dapat mereka tingkatkan dengan model tersebut.
00:09:07Dan kemudian setelah model dirilis, ketika mereka bebas, kan, mereka dapat bermain dengan model tersebut.
00:09:13Mereka dapat memikirkan evaluasi mereka sendiri.
00:09:15Mereka dapat menemukan kelemahan mereka sendiri dan mengusulkan hal yang ingin mereka tingkatkan pada model.
00:09:21Dan kemudian orang lain yang tertarik dengan hal tersebut akan, tahukah kamu, mengajukan diri untuk bergabung dengan proyek tersebut.
00:09:26Dan mereka akan mengerjakannya selama beberapa minggu atau bahkan beberapa bulan.
00:09:29Dan ketika berhasil, hal akhir tersebut dikirimkan ke model kita.
00:09:33Hal itu, tahukah kamu, kami gunakan dalam pelatihan akhir kami dan dikirimkan kepada para penonton.
00:09:39Menarik.
00:09:39Jadi kamu bisa memiliki orang-orang yang bekerja dalam waktu yang sangat lama pada sebuah proyek.
00:09:42Ketika kamu mengatakan beberapa bulan, itu bisa seperti eksplorasi yang sangat mendalam tentang apa yang mungkin.
00:09:46Ya.
00:09:47Dan saya akan katakan, misalnya, arsitektur mungkin memerlukan waktu investigasi yang lebih lama, penelitian,
00:09:53eksperimen, bahkan melakukan ulang evaluasi untuk pra-pelatihan.
00:09:57Ya.
00:09:58Jadi itu mungkin memerlukan waktu yang lebih lama.
00:10:00Itu sangat bagus.
00:10:01Ya.
00:10:02Dan saya tahu kamu juga sangat mementingkan evaluasi.
00:10:03Saya setuju.
00:10:04Kita bisa membicarakan hal itu.
00:10:05Satu hal yang mungkin terkait dengan itu adalah kekhasan unik yang dimiliki M3 dan timmu seputar
00:10:11multi-modalitas.
00:10:12Jadi tidak hanya teks, tetapi model ini juga dapat memahami gambar dan video.
00:10:16Dan seperti yang saya pahami, tetapi tolong jelaskan dengan lebih baik, ketika kita membaca kartu model di Hugging Face,
00:10:21dikatakan bahwa model tersebut dilatih sejak langkah pertama sebagai multi-model, bukan hanya seperti pengguna satu
00:10:26sebagai setelah sumber, kan?
00:10:27Ya.
00:10:28Bisakah kamu memberi tahu kami sedikit lebih banyak tentang itu dan mengapa kamu pikir itu penting dan mengapa
00:10:33kamu mulai dari langkah pertama pada pelatihan multi-model dan bukan hanya pelatihan ini?
00:10:37Jadi kami menyebutnya multi-modalitas asli.
00:10:41Dan jadi agak khas bagi lab model untuk melatih multi-model, katakanlah kemampuan pemahaman visi
00:10:50setelah pra-pelatihan teks selesai.
00:10:54Mereka memasang adaptor dan kemudian melatih bagian itu.
00:10:57Tetapi apa yang kami temukan adalah bahwa hal itu sebenarnya akan merusak kinerja teks.
00:11:02Dan kinerja pemahaman visi tidak akan konvergen dengan baik karena model tersebut agak
00:11:08berkonvergensi menuju pemahaman teks.
00:11:11Dan itu bukan yang paling optimal dan juga bukan yang paling dapat diskalakan.
00:11:17Jika kamu memikirkannya, kita ingin menskalakan datanya, kan?
00:11:20Dan juga kita bisa, beberapa lab melatih kemampuan ini dari setengah perjalanan melalui pra-pelatihan.
00:11:27Misalnya, melanjutkan pra-pelatihan.
00:11:29Tetapi apa yang kami temukan bahwa ini akan sangat, tahukah kamu, sensitif terhadap resep.
00:11:35Resepnya akan berbeda untuk arsitektur yang berbeda, tahukah kamu,
00:11:41campuran data yang berbeda, tingkat pembelajaran yang berbeda.
00:11:43Sulit dikendalikan, sulit, tahukah kamu, untuk diskalakan ke, kamu tidak bisa benar-benar menskalakan hasil eksperimenmu
00:11:52dan kesimpulan ke model yang lebih besar.
00:11:54Dan jadi, tahukah kamu, apa yang kami pikirkan adalah mengapa tidak langsung melatih sejak langkah pertama?
00:12:01Itu terasa paling alami.
00:12:03Kami tahu bahwa banyak lab mengalami masalah saat melakukan itu.
00:12:07Model tersebut akan runtuh setelah beberapa langkah pelatihan, tahukah kamu, baik pemahaman teks maupun visi.
00:12:15Tetapi kami berhasil memecahkan masalah itu.
00:12:18Kami melakukan banyak pekerjaan pada IT dan kami melakukan banyak pekerjaan pada data yang sebenarnya kami latih.
00:12:26Misalnya, kami membuat data yang diselingi, apa yang kami sebut data yang diselingi.
00:12:30Itu sebenarnya data alami, tetapi kami tetap memasukkan gambar dan video alih-alih menutupinya.
00:12:38Dan kami melakukan pembersihan serta masking yang cukup baik pada data.
00:12:42Serta pemodelan reward yang sangat bagus sehingga kami melatihnya dari langkah pertama dan meningkatkannya secara signifikan.
00:12:50Ya, modelnya tidak runtuh.
00:12:52Itu sangat mengesankan.
00:12:53Mengesankan.
00:12:54Apakah kita bisa mengharapkan model yang jauh lebih besar di masa depan?
00:12:57Jadi, model ini ukurannya masih tergolong kecil, ya?
00:12:59Ukurannya 428 miliar parameter, dengan 23 miliar yang aktif.
00:13:04Nah, apakah menurut Anda kalian akan melampaui satu triliun?
00:13:08Tentu saja.
00:13:09Ya, tentu saja di masa depan.
00:13:12Ada banyak tugas yang tidak dapat dilakukan dengan sangat baik oleh model dengan parameter yang lebih kecil.
00:13:21Kami pasti akan mengambil langkah yang lebih ambisius dari ini.
00:13:25Bagus sekali.
00:13:26Sangat menantikannya.
00:13:27Dan hal menarik lainnya yang selalu saya kagumi dari Minimax adalah bagaimana kalian juga memiliki berbagai macam aplikasi dan produk, kan?
00:13:36Jadi saya ingat, Minimax sudah mulai melakukan open source pada platform Hugging Face pada Januari tahun lalu.
00:13:43Jadi itu 18 bulan yang lalu.
00:13:45Dan kita sempat ngobrol sedikit dengan tim untuk memahami apa yang kalian lakukan.
00:13:48Dan saya ingat, kalian sudah memiliki tingkat penggunaan yang sangat besar pada beberapa aplikasi tersebut.
00:13:54Bisakah Anda ceritakan sedikit bagaimana semua ini bermula?
00:13:57Jadi, apakah awalnya kalian membuat banyak aplikasi lalu berpikir, kita punya semua data ini.
00:14:02Kenapa tidak melatih sebuah model?
00:14:03Dan kemudian mereka membangun tim riset.
00:14:05Bagaimana cerita di baliknya?
00:14:07Cerita kami berfokus pada model sejak hari pertama.
00:14:11Jadi saya percaya bahwa model multitis, model yang dapat memahami semua visi dan menghasilkan semua modalitas,
00:14:19adalah hal pertama yang direncanakan oleh CEO kami sejak hari pertama, bahkan sebelum perusahaan ini berdiri.
00:14:25Jadi itulah impian tentang AGI.
00:14:27Saya pikir itu sangat-sangat awal, bahkan sebelum ChatGPT dirilis.
00:14:30Wah.
00:14:31Ya.
00:14:32Dan aplikasi adalah sesuatu yang menyusul kemudian.
00:14:35Karena Anda memiliki kapabilitas model, Anda ingin orang-orang bisa merasakannya dengan baik.
00:14:40Tidak banyak orang yang dapat menggunakannya melalui API, kan?
00:14:43Kita tidak bisa berharap semua orang merasakannya melalui API.
00:14:46Jadi kita butuh interaksi pengguna yang baik, antarmuka yang baik, aplikasi yang baik, skenario yang baik agar orang-orang dapat merasakan model tersebut.
00:14:57Saya rasa aplikasi-aplikasi tersebut telah mencakup lebih dari 300 juta orang di sekitar 200 negara secara global.
00:15:06Dan saya rasa juga lebih dari satu juta perusahaan.
00:15:09Ya.
00:15:10Ini sangat mencengangkan ketika saya mendengar ukurannya.
00:15:12Dan kita sering kali tidak menyadari skala penggunaan yang sebesar ini.
00:15:17Dan hal itu membawa saya pada pertanyaan seputar model bisnis open source dan sebagainya, yang selalu menjadi pertanyaan, yaitu saat ini memang bagus untuk membuat model open source, tetapi Anda juga harus memiliki sumber pendapatan, kan?
00:15:33Dan saya rasa M3 adalah sesuatu yang Andautuskan, misalnya, untuk diberikan secara gratis.
00:15:38Dan saya pikir itu hal yang hebat bagi dunia.
00:15:41Bagaimana pandangan Anda tentang ini?
00:15:42Apakah Anda juga memiliki model khusus yang digunakan untuk aplikasi?
00:15:45Apakah Anda berpikir, di masa depan Anda akan tetap—mungkin sulit dikatakan secara pasti—tetapi apakah Anda akan terus melakukan open source pada model-model?
00:15:52Bagaimana budaya seputar open source saat ini?
00:15:55Secara pribadi, dan juga bagi tim riset model, kami selalu berharap untuk meng-open-source-kan model-model tersebut.
00:16:01Itu adalah rencana kami karena kami benar-benar melihat bagaimana komunitas open source dapat bersama-sama membantu membangun model yang lebih baik.
00:16:09Misalnya, kami menerima banyak masukan tentang kinerja model dari komunitas yang hebat dan kami menerima PR untuk apa pun yang kami open-source-kan, kan?
00:16:20Dan itu sangat-sangat berharga dan masuk ke dalam versi-versi kami selanjutnya.
00:16:24Jadi tentu saja open source itu luar biasa.
00:16:27Bagus sekali.
00:16:28Dan omong-omong, apakah Anda punya permintaan untuk para penonton, orang-orang yang menggunakan M3 atau Minimax?
00:16:33Adakah sesuatu yang ingin Anda mereka kirimkan kembali sebagai masukan?
00:16:37Apakah Anda, misalnya, membaca ketika orang mencoba memodifikasi model atau bereksperimen dengan penyesuaian?
00:16:43Atau apa hal terbaik yang menurut Anda dapat diambil dari komunitas untuk model masa depan, misalnya?
00:16:51Saya akan bilang masalah apa pun yang dihadapi orang, terutama dengan multitis, ya?
00:16:57Ini adalah pertama kalinya kami menggabungkannya.
00:16:59Kami pastinya akan mengambil langkah yang lebih ambisius dalam hal itu di masa depan.
00:17:03Mungkin ada beberapa kekurangan saat ini, tetapi kami terus meningkatkannya.
00:17:06Jadi masukan apa pun bahwa model tersebut kurang optimal, pasti akan kami tingkatkan dalam versi mendatang.
00:17:13Dan juga fitur apa pun yang diinginkan orang.
00:17:17Katakanlah, misalnya, upaya berpikir, ya?
00:17:21Beberapa orang meminta hal itu.
00:17:23Setiap orang dapat meminta dan kami akan berusaha mewujudkannya pada model masa depan.
00:17:28Ya.
00:17:29Apakah Anda melihat banyak pengguna saat ini yang sudah menggunakan multitis dalam hal agen koding?
00:17:33Saya merasa itu masih sedikit kurang dieksplorasi.
00:17:37Memang.
00:17:38Memang.
00:17:39Tetapi itu sebenarnya dapat membuka banyak kapabilitas dan banyak aplikasi agen.
00:17:47Katakanlah, misalnya, Anda ingin model membaca PowerPoint, ya?
00:17:51Atau membaca beberapa laporan yang kurang terstruktur.
00:17:55Dan Anda ingin model memahami video yang sangat panjang.
00:17:58Katakanlah Anda telah membuat video berdurasi panjang lalu Anda ingin model bertindak menggunakan beberapa alat setelah memahaminya.
00:18:07Dan hal itu membuka berbagai macam kasus penggunaan agen.
00:18:12Jadi, seperti agen yang akhirnya bisa menonton tutorial YouTube saya dan mengerti cara menggunakan alat koding saya, bagaimana saya mendeskripsikannya?
00:18:18Apakah seperti itu?
00:18:19Hah?
00:18:20Bisakah agen akhirnya menonton tutorial YouTube dan memahami berbagai hal darinya?
00:18:24Ya.
00:18:25Ya.
00:18:26Saya pikir begitu.
00:18:27Apakah Anda banyak menggunakan alat koding agen secara internal?
00:18:30Apakah seperti—maksud saya koding tentu saja, tetapi apakah itu juga sudah mencakup hal riset?
00:18:34Apakah itu otomatis?
00:18:35Ya.
00:18:36Sebagian?
00:18:37Atau tidak?
00:18:38Bagaimana cara kerjanya?
00:18:39Ya.
00:18:40Kami memiliki harness riset kami sendiri.
00:18:42Kami membangun harness riset sendiri yang mengotomatiskan alur kerja kami.
00:18:46Saya bisa bilang banyak dari alur kerja kami yang sudah otomatis.
00:18:49Anda bisa melihat bagaimana semua model perbatasan terbaru mengejar optimasi kernel tanpa kapabilitas, kan?
00:18:57Seperti, biarkan model menyimulasikan model lain.
00:19:00Biarkan model membangun data, data otomatis, dan hal-hal semacam itu.
00:19:05Anda bisa melihat bagaimana semakin banyak model yang mampu melakukan hal-hal tersebut, termasuk M3.
00:19:10Sebenarnya, kami sangat mahir dalam kasus-kasus tersebut, horizon yang lebih panjang, dan organisasi kernel.
00:19:16Jadi kami dapat menggunakan kapabilitas model tersebut, menggabungkannya, dan membantu rutinitas harian kami,
00:19:24serta membuat iterasi kami menjadi lebih cepat.
00:19:26Apakah M3 sedang membangun M4 sekarang?
00:19:30Membangun M3.1.
00:19:31M3.1?
00:19:32Ya.
00:19:33Baiklah.
00:19:34Belum saatnya tugas itu.
00:19:35Sudah.
00:19:36Saya ingin mengakhirinya dengan apa yang Anda anggap menarik di bulan mendatang.
00:19:41Menurut Anda apa?
00:19:42Hal itu bisa jadi lebih mudah dalam hal fitur atau hal-hal yang ingin Anda lihat terjadi dalam AI, atau secara lebih umum
00:19:49dalam hal apa pun yang benar-benar ada di pikiran Anda, yang menurut Anda akan terjadi.
00:19:54Banyak hal yang sangat menarik.
00:19:58Tetapi apa yang baru-baru ini paling saya anggap menarik adalah multi-agen di mana saya pikir banyak
00:20:04aplikasi AI menggunakan perutean model, multi-agen, yang membuka lebih banyak kapabilitas lagi,
00:20:11bahkan tugas-tugas yang lebih kompleks.
00:20:13Dan juga, hal itu memberi tahu kita apa yang mampu dan tidak mampu dilakukan oleh model.
00:20:19Dan Anda bisa, tahu kan, melakukan banyak hal dengan itu.
00:20:22Ini cukup menarik.
00:20:24Terima kasih banyak, Alive.
00:20:25Senang bisa berbincang dengan Anda.
00:20:26Terima kasih telah mengundang saya.
00:20:27Terima kasih semuanya.
00:20:28Terima kasih semuanya.
00:20:29Terima kasih semuanya.
00:20:29Terima kasih.
00:20:29Terima kasih semuanya.
커뮤니티 글
아직 글이 없습니다. 이 영상에 대한 첫 번째 글을 작성해 보세요!
이 영상에 대해 글쓰기