新闻聚合器

在加密货币世界动荡不安的背景下，比特币价格成为各种讨论的中心。周二交易价格为27,593美元，下跌了近1.5%。随着这个月的展开和市场朝着被称为“涨势十月”的积极势头发展，挑战仍然潜伏在前方。 一方面，美国通过SEC和其他五个重要监管机构加强了对数字资产的监管，发出了有关加密货币投资的严厉警告。 与此同时，在大西洋彼岸，英国政府面临越来越大的压力，要重新评估查尔斯银行拒绝加密货币支付的政策，为围绕比特币的不断发展的叙事增添了另一层复杂性。 美国监管机构警告投资者谨慎加密投资 美国证券交易委员会（SEC）和其他五家领先的金融监管机构在世界投资者周期间警告投资者注意与加密货币投资相关的风险。 SEC的投资者教育和倡导办公室与FINRA、CFTC、NFA、SIPC和NASAA等组织合作，强调了加密资产交易的高风险性质。 他们强调了这些投资的极端波动性和投机性质，并指出在加密平台上可能缺乏重要的投资者保护措施。 警告称，一些提供加密资产的提供商可能不遵守相关法律，包括联邦证券法规。涉及的风险包括未经注册的发行、缺乏SIPC保护以及广泛的欺诈行为。 这种监管警告与BTC/USD价格下跌相结合，提醒人们要警惕加密货币市场固有的波动性和不可预测性。因此，建议投资者保持谨慎和审慎。 Uptober以积极市场情绪拉开帷幕 全球加密货币市场最近获得了看涨的势头，投资者热切期待着可能在十月发生的牛市，纷纷接纳了“涨势十月”的术语。 CoinMarketCap 的数据显示，在过去24小时内，全球加密货币市场总市值增加了0.82%，达到了1.09万亿美元的六周高点。此前，市场总市值在9月12日跌至一万亿美元的六个月低点。 过去十年里，比特币在九月的表现有限，仅在2016年上涨了6%。而今年上涨了4%。然而，十月传统上是比特币表现最有前景的月份，平均利润率为28%。这一趋势，加上比特币的韧性，暗示着未来一个月价格可能会大幅上涨。 呼吁英国政府审查查尔斯银行的拒绝加密货币支付政策 比特币政策英国敦促英国政府审查查尔斯银行拒绝加密货币支付的政策，称其与政府将英国建设为加密资产中心的雄心存在矛盾。 作为查尔斯银行运营的J.P.摩根欧洲有限公司最近通知其英国客户，将从10月16日起不再接受与加密货币相关的支付。 比特币政策英国是一家倡导组织，已引起了英国政府在加密货币行业促进创新和技术方面的承诺的关注。 该组织指出，大多数加密交易所都是受监管的实体。然而，他们也对金融审查的不断增长趋势以及英国金融自由可能受限的担忧表示关切。 这一举动引发了支持加密货币采用的倡导者的担忧。BTC/USD价格下降可能加剧这些担忧，突显了加密行业面临的挑战和障碍，如银行限制和监管复杂性，这可能阻碍其广泛接受。 . . .

来源: Adobe/Bits and Splits 据《南华早报》最近的报道 ，香港和澳门警方已逮捕了与JPEX加密平台诈骗案有关的四名额外嫌疑人。 报道补充说，被拘留的两人持有650万港元（合830,390美元）的现金和贵重物品，其赌场账户中还有820万港元被冻结。 尽管香港和澳门没有正式的引渡协议，但香港助理警务处长钟詠敏表示，关于嫌疑人的决定将由澳门法院决定。 上周六，这两名被捕者被从上环香港澳门码头送往未公开的警车位置，面部蒙面，手铐铐在身上。 除了在澳门被捕的两人外，还有两名28岁的男子在上周因与JPEX案件有关被拘留。 最近的逮捕行动涉及到与JPEX的核心人员“相对亲近”的个人，这被视为香港迄今为止最大的此类诈骗案。 JPEX案件相关的逮捕总数达到了18人 JPEX案件相关的逮捕总数达到了18人，香港警方预计还会有更多逮捕行动。 一些与这个交易平台有关的个人，包括社交媒体影响者如陈泳仪、林作堃和梁雪怡，也因其参与而被逮捕。 JPEX成立于2021年，通过在知名商业和交通枢纽进行广泛的广告宣传，针对零售投资者进行诈骗。 该交易所声称是一家持牌的加密货币交易所，并以高达20%的回报承诺吸引投资者。 然而，2021年9月13日，香港证券及期货事务监察委员会指控该平台没有许可证运营，并涉及“可疑”活动。 在持续的调查中，香港和澳门警方收到了2,417宗投诉，涉及涉及的损失超过15亿港元。 与此同时，分析师和行业专家表示，JPEX事件的后果将对虚拟资产公司造成重大挑战，并阻碍政府扩大该领域的努力。 “在人们仍然不完全理解Web3是什么的时候，JPEX案件已经给香港的数字资产和更广泛的Web3行业留下了负面印象，”加密风险投资者、人工智能初创公司DreamWld . . .

Launchpad XYZ在其加密代币预售中筹集了180万美元，提供NFT访问通行证和AI驱动的交易。/ 来自Launchpad xyz的推特图片 截止今日，加密货币平台Launchpad XYZ已经成功在进行中的加密代币预售中筹集了1,817,432美元。该平台致力于为新手提供直观和用户友好的体验，重点关注Alpha交易信号。 预售附带了15%的奖金，适用于所有贡献者，包括已经参与的人和潜在的买家，每周减少1%。 点击这里访问Launchpad XYZ  独家NFT访问通行证 Launchpad XYZ还推出了一种基于NFT的独特高级访问通行证系统，分为五个层次，根据预售买家购买的代币数量确定。这些层次从50美元的基本级通行证到面向交易者的25,000美元以上的NFT通行证级别不等。 狗狗通行证 在基本级别，50美元的投资将获得狗狗通行证。这包括分配的$LPX代币、每周市场摘要电子邮件和访问基本Telegram频道。如果投资者购买100美元或更多的$LPX代币，他们将获得NFT访问卡并加入VIP交易频道。 柴犬通行证 柴犬通行证提供给愿意投资200美元的交易者。它包括了狗狗通行证中的所有内容，增强的分析功能，访问主要Telegram频道和每周至少一个经LPQ验证的交易。 Pepe通行证 以500美元的价格，Pepe通行证提供了更高级的市场动态分析和每周两次的交易见解。与柴犬通行证类似，Pepe通行证还包括代币分配、通行证发放、每周市场摘要电子邮件和主要Telegram频道的访问。 维塔利克通行证 对于愿意承诺5,000美元的交易者，维塔利克通行证提供了广泛的福利，包括从佩佩通行证中的所有内容，以及访问专门的VIP . . .

来源 / Wall Street Memes Wall Street Memes ($WSM)从零起步，迅速成为全球加密市场中第四大交易meme币。 这一惊人的成就仅在其首次中心化交易所上市六天后实现，更多上市计划将于周三宣布。 自9月26日$WSM代币在OKX上市以来，已经有近6000万美元的交易额。与佩佩的7900万美元，柴犬的1.03亿美元以及狗狗币的2.22亿美元相比，对于一个仅有六天历史的代币来说，这已经是一项了不起的成就。 在周末，$WSM在24小时内的交易量超过了Pepe和柴犬币。有传言称，接下来将上市$WSM的交易所可能包括币安或酷币。 随着交易量继续积累，华尔街迷因币的交易兴趣正是寻求上市新币的交易所最感兴趣的度量标准。 $WSM是过去7天内第四大交易meme币 Coin Market Cap 目前，$WSM可以在OKX、HTX、MEXC、LBank、CoinEx、BitMart和BingX中心化交易所上进行交易。PEPE从在去中心化交易所上市到在币安上市，需要17天的时间，其价格飙升了2000%。 随着“Uptober”和山寨币季节的到来，$WSM正好在合适的时候爆发了。 根据过去的表现，每年的第四季度通常是加密货币表现最佳的季节，2023年看起来在这方面也不会例外。 . . .

来源：AIGC开放社区美东时间10月2日，著名开源平台Stability.ai在官网宣布，推出开源大语言模型StableLM-3B-4E1T。（开源地址：https://huggingface.co/stabilityai/stablelm-3b-4e1t）据悉，Stable LM 3B是一款主要面向手机、笔记本等移动设备的基础大语言模型，在保证性能的前提下，极大降低了算力资源的要求。Stable LM 3B支持生成文本/代码、总结摘要、数据微调、常识推理、解答数学题等功能，全局上下文长度为4096。（简称“Stable LM 3B”）随着ChatGPT的火爆出圈，全球掀起了轰轰烈烈的“大模型开发热潮”。但多数模型皆需要耗费大量算力资源才能预训练、微调，同时对开发的生成式AI应用的运行环境也有很高的要求。高通更是发布了专门针对移动端的生成式AI芯片，以解决算力问题。Stability.ai希望通过开源Stable LM 3B，帮助那些没有庞大算力资源的开发者，也能打造小巧精悍的生成式AI产品，可以安全、稳定地在移动端运行。Stable LM 3B训练数据集虽然该模型只有30亿参数，却使用了一个包含文本、代码、维基百科、ArXiv、图书、C4等多种数据的1万亿tokens庞大的训练数据集。该数据集由多个开源的大规模数据集经过筛选混合而成，包括Falcon RefinedWeb、RedPajama-Data、The Pile以及 StarCoder等。这使得Stable LM 3B以更少的资源，性能却超越同等规模模型，甚至比一些70亿、100亿参数的大模型更强。Stable LM 3B训练流程Stable LM 3B以bfloat16精度训练972k起步，全局上下文长度为 . . .

来源：财联社作者：赵昊①戴蒙在接受采访时说道，“由于科技的发展，你的孩子将能活到100岁，并且不会患上癌症。实际上，他们可能每周仅需工作三天半。”②谈及人工智能的负面影响， 戴蒙补充称，这项技术确实可能会取代一些工作，但新技术总是如此。当地时间周一（10月2日），摩根大通首席执行官杰米·戴蒙（Jamie Dimon）表示，公司已有数千名员工正在使用人工智能（AI）技术，这有望显着改善员工的生活质量。“由于科技的发展，你的孩子将能活到100岁，并且不会患上癌症。”戴蒙在接受采访时说道，“实际上，他们可能每周仅需工作三天半。”戴蒙指出，人工智能“对我们公司未来的成功至关重要”。此前他还曾表示，这项技术可用于帮助公司开发新产品、推动客户参与、提高生产力以及加强风险管理。根据咨询公司Evident的数据，今年2月至4月期间，这家美国最大的金融服务机构招聘了3500多个AI相关职位。戴蒙还在股东信中提及内部有多达300个“使用实例”已经在开发中。Evident称摩根大通在AI人才储备中处于领先地位今年4月，摩根大通公布了一种AI驱动的模型，旨在破译央行的信息传递并发现潜在的交易信号。该行经济学家采用了基于ChatGPT的语言模型来检测政策信号的基调，有效地对它们进行了评级，从容易到限制，称之为鹰鸽评分。小摩经济学家们发现，当模型显示美联储发言人在会议间隙的鹰派情绪上升时，下一个政策声明变得更加鹰派，一年期政府债券的收益率上升。内部对此的评价是：“初步成果令人鼓舞。”今年6月，戴蒙还任命运营委员会成员Teresa Heitsenrether执掌新设立的数据和分析部门。据称，这个数据部门是摩根大通AI战略的一部分，该战略也被戴蒙认定“对公司未来的成功至关重要”。谈及人工智能的负面影响， 戴蒙日内补充称，这项技术确实可能会取代一些工作，但新技术总是如此。他还认为，即使AI提供了积极的一面，该技术也确实带来了风险。“科技为人类做出了令人难以置信的事情，但你知道的，飞机失事、药品被滥用等案例表明，这些都是有负面影响的。”他说道，“在我看来，最大的负面影响是AI会被坏人用来做坏事。”

目前的 L2 市场，竞争逐渐内卷。我们能观察到的数十个 L2，整体技术方案都趋于同质化。当 OP 和 ZK 成为了唯二选择，不同 L2 之间的差异似乎并没有那么明显。同时，应用们往往可以换到不同的 L2 上再来一轮跑马圈地。从技术角度看，选择哪个 L2 似乎都是可行的选择。在同质竞争环境下，一个 L2 想要脱颖而出，需要具备哪些要素？技术也好，生态也罢，具备差异化显得至关重要。比如谈到 Base 的 L2，你自然会想到Friend.Tech。生态上的一个爆点，带来了话题性、流动性和热度，背后的 L2 . . .

来源 / Sam Cooling x Fwenxyz 在最新的链上涨势中，FWEN代币飙升了+1,000% – 因市场兴趣集中到与Friend-Tech相关联、由BASE推出的空投代币。 随着正在进行的FWEN空投似乎以10%的增量分配供应，人们对今天Friend Tech用户的预定下一轮空投充满期待。 这也是在备受期待的桥接启动之前；届时FWEN的提供将扩展到ETH-BASE代币桥接。 FWEN价格分析：FWEN空投能涨多高？ 在FWEN采取戏剧性的上涨之际，FWEN已经进行了令人印象深刻的巩固，由多头方坚定捍卫，目前FWEN的市场价格为0.051961美元（24小时涨幅+947%）。 这是在10月1日的激动人心的代币推出之后的，仅在5小时内，价格行动从推出价格上涨了+2,055%，达到了0.0543美元的历史新高。 DEXtools / FWEN ETH 在此后的几个小时内，FWEN的价格行动已经进入局部回撤，因为早期支持者开始获利，然而，已经在0.051760美元建立的坚实支持已经为恢复的涨势奠定了基础，因为交易量继续增长。 . . .

来源: TradingView 在过去的24小时中，XRP价格上涨了1%，其价格上涨至0.523743美元，而整个加密货币市场今天仅上涨了略高于3%。 XRP在过去一周上涨了6%，在过去30天几乎上涨了6%，而自2023年年初以来，这种替代币也已上涨了54%，这一年中，瑞波在7月中旬的SEC案件中取得了基本上积极的结果。 随着更广泛的市场似乎开始了可能是中期或长期的复苏，XRP可能在未来的几天和几周内会进一步上涨，而瑞波作为一家公司的持续扩张也将帮助其前行。 XRP价格预测：XRP朝着1美元的水平上涨 – 是时候买入了吗？ XRP曾经威胁要从最近的损失中恢复，现在似乎终于开始了可能是持续的反弹。 来源: TradingView 其30日移动平均线（黄色）刚刚开始略微上升，接近200日均线（蓝色），很可能在接下来的一两天内会开始更加陡峭地上升，一旦突破较长期的均线，可能会标志着一次突破。 同样，XRP的相对强度指数（紫色）今天上升接近60，代表了在几周来一直接近30、处于非常超卖位置后的动能显著增加。 而RSI上升令人鼓舞的地方在于，它在XRP变得超买之前仍有足够的上升空间。 XRP今天上涨是因为市场在周末开始的全面反弹，可能是因为美国国会同意了一项最后一刻达成的支出法案，避免了可能引发破坏性政府关门的情况。 不管怎样，似乎买家们已经开始再次积累XRP，尽管新手应该注意一些大鳄可能会利用当前的复苏来卸下一些代币。 换句话说，XRP在短期内可能会出现一两次下跌，然后迎来较长期的复苏，可能会在未来几周内回升至0.60美元。 这种硬币的基本面显然足够强大，可以实现持续复苏，因为法官Analisa Torres在7月中旬宣布它本身不是一种证券。 这一裁决使美国交易所重新列出了这些代币，同时也为瑞波更积极地恢复跨境转账业务铺平了道路。 . . .

在过去的一周里，Pepe币已经崭露头角，标志着令人印象深刻的9%上涨。 这一上升趋势进一步强化了它与web3中最受关注的游戏平台之一 Meme Kombat的关联，该平台最近在预售中吸引了令人瞠目结舌的16.5万美元。 但从技术角度来看，佩佩币的当前状况以及潜在的未来轨迹告诉我们什么呢？ Pepe币价格预测 截至2021年10月1日，佩佩币的交易价格为$0.00000080。过去24小时的交易量为$2,776；在这个时期内，该币上涨了2.26%。 在CoinMarketCap排行榜上，佩佩币目前位列第4713位。该币拥有惊人的最大供应量，达到了420,690,000,000,000个佩佩币。 Pepe币的关键价格水平 从技术角度来看，佩佩币的枢轴点大约在$0.000000673附近。该币在$0.000000743处遇到即时阻力，随后的阻力分别在$0.000000811和$0.0000009506。 另一方面，支撑水平可在$0.0000006064，$0.0000005348以及最低的$0.0000003957处得到注意。 Pepe 币价格图表 – 来源：Tradingview 技术指标 RSI（相对强度指数）目前为63，表明相对看涨情绪，因为该值高于50。这表明买入动能强劲，可能会推动该币进一步上涨。 50 EMA（50日指数移动平均线）位于$0.0000007377。目前，佩佩币价格位于50 EMA之上，表明存在短期看涨趋势。 . . .

One of web3 hottest 新的游戏平台Meme Kombat刚刚推出了一场迅速增长的预售。 尽管刚刚启动预售不久，Meme Kombat 已经成功筹集了超过125,000美元的资金，承诺将用于开发其创新平台。 Meme Kombat正在构建一款由人工智能驱动的游戏，用户可以在代表热门Meme币的角色之间的各种战斗结果上进行投注。 根据Meme Kombat的白皮书，“用户可以在实时战斗中下注，随着每场战斗的展开而参与其中”。 用户有各种投注选项，包括“直接投注，PvP和PvGame”，为玩家提供了根据其偏好和见解进行投注的多样机会。 考虑到该协议在区块链上运行，用户可以放心，因为系统具有完全透明性。 Meme Kombat指出：“所有的投注、结果和奖励都记录并在链上处理，确保系统的公平、透明和信任。” 点击这里访问 Meme Kombat . . .

作者：汤一涛、Moonshot除了社交媒体领域，Google 在 21 世纪前两个十年，凭借搜索技术一直独步于硅谷。搜索所带来的丰厚广告收入，让两位尝试人可以安心在 Google X 实验室的创新项目上马放南山，大玩特玩。直到去年由 OpenAI 的 ChatGPT 引发的又一次 AI 浪潮席卷全球，并被认为将吞噬搜索技术的时候，Google 才真的急了。讽刺的是，2014 年前后的 AI 第一波浪潮，正是 Google 掀起的，而那恰恰成了 OpenAI . . .

来源：量子位近期，“百模大战”愈演愈烈。在大模型热潮中，“人才”成为各大科技公司、创业团队和研究机构激烈争夺的焦点。然而，目前AIGC领域的尖端人才，仍存在较大缺口。到底招募什么类型人才，有利于模型研发？去哪里招募大模型人才？如何培养大模型研发人才？为了回答以上问题，量子位智库特别邀请AI大模型领域的从业者及领域专家学者，向企业团队和求职者分享大模型人才的机遇挑战以及未来发展前景。本文为量子位智库“大模型人才”系列深度访谈栏目，更多内容请关注即将发布的《2023 AIGC大模型人才发展全景报告》访谈人物介绍方汉，昆仑万维董事长兼CEO，中文Linux创始人之一，领导开发了国内第一款P2P下载软件DUDU加速器。 △昆仑万维董事长兼CEO方汉2008年加入昆仑万维，先后领导研发了《三国风云》和RPG类网页游戏《武侠风云》，并且多次获奖。精彩观点1-2年内，算法人才的短缺情况会得到极大的缓解。我理解的人才创新意识，指的是在技术和工程角度如何创新性地解决问题、提高指标。“选择”比“培养”更重要，自主学习比师父带徒弟更加重要。在大模型这样的全新领域，刚毕业的博士生经过半年时间的培养，也能成为领域专家。从供给角度看，目前大模型人才处于不足的阶段，3-5年后情况会极大地缓解。从宏观角度来看，与传统行业相比，大模型人才培养难题在于大学目前的算力不够。基于AI和大模型，在应用层面做出全新商业模式的企业将获得最大的红利。访谈实录大模型人才如何定义？量子位智库：昆仑万维是如何划分大模型人才的？方汉：我认为模型训练应该分成两大块，训练推断与应用开发。按照模型训练的环节，我们又把人才分为算法侧人才、架构侧人才以及应用开发侧人才，核心算法人才又细分为预训练、数据处理、微调推断优化等等。量子位智库：算法人才、架构人才、应用开发人才，您觉得哪类人才最为稀缺？而且未来很长一段时间都有可能很稀缺。方汉：目前看，最稀缺的肯定是核心算法人才，但供需情况会迅速得到缓解。因为这里有一个很有意思的现象，目前各个大学算力是严重不足的，大模型相关方向又是当下热点，能转向这个研究领域的人才特别多，比如NLP，所有做NLP的人才全在转向大模型。所以，我个人看法是1-2年内，算法人才的短缺情况会得到极大缓解，因为拿到高薪的算法人才特别多，我觉得中国在人才配比上还是很市场化的。大模型人才应当具备的能力要素量子位智库：那在招揽人才的时候，是比较看重人才本身哪些素质？方汉：在您所说的学术成果、实践经验、学历背景和创新意识这几个方面，我们优先考虑的是实践经验和创新意识：首先，大模型训练本质上是个工程问题，那么实践经验肯定是非常重要的。其次，大模型是创新项目，因为所有大模型企业都在齐头并进地去竞争，如果没有创新意识，很难领先于其他人的，因为这是全新的工程方向。量子位智库：您是如何看待这种创新意识？方汉：我理解的创新与大众定义的创新不太一样，以往更多是算法创新。我所说的创新，首先是紧跟大模型的前沿进展，全球范围内研究大模型训练的人非常多，这个方向进展很快，每天有几百篇新论文出来，在各个方向、领域做改进。第二个是能够从实际需求出发，用新方法来解决在工程上遇到的问题，这里的创新更关注的是如何在技术和工程角度创新地解决问题、提高指标。 量子位智库：您觉得是否可以通过学术成果、专利成果等来判断大模型人才的创新意识？方汉：我认为根据专利成果来判断人才的创新意识是不太合理的。OpenAI并没有那么重视人才在申请专利方面的表现，最好的创新其实依赖的是内部的经验积累，仅从专利角度来判断是不太合理的。然而，学术成果是可以作为比较重要的判断依据。比如说第一个做出Vicuna模型，第一个做出ControlNet都是博士生，从这个角度来看学术成果可以作为一定参考。但是在实际操作过程中，除了发论文的大创新以外，在工程上还要有无数的小创新来实现。所以，创新意识还是要根据人才在实践中解决问题的速度和交付能力来判断。大模型人才的培养方式量子位智库：天工大模型从1.0升级到3.5阶段，在不同的阶段会注重配置哪些领域的人才呢？方汉：在早期阶段我们确实是更需要对大模型底层架构、对CNN、对Transformer更加熟悉的算法人才，当然还包括数据清洗、数据处理这些方面的数据科学人才；等到大模型逐渐成熟需要转向多模态，这时就需要一批做计算机视觉的人才；如果要对外发布大模型，就需要安全审核的人才。量子位智库：昆仑万维是如何培养自有的大模型人才？方汉：昆仑万维从2020年开始做大模型训练，当时市面上做大模型的人才非常少，走BERT路线的人比较多，走GPT路线的人比较少，所以我们当时选择自己培养大模型人才。培养方式就是让有算法背景的人才学习模型训练方向，那么在招聘时就要考虑选择对机器学习、深度学习熟悉的人才，同时有较强的自驱力和学习速度比较快的人才、有算法背景的人才，我们原来有一些人才研究的是CNN等技术方向，现在会更多地转向GPT训练方向。量子位智库：您如何看待“大牛带小牛”的这种培养模式？方汉：每个技术驱动的企业其实都会选择“大牛带小牛”的培养方式，但选择人才比培养人才更重要，自主学习比师傅带徒弟更加重要，所以在招聘时我们也十分看重人才的自主学习能力。对于传统技术方向，比如Java，需要依赖丰富的经验，应届毕业生需要较长的培养周期，才能成长为领域专家。但大模型训练是新兴领域，工业界的积累并不比学术界深厚太多，我们比学术界多的是算力，在算法层面其实我们并不比高校领先太多。量子位智库：那应届毕业人才如果成长为大模型专家，需要多长时间？方汉：有大量在读博士生能够发表非常前沿的大模型论文，也看得出来很多大模型创新论文是博二、博三学生发的。我们在学校里找到来了就能上手的人才，花几个月就能成长为领域专家。我们的想法是，从应届毕业的博士生中选择在校期间就表现出创新能力和技术视野的人才，我们可以用较短的时间来培养“小牛”，就能成为您说的“大牛”。量子位智库：通过几个月到一年的时间，这样的应届博士生就可以成为领域“大牛”，我理解您所指的“大牛”他们是具备核心研发的能力。方汉：对，我们给年轻人的机会非常多。其实OpenAI做GPT训练的，可能才几十人，其中有一大批是刚毕业没几年的人才。我觉得国内大模型团队基本都是这样，这是一个全新的领域，新人的机会特别大。刚毕业的博士生干了半年左右，成为领域技术专家是没问题的，但管理能力肯定是有欠缺的。这个技术领域很新，大家都在同一个起跑线上向前跑，应届生不一定有劣势。量子位智库：您说的应届人才大多是自然语言处理方向的吗？具体会细分到哪些领域？方汉：也不完全是自然语言处理，我觉得在大模型全生命阶段，除了数据处理需要依赖工程积累，在预训练、RLHF、SFT、算子优化等方面，在学术上都有相应研究方向，所以我认为他们具备了70-80%大模型研发训练的能力。研究机器学习、强化学习、深度学习的人才，转向大模型都非常容易。而且由于现在有很多开源模型，学术界基于开源模型做论文研究的人也很多，所以我不觉得高校人才存在分工上的绝对差距。国内大模型人才市场的发展情况量子位智库：您觉得目前大模型人才市场整体发展如何？方汉：我觉得大模型人才整体处于一个高度稀缺的状态，那么做存量的人会多一些。但是随着大模型从业者越来越多，分工也会越来越细，这是很自然的分化过程。任何一个新技术的发展过程都是这样，从早期的全栈工程师逐渐成为组长级、总监级的leader，然后组员的技术方向分化就会更明显。 量子位智库：昆仑万维招的人才大部分是来自高校，还是来自这个产业更多？方汉：我们目前需要有实践积累的人才，就会更多选择来自产业的人才，他们有丰富的工程经验。但也会招聘应届毕业人才做储备，所以校招也比较多，校招跟社招的比率差不多1:5的关系。量子位智库：您觉得目前的这个大模型人才发展处于一个什么阶段？方汉：从人才整体的学术成果数量来看，全世界AI论文发表数排在第一的是中国，排在第二的是美国，论文数目是美国大于中国。我认为在人才的能力要素方面，不同经验的人才都是大模型所需要的，刚毕业的应届储备人才、领域专家和领军人物这三者应该都有。但从供给角度来看，目前就是处于不足的阶段，大概3-5年后供给情况会极大地缓解，因为从设置科目到学生毕业也需要5年时间。大模型人才的培养难题量子位智库：您觉得人才培养可以从哪些方面进行提升呢？方汉：我主要从两个来分享吧，企业角度和宏观角度。从企业角度来看，人才参与工程项目，成长就更快一些，这是非常明显且实际的方式。对人才更有耐心的大企业，人才做的事情会更专业，但小公司大模型团队的人才成长得更全面，大模型全栈的能力要素都要具备。从宏观角度来看，和其他传统行业相比，大模型人才培养难题在于大学目前的算力不够，导致学校很难培养出架构人才，这些人才只能去企业进行培训。这是全世界所有大学面临的困境，在国家级算力共享给大学之后，我们相信这种情况会得到缓解。量子位智库：也就是更多依赖于产、学、研、策的联动来培养大模型的人才。方汉：我觉得要尽量在学校里提供与企业一样的硬件条件，否则在学校里学到的东西肯定是相对有限的。大模型人才和AI企业的未来发展趋势量子位智库：那从您的角度来看，大模型行业整体未来会有什么样的发展趋势？方汉：我觉得不应该叫大模型行业，应该是整个AI行业，AI行业遇到的机会应该是不亚于互联网和移动互联网。我对AI行业的发展趋势是非常看好的，我认为AI将深刻改变整个互联网，以及整个人类生活都会受到极大的冲击和改变，我觉得整个行业会发生方向性的转变。量子位智库：基于这样的趋势，您觉得什么样的大模型人才会更受企业的青睐？方汉：首先，现在已经形成“百模大战”的情况，大家都在做大模型底座，将来大模型底座这一块肯定会收缩到几家大厂商来提供，更多企业应该处在用大模型做应用的位置，那么我认为基于大模型应用开发的人才会越来越多。而做大模型底层训练、优化算法和架构的人才会向大厂或是大模型团队去汇集，但我们认为最大的巨头不一定是大模型企业本身，而是基于大模型做出很强应用的这些企业。这些企业一旦它长大了，也会建立自己的大模型。我们认为“应用为王”，就是指在应用上基于AI和大模型，做出全新商业模式的企业将获得最大的红利。那么我们认为在未来十年一定有像字节，美团、滴滴这样的新形态巨头公司出现，而且一定是从0到100长出来的，今年或者明年创立的公司应该都有这个可能性和机会。

惊人发现：大模型在知识推演上存在严重缺陷。灵活运用知识是智慧的关键。人脑可以快速处理知识，如快速回答 “《静夜思》中有几个月字”。那么，大模型是否能进行类似操作？已知大模型可以通过思维链（Chain of Thought / CoT），先默写《静夜思》，再根据默写内容回答问题，但这会使生成的文字冗长。相比之下，人类可以在大脑中完成简单的知识推演，无需写出中间步骤。那么，超大语言模型能否在其人工脑 (artificial brain) 中直接生成答案，而无需先写下知识点呢？答案竟然是否定的！图 1/2/3 展示了 GPT4 上的诸多反例。即使是最基本的分类（如判断名人生日的奇偶性）和比较（如比较两位总统的生日先后），竟然要通过思维链 Chain of Thought。更糟糕的是，大模型几乎完全不能逆向提取训练集中的知识。图1：GPT4在知识分类/比较上出错，但通过思维链可得正确答案图2：GPT4的知识逆向搜索错误示例图 3：虽然 GPT4 能正确回答 “某人的生日是哪天” . . .

来源 | 硬 AI 不少风投资本发现，AI初创公司正在采用一种全新的商业模式——基于使用情况的定价（usage-based pricing），而非坚守传统的按用户来收费（或称基于席位的定价方式）。例如，最初，生成式AI初创公司Cresta是按用户收费。现在，该公司已转向按照其AI工具帮助联络中心员工进行的每一次对话进行收费。今年3月，客户服务公司Intercom曾发布了AI聊天机器人Fin，为其能够解决的每个客户请求定价为99美分，有别于该公司按用户收费的核心客户服务产品。研究表达交流的实验室和AI初创公司Hume AI，旨在利用AI技术、根据语调和面部表情来分析人们的情绪变化，也开始按照每分钟、每个注释和单词量来收费。公开资料显示，基于使用量的定价（UBP），也称为基于消费的定价，这种模型令客户能够根据产品的实际使用量来支付费用，而衡量使用情况的指标对应着客户如何从产品中获取价值。目前，UBP定价方式在“软件即服务”（SaaS）领域越来越流行，正逐渐取代更传统的基于订阅和用户席位数的定价模式。由于UBP将客户支付的价格与其收到的产品价值直接联系起来，这种定价方式被评价为“将成为基于价值定价模型的代名词”（value-based pricing）。风投IVP（Institutional Venture Partners）的合伙人Karthik Ramakrishnan便称，基于使用情况的定价模型，可以帮助AI初创公司将产品定价与其实际提供的价值更紧密地联系起来，后者的衡量标准可以是他们为客户节省的时间和工作量。但相比于传统的按用户席位收费来说，基于使用量来定价（也可以称为按使用次数收费）可能无法将客户锁定在能够产生更可预测收入流的套餐中，专注于企业AI的上市公司、人工智能应用程序开发商C3.ai在转向UBP定价时，便遭遇了收入和毛利率一直在波动的困境。目前，基于使用情况的定价模型大体分为三种：现用现付（pay as you go），客户只需为实际使用或消费的内容付费，非常适合业务需求波动的公司；按单位定价（per-unit pricing），客户根据以单位计数的资源使用情况付费，提供更精细服务的云供应商偏爱这种模式；分级定价（tiered pricing），客户可以选择适合自己需求的级别，使用量超过限额将升级到下一档级别和更高的定价。通常会有一个免费套餐共启动使用。基于使用情况定价也叫“计量服务”（metered services），在实际生活中与从公用事业公司购买电力或水的计量服务模式类似。这种定价模型最早被SaaS和“基础设施即服务”（IaaS）云供应商青睐，通过允许客户探索如何用自然的方式使用服务、无需预先花钱订阅，借此来留住客户。UBP定价的优点在于，通过定价模型的透明度，更轻松地将客户的使用成本与供应商的资源消耗直接挂钩。对于用户来说，可以用相对较低的成本开始使用产品，最大限度地减少采用阻力。对于供应商来说，允许更多用户在同一个账户内访问产品，能催生更多新的用例，甚至鼓励一组用户与公司内部的其他潜在用户或外部组织分享经验，进而扩大总目标市场（TAM）。缺点方面，这种定价模式依赖的是客户多变的需求，可能令供应商预测财务数据和获得可持续的经常性收入更为困难，甚至会损害企业的长期增长。但是数据显示，过去五年中，B2B的SaaS领域对UBP定价采用率几乎翻了一倍，五分之三的公司正在使用某种形式的UBP策略。风投Menlo Ventures的合伙人Naomi Pilosof Ionita也表示，除了因为产品较新，需要用更快的策略向潜在客户证明其价值之外，人工智能初创公司如果提高了客户的员工效率，可能导致客户最终雇佣更少的员工，这意味着在传统订阅模式下为AI公司带来收入的用户席位会减少。上述种种原因，都令AI初创公司更愿意尝试新的定价模式。同时，在当下的宏观经济挑战中，企业客户越来越多地裁员和削减支出，并需要更长时间才能做出软件购买决策，基于使用情况的定价可能更容易让企业接受，因为它允许客户随着时间的推移灵活调整支出。还有分析指出，UBP定价的兴起和逐渐普及，与技术本身的发展特点息息相关：• . . .

来源：量子位图灵奖得主姚期智领衔的首篇大语言模型论文来了！一出手，瞄准的就是“让大模型像人一样思考”这个方向——不仅要让大模型一步步推理，还要让它们学会“步步为营”，记住推理中间的所有正确过程。具体来说，这篇新论文提出了一种叫做累积推理（Cumulative Reasoning）的新方法，显著提高了大模型搞复杂推理的能力。要知道，大模型基于思维链等，可以进行问题推理，但面对“要拐好几个弯”的问题，还是容易出错。累积推理正是在此基础上，加入了一个“验证者”，及时判断对错。由此模型的思考框架也从链状和树状，变成了更复杂的“有向无环图”。这样一来，大模型不仅解题思路更清晰，还生出了一手“玩牌”的技巧：在代数和几何数论等数学难题上，大模型的相对准确率提升了42%；玩24点，成功率更是飙升到98%。据清华大学交叉信息研究院介绍，共同一作张伊凡解释了这篇论文的出发点：卡尼曼认为人类的认知处理过程包括两个系统：“系统1”是快速、本能和情感化的，“系统2”是缓慢、深思熟虑、合逻辑的。目前，大语言模型的表现与“系统1”更为接近，这也或许是它不擅长应对复杂任务的原因。从这个角度出发设计的累积推理，效果比思维链（CoT）和思维树（ToT）更好。那么，这种新方法究竟长啥样？我们一起展开看看。突破思维链&树“瓶颈”累积推理的核心，在于改进了大模型思维过程的“形状”。具体来说，这个方法用到了3个大语言模型：提议者 (Proposer)：不断提出新命题，即基于当前思维上下文，建议下一步是什么。验证者 (Verifier)：核查提议者的命题准确性，如果正确就将它添加到思维上下文中。报告者 (Reporter)：判断是否已经能得到最终解决方案，来确定是否结束推理过程。推理过程中，“提议者”先给出提案，“验证者”负责评估，“报告者”决定是否要敲定答案、终止思考过程。△CR推理示例有点像是团队项目里的三类角色：小组成员先头脑风暴出各种idea，指导老师“把关”看哪个idea可行，组长决策什么时候完成项目。所以，这种方法究竟是怎么改变大模型思维“形状”的？要想理解这一点，还得先从大模型思维加强方法“鼻祖”思维链（Chain of Thought,CoT）说起。这个方法在2022年1月由OpenAI科学家Jason Wei等人提出，核心在于给数据集中的输入加一段“逐步推理”文字，激发出大模型的思考能力。△选自GSM8K数据集基于思维链原理，谷歌也快速跟进了一个“思维链PLUS版”，即CoT-SC，主要是进行多次思维链过程，并对答案进行多数投票（majority vote）选出最佳答案，进一步提升推理准确率。但无论思维链还是CoT-SC，都忽略了一个问题：题目不止有一种解法，人类做题更是如此。因此，随后又出现了一种名叫思维树（Tree of Thought,ToT）的新研究。这是一种树状检索方案，允许模型尝试多种不同的推理思路，并自我评估、选择下一步行动方案，必要时也可以回溯选择。从方法中可以看出，思维树比思维链更进一步，让大模型思维“更活跃”了。这也是为什么玩24点时，思维链加成的GPT-4成功率只有4%，但思维树成功率却飙升到74%。BUT无论思维链、CoT-SC还是思维树，都有一个共同的局限性：它们都没有设置思维过程中间结果的储存位置。毕竟不是所有的思维过程都能做成链或者树，人类想东西的方式往往还要更复杂。这次的累积推理新框架，在设计上就突破了这一点——大模型的整体思维过程不一定是链或树，还可以是一个有向无环图（DAG）！（嗯，有神经突触内味了）△图中的边都有方向，并且不存在任何循环路径；每个有向边是一个推导步骤这也就意味着，它可以将所有历史上正确的推理结果存储于内存中，以便在当前搜索分支中探索。（相比之下，思维树并不会存储来自其它分支的信息）但累积推理也能和思维链无缝切换——只要将“验证者”去掉，就是一个标准的思维链模式。基于这种方法设计的累积推理，在各种方法上都取得了不错的效果。做数学和搞逻辑推理都在行研究人员选择了FOLIO wiki和AutoTNLI、24点游戏、MATH数据集，来对累积推理进行“测试”。提议者、验证者、报告者在每次实验中使用相同的大语言模型，用不同的prompt来设定角色。这里用作实验的有GPT-3.5-turbo、GPT-4、LLaMA-13B、LLaMA-65B这些基础模型。值得一提的是，理想情况下应该使用相关推导任务数据专门预训练模型、“验证者”也应加入正规的数学证明器、命题逻辑求解器模块等。1、逻辑推理能力FOLIO是一阶逻辑推理数据集，问题的标签可以是“true”、“False”、“Unknown”；AutoTNLI是高阶逻辑推理数据集。在FOLIO wiki数据集上，与直接输出结果（Direct）、思维链（CoT）、进阶版思维链（CoT-SC）方法相比，累积推理（CR）表现总是最优。在删除数据集中有问题的实例（比如答案不正确）后，使用CR方法的GPT-4推理准确率达到了98.04%，并且有最小1.96%的错误率。再来看AutoTNLI数据集上的表现：与CoT方法相比，CR显著提高了LLaMA-13B、LLaMA-65B的性能。在LLaMA-65B模型上，CR相较于CoT的改进达到了9.3%。2、玩24点游戏能力ToT最初论文中用到的是24点游戏，所以这里研究人员就用此数据集来做CR和ToT的比较。ToT使用固定宽度和深度的搜索树，CR允许大模型自主确定搜索深度。研究人员在实验中发现，在24点的上下文中，CR算法和ToT算法非常相似。不同点在于，CR中算法每次迭代最多产生一个新的状态，而ToT在每次迭代中会产生许多候选状态，并过滤、保留一部分状态。通俗来讲，ToT没有上面提到的CR有的“验证者”，不能判断状态（a、b、c）正误，因此ToT比CR会探索更多无效状态。最终CR方法的正确率甚至能达到98%（ToT为74%），且平均访问状态数量要比ToT少很多。也就是说CR不仅有更高的搜索正确率，也有更高的搜索效率。3、数学能力MATH数据集包含了大量数学推理题目，包含代数、几何、数论等，题目难度分为五级。用CR方法，模型可以将题目分步骤拆解成能较好完成的子问题，自问自答，直到产生答案。实验结果表明，CR在两种不同的实验设定下，正确率均超出当前已有方法，总体正确率可达58%，并在Level 5的难题中实现了42%的相对准确率提升，拿下了GPT-4模型下的新SOTA。清华叉院姚期智、袁洋领衔研究这篇论文来自清华交叉信息院姚期智和袁洋领衔的AI for Math课题组。论文共同第一作者为交叉信息院2021级博士生张伊凡、杨景钦；指导老师及共同通讯作者为袁洋助理教授、姚期智院士。张伊凡张伊凡2021年本科毕业于于北京大学元培学院，现师从袁洋助理教授，主要研究方向为基础模型（大语言模型）的理论和算法、自监督学习、可信人工智能。杨景钦杨景钦2021年于清华大学交叉信息研究院获学士学位，现师从袁洋助理教授攻读博士学位。主要研究方向有大语言模型、自监督学习、智能医疗等。袁洋袁洋是清华大学交叉信息学院助理教授。2012年毕业于北京大学计算机系；2018年获美国康奈尔大学计算机博士学位；2018-2019年前往麻省理工学院大数据科学学院做博士后。他的主要研究方向是智能医疗、AI基础理论、应用范畴论等。姚期智姚期智是中国科学院院士、清华大学交叉信息研究院院长；同时也是“图灵奖”创立以来首位获奖的亚裔学者、迄今为止获此殊荣的唯一华人计算机科学家。姚期智教授2004年从普林斯顿辞去终身教职回到清华任教；2005年为清华本科生创立了计算机科学实验班“姚班”；2011年创建“清华量子信息中心”与“交叉信息研究院”；2019年再为清华本科生创立了人工智能学堂班，简称“智班”。如今，他领导的清华大学交叉信息研究院早已声名远播，姚班、智班都隶属交叉信息院。姚期智教授研究方向有算法、密码学、量子计算等，是这方面的国际先驱和权威。最近，他现身2023世界人工智能大会，所领导的上海期智研究院目前正在研究“具身通用人工智能”。论文链接：https://arxiv.org/abs/2308.04371

零售投资社区Wall Street Meme新推出的$WSM笑话币处于火箭模式，自预售以来上涨了3倍。 在24小时交易量方面，Wall Street Memes超过了顶级笑话币Pepe和狗狗币。 周末开始时，代币价格上涨了56%，达到0.071美元，市值达到1.42亿美元。 早期预售购买者经历了183%的价格飙升，几个小时内将价格从0.10美元杀掉一个零，有可能实现3倍收益。 在星期二在OKX等中心化交易所上市时购买$SWM的人现在获得了超过100%的回报。 $WSM在DEXTols和Coinmarketcap上持续处于涨幅最大的前列。 十月将推出重大的Wall Street Memes 在 Wall Street Memes 通过X（以前是Twitter）的一篇帖子预告了其首个产品和将于十月推出的代币回购计划后，代币价格迅速上涨。 Wall Street . . .

来源 / yPredict yPredict是第一个为交易员提供全方位生态系统的平台，集成了人工智能生成的交易信号和技术分析、定量分析、热门加密货币的实时情绪分析以及基于人工智能的图表模式识别。 该公司的人工智能专业知识在九月初得到了强调，当时yPredict推出了其WriteMingle人工智能内容生成和协作工具的测试版，目前正在由社区测试人员进行测试。 在开发中的其他产品包括yPredict 预测、yPredict 分析、yPredict 存储库、yPredict终端和yPredict 市场。 目前处于筹资的第七阶段，离代币价格从0.10美元上涨到0.11美元仅剩下50万美元。终端价格较预售的第一阶段增长了202%。 总共，共有1亿枚代币供应，其中8000万枚分配给了预售。 在最后的第八阶段，总供应量的21.875%将上市，相当于1,750,000枚代币，价值1,925,000美元。最终目标是6,507,551美元。 建议有意购买者在进行尽职调查后迅速行动，以在此阶段售罄之前打败最后的价格上涨，昨天的资金突然涌入后，售罄可能会非常迅速。 X / yPredict_AI yPredict不仅仅是加密项目 – 它是一家全方位的人工智能解决方案提供商 . . .

来源 / BTCMTX 比特币价格逆势上涨3%，重回27,000美元，但收益率-bearing的Bitcoin Minetrix （$BTCMTX）已筹集了20万美元，可能是最大的赢家。 比特币上个月曾短暂跌破25,000美元，自9月19日触及27,431美元后一直难以取得进展，如今正威胁重新夺回近期的高点。 这一上涨得到了多重因素的支持，尽管股票和债券市场聚集了风暴云彩。 此外，尽管周四股市表现绿色，但这是在一个负面的交易周之后。标准普尔500指数已从4,452点下跌至4,296点，纳斯达克综合指数下滑500点，从13,714点下跌至13,200点。与此同时，美国10年期国债收益率继续上升，现在为4.66%。 还有美国利率在5.25-5.5%的水平，尽管美联储暂停，这使得所有风险资产看起来不太吸引人，还要考虑美元大幅上涨的因素。 比特币（绿色）与标准普尔500指数（橙色）与美国10年期国债收益率（蓝色）- 12小时蜡烛图，2023年9月28日。来源：TradingView 比特币是否在挑衅，它毕竟是一个避险选择？ 市场担心美国的通货膨胀可能比预期的更加顽固，而软着陆可能会徒劳无功。狭义的看涨情绪正在减弱，这种情绪曾导致了纳斯达克今年上涨了20%，这一趋势已经持续了几周。 美联储主席杰罗姆·鲍威尔（Jerome Powell）周四的讲话未能安抚市场情绪。 过去几天，随着政府关停的阴影逐渐逼近，以及中国房地产债务危机加剧，悲观主义者开始抬头。 在这种背景下，比特币似乎正在壮大，尽管现在还为时尚早，无法确定是否有一些避险资金流入背后的原因。 但当评级机构开始谈论美国债务失去最高级别评级的可能性，担心衰退加剧，汽车行业罢工扩大，油价重回100美元，核心通货膨胀依然顽固不化时，比特币市场的绿色发芽变得更加引人注目。 此外，Coinbase获得了向其非美国客户提供加密期货交易的许可，这为其带来了一些好消息，尽管这一发展也可能被解读为Kraken的绝望迹象，因为它在寻找收入方面四处奔波。 . . .

在加密货币世界中，Wall Street Memes（WSM）已成为交易者和爱好者们热议的话题。经过一次令人赞赏的推出，其估值在Dextools上惊人地增长了30%。 截至9月29日，Wall Street Memes的价格为0.045620美元，其24小时交易量达到了令人惊叹的170万美元。在过去的一天里，该代币经历了近30%的上升趋势。尽管近期备受关注，但该加密货币在CoinMarketCap的排名目前位于第2135位。 市值详细数据仍然难以捉摸，但清楚的是，其最大供应量限制在20亿枚WSM代币，而流通供应量尚待确认。 OKX现在提供Wall Street Memes（WSM）的现货交易 Wall Street Memes (WSM)已被添加到全球领先的加密货币交易所OKX的现货交易市场，这一上市备受期待，因为WSM筹集了近3000万美元，以使金融更加普惠，并挑战传统的华尔街做法，支持普通人。 OKX是第一个支持WSM对USDT（泰达币）交易对的主要交易所，这是该代币朝着更广泛采用和交易可用性迈出的重要一步。让我们快速进行技术性分析。 Wall Street Memes价格预测 在技术层面上，所选择的图表分析时间段为4小时窗口。需要关注的关键价格水平包括$0.0399的枢轴点。潜在的阻力点位于$0.04701、$0.05678和$0.07221。另一方面，即时支撑位位于$0.03303，其次是$0.02478和$0.01997。 深入研究技术指标，相对强度指数（RSI）目前为71。这表明该资产处于超买领域，因为RSI值超过70通常表示出现这种情况。 . . .

原文来源：新智元图片来源：由无界 AI生成ChatGPT发布后，文本生成技术得到飞速发展，大量NLP任务都面临被完全攻克的窘境，尤其是对于缺乏标准答案的「文本摘要」任务来说更是如此。但如何在摘要中包含「合理的信息量」仍然十分困难：一个好的摘要应该是详细的，以实体为中心的，而非实体密集且难以理解。为了更好地理解信息量和可理解性之间的权衡，麻省理工学院、哥伦比亚大学等机构的研究人员提出了一个全新的「密度链」（Chain of Dense）提示，可以在不增加摘要文本长度的前提下，对GPT-4生成的实体稀疏（entity-sparse）摘要进行迭代优化，逐步添加缺失的重要实体。论文链接：https://arxiv.org/pdf/2309.04269.pdf开源数据：https://huggingface.co/datasets/griffin/chain_of_density从实验结果来看，用CoD生成的摘要比由普通提示生成的GPT-4摘要更抽象（abstractive），表现出更多的融合性（fusion）以及更少的lead bias在对100篇CNN DailyMail文章进行人类偏好研究后可以发现，人类也更倾向于选择实体更密集的摘要结果，与人工编写摘要的实体密度相近。研究人员开源了500篇带标注的CoD摘要，以及5000篇无标注的摘要数据。迭代改进文本摘要提示（Prompt）任务目标是使用GPT-4生成一组具有「不同信息密度水平」的摘要，同时还要控制文本的长度。研究人员提出密度链（CoD，Chain of Density）提示来生成一个初始摘要，并逐渐使实体密度越来越大。具体来说，在固定的迭代轮数下，识别出源文本中一组独特的、显著的实体，并融合到先前的摘要中而不增加文本长度。首次生成的摘要是实体稀疏的，只关注1-3个初始实体；为了保持相同的文本长度，同时增加涵盖的实体数量，需要明确鼓励抽象（abstraction）、融合（fusion）和压缩（compression），而不是从之前的摘要中删除有意义的内容。研究人员没有规定实体的类型，而是简单地将缺失实体（Missing Entity）定义为：相关（Relevant）：与主体故事相关；具体（Specific）：描述性但简明扼要（5个字或以下）；新颖（Novel）：没有出现在之前的摘要中；忠实（Faithful）：存在于原文中；任何地方（Anywhere）：可以出现在文章中的任意位置。在数据选择上，研究人员从CNN/DailyMail摘要测试集中随机抽取100篇文章来生成CoD摘要。然后将CoD摘要统计数据与人工编写的条目（bullet-point）风格的参考摘要以及GPT-4在常规提示下生成的摘要进行对比，其中提示词为「写一篇非常简短的文章摘要，不超过70个词」（Write a VERY short summary of the Article. Do not exceed 70 . . .

得到一张好看的照片越来越容易了。假期出游，肯定少不了拍照留念。不过，大部分在景区拍摄的照片或多或少都有些遗憾，背景里不是多了些什么，就是少了些什么。图片来源：由无界 AI生成获得一张「完美」的图像，是 CV 研究人员长期以来努力的目标之一。日前，Google Research 和康奈尔大学的研究人员合作，提出了一种「真实的图像补全」（Authentic Image Completion）技术——用于图像补全的生成模型 RealFill。RealFill 模型的优势是可以使用少量的场景参考图像进行个性化设置，而这些参考图像无须与目标图像对齐，甚至可以在视角、光线条件、相机光圈或图像风格等方面有极大的差异。一旦完成个性化设置，RealFill 就能够以忠实于原始场景的方式，用视觉上引人入胜的内容来补全目标图像。论文链接：https://arxiv.org/abs/2309.16668项目页面：https://realfill.github.io/补画（inpainting）和扩画（outpainting）模型是能够在图像的未知区域生成高质量、合理的图像内容的技术，但这些模型生成的内容必然是不真实的，因为这些模型在真实场景的上下文信息方面存在不足。相比之下，RealFill 能够生成「应该」出现在那里的内容，从而使图像补全的结果更为真实。作者在论文中指出，他们定义了一个新的图像补全问题——「真实图像补全」（Authentic Image Completion）。不同于传统的生成型图像修复（替代缺失区域的内容可能与原始场景不一致），真实图像补全的目标是使补全的内容尽可能忠实于原始场景，用「应该出现在那里」的内容来补全目标图像，而不是用「可能在那里」的内容。作者表示，RealFill 是首个通过在过程中添加更多的条件（即添加参考图像）来扩展生成型图像修复模型表达力的方法。在一个涵盖了一系列多样化且具有挑战性的场景的新的图像补全基准测试中，RealFill 的表现大大超过了现有的方法。方法RealFill 的目标是在尽可能保持真实性的前提下，使用少量的参考图像来补全给定目标图像的缺失部分。具体说，给定最多 5 张参考图像，和一张大致捕捉到相同场景（但布局或外观可能不同）的目标图像。对于给定的场景，研究人员首先通过在参考图像和目标图像上微调一个预训练的 inpainting . . .

原文来源：量子位图片来源：由无界 AI‌ 生成大模型时代，雷军和王小川走到了一起。量子位最新获悉，王小川旗下的创业公司百川智能，已经成为雷军大模型布局中的新宠。在百川尚处市场传闻的两轮融资进展中，雷军都重注其中，扮演起了关键角色。但王小川不是雷军唯一的大模型押注，雷军的赛马游戏中，还有两家明星大模型独角兽。雷军和王小川的大模型牵手雷军牵手王小川的具体形式，是通过小米集团和顺为资本，注资了大模型初创公司百川智能。这家公司由搜狗创始人王小川在今年3月拉起队伍，从基础大模型做起，一直采取开闭源并行的形式对外发布模型。创投圈透露出的消息，雷军第一次押注这家公司在今年5月。作为雷军的“两只手”，小米和顺为同时参投了百川智能的A1轮。该轮投前估值为数亿美元，融资额超过数亿人民币。除了小米、顺为，创投平台公开的百川智能A1轮投资方，还有腾讯投资、清华控股、好未来战投、深创投等。第二次则是新近百川智能进行的A3轮融资，市场传言顺为、小米再次重金押注，融资额约为数千万美元。对于上述投融资消息，百川方面表示暂无说明和回应。不过，百川智能不是雷军对外加码大模型初创公司的唯一选择。此前曝出的消息中，作为资方，小米集团和顺为资本已经向市场上公认的头号玩家砸了大钱了。谁家呢？智谱AI和MiniMax——两只最抢手的香饽饽。几番动作下来，雷军对大模型的现有布局呼之欲出：复刻小米在移动互联网时代的打法，投融并举，内研外投共同推进。这也说明，雷军对大模型的变革之力，看得重，且动作相比决策式AI浪潮时更快、更准、更猛。百川智能的机遇和挑战作为市面上流传出的雷军对外押注的三家大模型初创公司之一，百川智能确实是大模型初创市场上叫得上号的玩家。首先是有创始人王小川这个招牌在，而后团队喊出“构建中国最好的大模型底座”，要在年底发布追平GPT-3.5的大模型。听起来野心不小，但百川对此信心十足。3月底成立，4月初对外官宣，2个月后推出第一款开源可商用大模型Baichuan-7B，而后保持每月一次的频率月更大模型。不少人称之为国内大模型战场上进展速度最快的那一家。更重要的是，不仅速度快，实力层面也通过频发模型产品对外给出证明：8月底，百川智能获批上线，正式面向公众开放。现如今，其背后的Baichuan系列大模型已更新到Baichuan2版本，最新消息是9月下旬发布了530亿参数的闭源Baichuan2-53B，并开发API接口，进军To B。有速度，有产品，但是百川智能面前的挑战，同样明显且严峻。一方面，创业公司身份，既需要在一众新星中杀出血路，也需要与巨头同场竞技；而开闭源并行推进，意味着前狼后虎，存在竞争关系的友商数量更多。这样的竞争不可谓不激烈，需要的钱和资源门槛更是不低。另一方面，百川的竞争力和人才吸引力尚未完成闭环——这也是外界一直心存疑虑的地方。因为目前为止，百川智能跟期望的OpenAI相比，更像是搜狗2.0。团队不止有前搜狗COO茹立云、前搜狗CMO洪涛等高管，整个团队中搜狗背景的成员含量，都在一个不低的水平。据王小川8月初公开表示，彼时百川智能120人上下规模，有搜狗背景的成员占据30-40%。甚至还有前搜狗员工笑称，似乎只是（搜狗）换了个办公室办公。搜狗自然也是天才云集、精兵强将的技术公司。但在成王败寇的中国科技互联网江湖，不论投资还是人才，都难免问一句——这次为什么可以不同？特别还是友商还是那些友商：百度还是那个百度，360还是那个周鸿祎治下的360。而百川智能，现在要以独立创业姿态，一边与智谱Minimax等先发独角兽竞速，另一边还要跟百度阿里腾讯讯飞360等巨头拼刺刀。挑战可能比搜狗时期还大。One More Thing当然，有变，也有不变。不变的是老张又和小川站到了一起。最新进展，张朝阳执掌的搜狐，也投出了大模型甚至是AI领域的第一笔投资。对象不是别人，正是百川智能。

原文来源：Tech 星球图片来源：由无界 AI‌ 生成和候选人王铭长达半年时间的交流，汽车行业资深猎头李元终于成交了这一单。王铭从毕业起就进入了某头部互联网企业，长达十几年的工作中，他担任智能驾驶业务中的重要角色。在李元接到某传统汽车主机厂旗下造车新势力品牌的招聘需求时，他第一时间想到了王铭。“最终让他下定决心的是主动求变的心态”，李元告诉Tech星球。不只是王铭，一个值得关注的人才变化趋势是，近两年，越来越多AI和自动驾驶大方向下的行业人才，开始关注来自传统车企的工作机会。此前，据21世纪经济报道援引业内人士透露，前L4级自动驾驶卡车公司千挂科技CEO陶吉，即将入职长安汽车，负责长安汽车智能驾驶技术，向长安汽车总裁王俊直接汇报。公开履历显示，陶吉2010年加入百度，曾参与百度自动驾驶项目从0到1的搭建过程。除了陶吉以外，这样的案例不在少数。今年2月，原小鹏汽车自动驾驶研发副总裁谷俊丽，出任奇瑞汽车副总经理；8月，前地平线智能驾驶研发总监廖杰加入了比亚迪，担任智能驾驶上海团队负责人；而原华为自动驾驶产品线核心团队负责人姜军，也投身到了极氪，负责智能座舱等业务。一位汽车行业分析师向Tech星球表示，从商业化的角度出发，汽车是最接近于AI落地的场景之一。与此同时，L4级别的自动驾驶落地遇冷，行业内部分相关性的人才出现了冗余。随着传统车企接连“卷”入智能电动化转型，人才与市场之间的新一轮匹配正在开启。传统车企抢AI人才2020年6月10日，特斯拉首次超越丰田汽车，成为全球市值最高的车企。而根据中国机械工业联合会的数据显示，今年上半年，中国新能源汽车产销累计完成378.8万辆和374万辆，同比增速均超40%。这让传统车企感受到了来自智能化、电动化的竞争威胁。就在2022年中国电动汽车百人会论坛上，长安汽车董事长朱华荣语出惊人，他说，“我认为未来3-5年，会有80%的中国（燃油车）品牌关停并转。”因此，在这样的背景下，传统车企近几年来开始加速转型突围。2020年11月，广汽埃安独立运营，随后启动混改，东风汽车在这一年成立了独立的新能源品牌岚图。2021年，长安汽车与宁德时代、华为联合推出了阿维塔，吉利则推出了旗下高端智能纯电品牌极氪。“拼电动化、智能化早就成为了行业共识”，上述汽车分析师告诉Tech星球。相较于造车新势力，尽管传统车企的“新二代”们有资金、造车经验，但其因为缺乏相关的互联网思维和软件研发能力，在与智能汽车的比拼上，一度处于下风。在这样的趋势下，传统车企的招聘需求出现了变化。李元告诉Tech星球，“以前传统汽车招聘的人选大都毕业于机械、汽车工程、交通运输等专业，现在的汽车行业在校招层面，则越来越关注于软件工程，包括人工智能专业的人才。”2023年，比亚迪进行了大幅扩招，据公开信息显示，比亚迪2023年校招总人数达到3.18万人，其中硕士和博士的整体占比达61.3%。3万多名应届生中，有80.8%的人员将会投入到研发工作当中。与此同时，在社会招聘层面，来自互联网行业一些AI和自动驾驶的人才，开始流向传统汽车行业。不过，Tech星球咨询的多位猎头均表示，传统车企在这类人才的招聘上，有相关的从业要求。“我们一直讲互联网大厂的人才，转移去传统车企甚至新能源公司，一定是有过相关车企项目经验，而且能够将知识和能力进行迁移的”，李元表示。如果仅仅是一个具备互联网大厂从业经验，而缺乏与车相关项目经验的从业者，在这场由传统车企发起的人才吸收战中，并不符合需求。而在这个要求的背后，透露的则是传统车企在新能源这场市场争夺战中的紧迫感。随着智能化军备赛进入下半场，传统车企试图通过扩充软件算法工程师人才，提升自研和技术预判能力。“他们希望以最快的速度补足智能驾驶，特别是AI算法的能力”，上述分析师谈到。因此，相较于内部培养，外部招聘有相关经验的人才显然要快得多。“现在行业很内卷，如果晚个一两年，就可能会落后很多”，李元表示。高薪时代过去了王铭受邀的职位，是某传统车企“新二代”的智能驾驶业务的一位负责人，李元告诉Tech星球，他主导了这家公司智能驾驶体系的建立。据李元透露，王铭拿到的年薪总包在300万以上，属于传统车企的高薪职位。但相比王铭之前所在的互联网大厂给到的福利制度和股票等收入，并不算太高。“而且相比之前熟悉的环境，在新的企业中，他还要承担更多的责任，做出更大的成绩。”在薪酬层面，相比互联网企业，传统车企在这场AI人才争夺战中，并不具备太大的优势。“从某种程度上来讲，这其实属于互联网人才在一定阶段出现溢出而导致的选择”，上述分析师认为。根据财报数据显示，2022年，上汽集团总薪酬283.5亿，人均薪酬13.1万；广汽总薪酬88.5亿，人均薪酬8.8万；长安总薪酬是69.4亿，人均薪酬16.5万。而互联网大厂腾讯2022年的员工人均年薪，已经达到了102.53万元。“高薪也许能打动人才，但传统车企给不出互联网企业的高薪水”，猎头袁圆告诉Tech星球。而且她提到，传统车企的薪酬结构和互联网企业不同，“互联网企业存在年终奖和股票的合并，但传统车企甚至造车新势力公司给出的都是现金。”此外，李元还提到，相比王铭这样的高层次人才，目前传统车企的主要招聘需求集中在五到八年相关经验的从业者中，“他们能够负责落地项目，带团队，而且整体薪酬没有那么高。”在他所招聘的具备五到八年相关经验的人才中，传统车企开出的薪水年包普遍集中在50万至80万之间。对比互联网大厂来看，一位2021年毕业于北京985高校的硕士毕业生林临表示，自己在毕业当年拿到的某中厂offer的薪水年包，就已经能够达到50万。这部分人才大都会以技术专家的身份加入传统车企，大概率负责的是1到2个项目，职位级别对应互联网行业的P7或者P8。李元告诉Tech星球，在这场跨行业市场的人才流动中，薪水的衡量因素有很多，比如所处地域的物价水平，传统车企能够给到的附加福利，甚至工作的稳定性等。他提到，当下面临市场的选择时，相比较于薪水的直接对比，这部分人才更需要的是去观察市场，积极拥抱变化。向左，还是向右在这场从互联网企业迁徙传统车企的人才流动中，也出现了“不适应”的现象。李元所完成招聘的人才中，很多都曾向他讲述过传统车企与互联网公司之间存在的不同，其中甚至还有一些抱怨，比如“为什么效率这么低”、“重复了很多次，但很多问题依旧得不到解决”等。相比互联网企业，汽车作为制造业汇报链条长，决策周期自然也会更长。“以前三年是一个大的产品周期，现在已经被压缩到了一年半了，但也比互联网的产品周期长很多。”李元告诉Tech星球，在这样的前提下，从工作文化到汇报链条都是全新的挑战。但与此同时，李元认为这种“不适应”是正常的，行业转换必定有相应的适应周期。“早些年我们做外企招聘，一开始大家都觉得去外企好，到外企发展到一定天花板时，还是会选择和外企工作模式不同的国内互联网企业。”不过，在这其中，造车新势力公司也曾被视为这部分人才的折中选择。一位智能驾驶行业从业者告诉Tech星球，“造车新势力如蔚来汽车和小鹏汽车相对传统车企而言，更接近于互联网企业的氛围。”袁圆则对此表示，不同于传统车企，造车新势力公司迫切需要的人才，并非自动驾驶领域的从业者，而是集中在供应链和智能制造领域，“本质上这属于一种供需错配。”今年以来，汽车行业价格战愈演愈烈，当下无论是传统车企还是造车新势力公司，对于AI及自动驾驶相关人才的招聘需求，呈现出现了减弱的趋势。“去年这个时候，这股招聘风潮正热，有过相关经验的智能驾驶算法或者AI的候选人手里，没个七八个offer，也有五六个。”李元说道。但随着竞争的白热化，传统车企的相关人才需求已经被填满。“今年整个智能驾驶的需求，全部都下来了”，李元根据自身的招聘情况，给出了一个数据，他说相比去年，传统车企在智能驾驶招聘上的需求缩减了三分之二。“不同于此前AI 四小龙（商汤、旷视、依图、云从）掀起疯狂的人才扩张，传统车企在成本和管理制度的约束下，会更谨慎”，袁圆表示。（应采访者要求，文中王铭、李元、周舟、林临、袁圆皆为化名。）

图片来源：由无界 AI生成元宇宙这个概念，自从2021年被扎克伯格带火后，给人们的感觉一直就像个“最熟悉的陌生人”，总是若即若离，忽远忽近的。说直白点儿，就是大家都觉得它存在感不够强，没有想象的那么厉害。因为提起元宇宙，网友们脑海中的印象还是这样的：扎克伯格曾遭到“群嘲”的著名Horizon Worlds虚拟形象自拍，图片来自Facebook可是才短短一年，一场长达1小时，发生在元宇宙世界的隔空对话就横空出世，炸翻了社交网络。这次轮到网友傻眼，纷纷惊呼，怎么一不留神它就悄悄进化成这样了？！近日，麻省理工学院科学家、同时也是人工智能大佬和知名播客主播的Lex Fridman，对Meta首席执行官马克·扎克伯格进行了一场关于增强现实、AI和大语言模型的深度访谈。与以往不同的是，这次两人没有在物理世界碰面，而是相隔着大半个美国，在元宇宙里以超逼真的3D虚拟形象完成了对话。截至硅星人发稿时，这场名为「First Interview in Metaverse」的采访已在 X(原推特)上狂揽近1千3百万观看量。图片来自Lex Fridman Youtube频道视频开头，Lex Fridman的全身版高清数字分身出现在一片白色未来感空间中，他说：“尽管Mark和我在现实世界中相隔数百英里，但由于我们的形象都以照片级精度的3D模型建模，并伴随空间音频相互呈现，我俩就像在同一个房间面对面交流。这项技术实在太令人惊叹了！我认为这将是未来人类在互联网上更深度有意义连结彼此的方式。”两人在访谈中都佩戴着Meta Quest Pro VR头显。可能是因为视野里的效果太过真实，Lex一度像个好奇宝宝，除了咧嘴“傻笑”，就是不停感叹：“我在哪儿？Mark真的是你吗？这太棒了！你不介意我离你太近吧？”当然，视线距离是可以调整的。不仅如此，你还可以通过控制手柄来调整光源位置，找到最凸显自己面部优点的照明角度。扎克伯格介绍说，与Horizon Worlds中的卡通版本或视频传输不同，创建这些全新模拟真人的Meta Codec虚拟形象，需要对用户的各种面部表情和动作细节进行广泛扫描，而后建模并压缩成一个编码版本。随后，头戴设备的实时眼部和面部追踪功能会捕捉用户表情，映射到3D虚拟化身上，并“发送一个编码版本的你应该看起来的样子”给虚拟世界或会议通话另一端的人们，在他们眼前呈现一个足以以假乱真的你。由于元宇宙里的形象数据是以编码形式传输，所以除了逼真外，也比发送一个完整的沉浸式视频更加节省带宽。从采访视频来看，虚拟化身呈现出对真人细节的还原能力确实太强，用Lex的话说，“它捕捉到了一切，包括人脸上的缺陷。对我来说，这些缺陷正是人的微妙之处，这些小雀斑、皱纹、不对称的脸颊、笑的时候眼角的表情…它们让我更加享受其中，意识到完美并不是沉浸的关键。”“眼睛的确很重要，”扎克伯格说道：“许多研究证明，人的交流主要是靠表情和肢体完成的，而不是靠语言。Meta一直努力用自己的经典虚拟系统捕捉这些表情，通过照片般的真实体验，带来特殊的临场感。”他认为这也触及了虚拟现实和增强现实的视觉核心，就是令人们不论在世界上的哪一个地方，都会感觉在一起。想象未来进入会议室，有些人实际在现场，有些人则以这种逼真的虚拟形态出现，并通过结合混合现实技术叠加在物理环境上：你以为TA坐在桌子边跟你聊项目，其实TA远在千里之外；夜深人静一个人在外地想家的时候，带上头显亲人就近在咫尺。而对面人的一颦一笑，每一个细微的面部表情，都可以几乎没有延时和耗损地立体真实再现。体验过程中，Lex一直禁不住惊呼这太美妙了，“我此刻心跳很快，对话的亲密感可以这样远程实现。我感受到了情绪，也感觉到你我真实存在。这是我人生中最难以置信的体验之一，真的大开眼界！”不过需要说明的是，实现视频中的对话效果目前对普通人还不是那么容易。在开始采访前，两人都曾提前飞到匹兹堡，在Meta Codec项目组进行了融合当前软硬件最高技术、长达几个小时的细节扫描。在前几天刚结束的Connect大会上扎克伯格说过，他最大的愿景就是让那些高大上的科技变得亲民，改变大多数人的生活。那么这次，他对未来又有什么构想呢？小扎表示现在我们才刚刚开始。通过先扫描少数人，收集足够多的表情数据，来探索整个流程能简化到什么程度，进而在应用到大量人群时更流畅。虽然目前这项技术还没完全准备好推向市场，但在未来几年内，会持续调整和优化，以早日应用到工作场景，解决生产力问题。Meta正在努力实现的是，只需用手机进行非常快速的人脸扫描，比如拿起手机在脸前晃动、说几句话、做一些表情，全程可能只需两三分钟，就产生如同现在的通话质量。如何在保证体验的同时更高效，仍是接下来面临的挑战之一。Lex认为，全新的Meta Codec Avatars显然已经越过了曾经的“恐怖谷底”，镜头里的小扎看起来完全和本人一样，接着他试探性地笑着问：“所以我们也不需要胳膊和腿了，对吧？”“不不，这些我们还是会解决的”，扎克伯格赶忙解释道，“实际上有个问题是，高精度的全身扫描需要强大的算力支持，无论对于头显的传感器还是渲染能力。所以我们也许会考虑以较低的保真度还原身体，比如仍保留大的动作，但脸才是最需要解析的东西。毕竟眉毛移动一毫米就会传达截然不同的情绪，相比之下，胳膊移动一英寸也显得没那么重要了。”Horizon Worlds里的虚拟形象曾因苍白的表情和缺少下半身被人们形容为”恐怖谷效应“，图片来自Meta两人后来还聊到了刚刚问世的Quest . . .

原文来源：AIGC开放社区图片来源：由无界 AI‌ 生成阿里云官宣开源Qwen-14B和Qwen-14B-Chat模型，通过文本问答方式可自动生成文本/代码、总结文本摘要、翻译、分析代码等。据悉，Qwen-14B是在3万亿token高质量数据上进行稳定的预训练，允许商业化，最大支持8k的上下文窗口长度，在多个权威评测中超越同等规模模型，部分指标媲美Llama2-70B。前不久，阿里云曾开源了Qwen-7B系列模型，仅一个多月的时间下载量就突破100万，成为最强中文开源大模型之一。而此次的Qwen-14B在训练数据、参数等全面增强，帮助企业、个人开发者打造专属生成式AI助手。魔搭地址：https://www.modelscope.cn/models/qwen/Qwen-14B-Chat/summaryhttps://www.modelscope.cn/models/qwen/Qwen-14B/summaryHuggingFace地址：https://huggingface.co/Qwen/Qwen-14Bhttps://huggingface.co/Qwen/Qwen-14B-ChatGithub地址：https://github.com/QwenLM/Qwen免费在线体验：https://modelscope.cn/studios/qwen/Qwen-14B-Chat-Demo/summary论文：https://qianwen-res.oss-cn-beijing.aliyuncs.com/QWEN_TECHNICAL_REPORT.pdf通义千问-14B技术亮点高质量训练数据：通义千问-14使用超过3万亿tokens的数据进行预训练，包含高质量中、英、多语言、代码、数学等，涵盖通用及专业领域的训练语料。同时通过大量对比实验的方式，对预训练语料分布进行了优化。性能强大：Qwen-14B在多个中英文下游评测任务上，涵盖常识推理、代码、数学、翻译等，效果显著超越同等规模的开源模型，甚至在部分指标上相比更大尺寸模型也有较强竞争力。词表覆盖更全面：相比目前以中英词表为主的开源模型，Qwen-14B使用了约15万大小的词表。该词表对多语言更加友好，方便用户在不扩展词表的情况下对部分语种进行能力增强和扩展。性能评测Qwen-14B选取了MMLU、C-Eval、GSM8K、MATH、HumanEval、MBPP、BBH、CMMLU等目前较流行的评测平台，对模型的中英知识能力、翻译、数学推理、代码等能力进行综合评测。Qwen-14B在所有评测平台的测试中，均取得了同级别开源模型中的最优表现。此外，阿里云提供了评测脚本（https://github.com/QwenLM/Qwen/tree/main/eval），方便大家复现模型效果。注意：由于硬件和框架造成的舍入误差，复现结果如有小幅波动属于正常现象。Qwen-14B模型技术细节在位置编码、FFN激活函数和normalization的实现方式上，阿里云采用了目前最流行的做法， 即RoPE相对位置编码、SwiGLU激活函数、RMSNorm（可选安装flash-attention加速）。在分词器方面，相比目前主流开源模型以中英词表为主，Qwen-14B使用了超过15万token大小的词表。该词表在GPT-4使用的BPE词表cl100k_base基础上，对中文、多语言进行了优化，在对中、英、代码数据的高效编解码的基础上，对部分多语言更加友好，方便用户在不扩展词表的情况下对部分语种进行能力增强。词表对数字按单个数字位切分。调用较为高效的tiktoken分词库进行分词。阿里云从部分语种各随机抽取100万个文档语料，以对比不同模型的编码压缩率（以支持100语种的XLM-R为基准值1，越低越好）。可以看到Qwen-14B在保持中英代码高效解码的前提下，对部分使用人群较多的语种（泰语th、希伯来语he、阿拉伯语ar、韩语ko、越南语vi、日语ja、土耳其语tr、印尼语id、波兰语pl、俄语ru、荷兰语nl、葡萄牙语pt、意大利语it、德语de、西班牙语es、法语fr等）上也实现了较高的压缩率，使得模型在这些语种上也具备较强的可扩展性和较高的训练和推理效率。在预训练数据方面，Qwen-14B模型一方面利用了部分开源通用语料， 另一方面也积累了海量全网语料以及高质量文本内容，去重及过滤后的语料超过3T tokens。囊括全网文本、百科、书籍、代码、数学及各个领域垂类。

原文来源：硬AI作者：李笑寅图片来源：由无界 AI‌ 生成过去，很多风险投资家们喜欢“炫耀”自己和大公司创始人的关系，来吸引初创公司。现在，“炫耀”的资本变成了他们在英伟达、亚马逊、谷歌等AI芯片大供应商的人脉。包括Greylock Partners、Bessemer Venture Partners 和 Madrona在内的一众VC表示，他们一直在利用供应商的人脉来搞到AI芯片。据外媒报道，部分“手眼通天”的VC，已经为其投资组合内的公司搞到了数千个“一卡难求”的GPU。01 初创公司「一芯难求」AI浪潮席卷全球，GPU的需求也随之大幅飙升。2024财年第二季度，英伟达称自己已经售出价值103亿美元的数据中心硬件，约30多万个，重达816吨。根据行业内部消息，英伟达H100 2023年的产量，早已销售一空，现在交钱订购，至少要到2024年中才能拿到货。自今年第一季度以来，云提供商及其客户仍一直无法获得足够的芯片。在全球性的GPU短缺中，初创公司受影响更大。很多时候，对于初创公司来说，“速度就是生命”，晚竞争对手一步拿到芯片，就有可能“一步慢，步步慢”。这也是为什么风投公司要进行“芯片宣传”——能够让他们牢牢抓住初创公司们的痛点。专注于人工智能初创公司的投资公司Conviction创始人莎拉·郭表示，5月份，该公司向一家云提供商支付了访问GPU服务器的费用。她说，Conviction能让其支持的初创公司使用这些服务器，并且他们也要和初创公司一样支付相同的费用。然而，“许多云提供商不会与小规模的初创公司合作，”郭说到，因此风投公司需要去建立“关系”，需要承担预付款，甚至为了GPU可能承担长期承诺风险”，以防GPU租金价格下跌。成立近三年的初创公司HeyGen的联合创始人Joshua Xu 表示，无法通过投资者获得GPU的初创公司“必须在公开市场上竞争，看看谁有足够的运气获得什么”。Xu的策略是，一方面从投资了自己的公司Conviction的渠道获得GPU，另一方面在Amazon和Lambda Labs等云提供商处租用服务器。他补充，他们还编写了一个软件，可以持续监控云提供商的网站，寻找新GPU服务器可供出租的迹象，他表示：一有新GPU上线，我们就会尝试收下它——我们感觉其他公司也开发了这种监控软件。02 云供应商成「香饽饽」部分风投公司表示，自己已经放弃自行购买或租赁GPU，转而选择云服务商提供的服务。因为一旦芯片不再短缺、价格暴跌，这些公司能够免于财务风险。这类接触为风投公司给“AI初创公司”和“芯片供应商”搭建桥梁打下了基础。Greylock公司的合伙人Reid Hoffman是OpenAI的早期投资者，去年投资了两家公司后，Greylock将人工智能开发商Adept和Inflection与主要的云提供商之间建立了联系。去年8月，在Adept宣布由Greylock共同领导的A轮交易四个月后，甲骨文宣布了一项交易，让Adept能够使用其数千个Nvidia A100芯片。甲骨文一直在使用其为运行大型机器学习模型的公司配置的服务器来与人工智能初创公司建立联系。03 VC「来当中介」Greylock的普通合伙人Saam Motamedi表示：当我们投资一家需要大量GPU的公司时，我们会帮助他们建立联系。当Greylock合伙人Hoffman联合创立Inflection，宣布正在开发人工智能聊天机器人、训练自己的大型语言模型时，Greylock将这家初创公司介绍给了微软和英伟达。今年6月，Inflection宣布微软和Nvidia等投资者领投了该公司13亿美元的融资。作为交易的一部分，Inflection将购买22000块Nvidia H100芯片。另一方面，芯片和云提供商也很渴望与Adept和Inflection这样资金雄厚的初创公司达成交易，因为这些公司的计算需求十分旺盛。这就非常考验风险投资家们，到底有多少能耐能让云计算高管与小型初创公司“通上电话”。英伟达亦有所举措。2021年，它启动了Inception VC联盟计划，为参与的风险投资公司分配客户经理。通过公司渠道，客户经理能够为公司与Nvidia工程的客户、参与员工建立联系。该计划不会直接向初创公司出售芯片，但是如果会员公司通过其他云提供商购买芯片，能够获得折扣。据英伟达网站，目前参与该计划的公司包括Mayfield、NEA、In-Q-Tel . . .

来源 / HarryPotterObamaSonic10Inu 随着链上活动的交易量上升，HarryPotterObamaSonic10Inu（BITCOIN）在持续上升的强劲涨势中反弹了+20.51%。 这是在On-Chain夏季明星的动荡九月之后发生的，BITCOIN在不到一个月的时间里几乎下跌了-80%，这是在+200%的大涨之后的一次戏剧性举动。 随着买盘压力的增加，持有者似乎对价格走势感到高兴，上涨动作为亏损交易者提供了恢复的机会。 BITCOIN 价格分析：HarryPotterObamaSonic10Inu 是否会创下新的历史高位？ 随着HarryPotterObamaSonic10Inu从坚实支撑上升，价格行动现在在BITCOIN的下降通道中处于高位，目前市场价格为0.082美元（24小时涨幅+20.20%）。 趋势逆转始于9月11日，当时BITCOIN在0.05美元的价格水平获得支撑，引发了现在的90%以上涨幅。 DEXtools / BITCOIN USD 在强大的买盘支撑下（过去24小时内占658笔交易的53%），上涨动作使BITCOIN的市值回到了8334万美元。 现在在DEXtools热门币种排行榜上排名第9，这一巨大的涨幅可以归因于过去24小时内145万美元的交易量增加，这导致了BITCOIN持有者人数增至11,500人以上。 然而，尽管市场情绪出现积极转变，但HarryPotterObamaSonic10Inu面临着来自上升趋势线的阻力的即将来临的挑战，该阻力线与0.085美元的价格水平汇合。 总的来说，BITCOIN的复苏为深度亏损的顶级买家提供了急需的救济，然而，随着价格现在进入抵抗的关键测试，后来的参与者应谨慎行事。 DEXtools . . .

来源/ Tamadoge Web3游戏先驱Tamadoge，以及加密驱动的街机游戏领军者，已经推出了备受期待的宠物商店，其中包括3D NFT、NFT升级助推器和宠物化妆品。 Tamadoge宠物商店是该生态系统的市场，数字商品可以在其中购买，用于Tamadoge游戏中，其中游戏阵容不断增加。 这一最新公告是Tamadoge团队的又一个重要里程碑成就。 Tamadoge首席执行官Jon Bishop在宠物商店推出时表示：“宠物商店一直是我们路线图上的关键里程碑之一，我为社区能够使用它感到兴奋。 “这不仅证明了我们始终按照路线图交付的事实，而且它还将在我们的所有游戏中发挥核心作用，使玩家能够在Tamadoge的所有游戏中获得竞争所需的一切。” Tamadoge因宠物商店新闻传播而开始在Coinmarketcap上趋势上升 随着最新升级消息的传播，Tamadoge迅速成为了领先的加密数据网站Coinmarketcap上的一个热门币种。 CoinGecko / 正在热门的加密货币 TAMA价格上涨11%，达到0.0090美元，社区对产品开发消息作出积极反应。交易量增加了20%。 从24小时涨幅的角度看，TAMA在CoinMarketCap的模因币类别中排名第八。 CoinMarketCap / TAMA 从今天起，玩家可以购买以下助推器：时间冻结、骨头、心脏、磁铁、护盾和更大的目标。 . . .

来源: TradingView 过去24小时内，PEPE价格上涨了10%，推升至0.000000802775美元，与整个加密货币市场在同一时间段内上涨了2%。 由于今天的上涨，PEPE在一周内上涨了30%，在过去两周内上涨了20%，尽管这个模因代币在过去30天内下跌了9%，自5月初达到0.00000431美元的历史最高价以来下跌了81%。 然而，它今天在市场上的表现显示，之前的重大损失往往更容易变成更大的收益，PEPE在过去几个月的超卖情况可能为未来的进一步上涨奠定了基础。 Pepe经典价格预测：2023年顶级Meme币上涨10%。青蛙的回归？ 毫无疑问，PEPE已经开始了一场看起来像是长期拖欠的突破性涨势。 来源： TradingView 或许最值得注意的是，这个模因代币的价格已经突破了其30日移动平均线（黄色），这表明它可能正在巩固到一个新的更高水平。 同样，该币的相对强度指数（紫色）已经上升到60附近，此前超过一个月的时间一直在30附近或以下，这表明了大量超卖。 换句话说，买家似乎正在抓住机会以低价购买PEPE，而数据显示，鲸鱼确实开始再次积累这个模因代币。 然而，PEPE作为一个“纯粹”的模因代币，潜在买家应该警惕，在当前涨势结束后，它可能会再次大幅下跌，显然，鲸鱼们只是早早地积累代币，以便稍后将它们卖给零售投资者。 因此，交易者需要谨慎地选择入场和退出时机，今天可能是他们能够购买一些PEPE并有望获得超越市场的利润的最后时机。 话虽如此，PEPE最近几周大幅下跌，其持续的亏损可以理解为它正在走向持续的涨势。 这可能意味着它的当前涨势可能会持续几天，然后变得过于购买，因为这种代币缺乏持续增长的基本面和实用性，无法维持周期性循环以外的涨势。 基于这种推理，可以预期PEPE在未来几周内达到0.0000010美元，该模因代币可能有望在年底前达到0.000002美元。 具有强大基本面的新型替代币 事实仍然是，投资PEPE比投资许多更成熟的加密货币更具风险，因此建议更保守的交易者考虑那些基本面更安全的新型替代币。 一个完全符合这一要求的新型替代币是Bitcoin . . .

来源/ TG Casino 对于快速增长的web3赌博领域来说，加密初创公司TG.Casino在Telegram上刚刚启动，迈出了一大步。 该协议令人兴奋的推出预计将为该项目的令人兴奋的预售注入新的动力，仅仅一周时间已经筹集了超过250,000美元的资金。 TG.Casino是web3 GambleFi产品的下一代 – 像Rollbit、Hamsters和Stake.com等平台通过提供用户即时存款和提款、无KYC以及更好的透明度，提高了与传统赌博行业的标准。 TG.Casino将这一步推得更远，并为其中加入了一个关键的新因素 – 由Telegram自动化提供的易用性。 从这个意义上说，TG.Casino希望复制与Telegram动力平台Unibot的成功，后者将先进的加密交易策略交到了Telegram每月7亿用户手中。 因此，不难理解TG.Casino的$TGC代币预售周围的炒作达到了高潮。 现在参与TG.Casino的$TGC预售 为了推动其基于Telegram的GambleFi平台的增长，TG.Casino正在进行一次令人兴奋的预售，仅仅一周多的时间就已经筹集了令人印象深刻的26万美元。 如果想参与2023年最火热的预售之一，潜在投资者别再犹豫了。 因为1）TG.Casino很可能很快会达到其500万美元的筹款目标，2）早期预售投资者可以获得巨大的年百分比收益率（APY），根据官方TG.Casino网站的数据，最近一直超过1600%。 那么，你可能会问，如何获得这些回报呢？ 嗯，TG.Casino将平台的所有利润的一部分提供给$TGC代币持有者，而代币持有者中的代币质押者将获得最大的利益。 . . .

文章来源：新智元编辑：桃子 好困2023诺贝尔奖即将在下周，也就是10月2日-9日（当地时间）揭晓。我们每个人心中或许都会有个疑问：谁会摘得今年的诺奖桂冠？在此之前，不如用「地表最强」AI——ChatGPT预测下今年诺奖重大进展。Nature最新文章称，微调后的大模型，包括ChatGPT在内，都能大大增强预测诺奖得主的能力。为了找到诺贝尔奖得主的线索，印第安纳大学网络科学研究所所长、物理学家Santo Fortunato向ChatGPT寻求帮助。那么，ChatGPT预测的诺奖到底准不准？ChatGPT预测诺奖得主2014年，Santo曾和其他合著者发表的一篇爆火的文章称，候选人常常需要等上20多年才能得到这个科学上的最高荣誉。他在社交网络平台称，每年诺奖开奖之前，都会有很多人问，今年是谁？这次，Santo直接把这个问题抛给了ChatGPT。他给ChatGPT的提示是，「给出尚未获得诺贝尔奖的在世科学家，在化学、物理、生理学或医学领域的三大发现」。然鹅，ChatGPT却表示，「我无法预测未来，包括2023年在内任何一年的诺贝尔奖获得者」。这个回答并没有让人很意外。因为，除ChatGPT之外，任何一个聊天机器人，都不是能够预测未来的「水晶球」。之后，Santo的学生输入了类似的提示，让Claude，以及ChatGPT去回答。结果发现，两个聊天机器人都能挑出重要的发现，从基因组编辑工具CRISPR研发，到2D材料石墨烯的发现。但是，不可否认的是，它们的发现还有重大的缺陷。ChatGPT和Claude指出的发现中，已经有科学家们，因此获得了诺贝尔奖。这还不是唯一的问题。Santo表示，「我问的是『活着的科学家』，而它们却给出的例子实际上，是已经『去世的科学家』」。对此，小编拿着同样的提示问问ChatGPT，顺便给它用上最新的必应联网功能，看看回答的怎样？第一次，ChatGPT并没给出答案。明确预定每个领域的「三大」发现很有挑战性，建议查阅科学杂志、知名新闻机构或与各领域相关的组织。同样的问题再问一遍，这次，ChatGPT给出了自己在这三个领域方向和进展的预测。ChatGPT称，「我可以举例说明这些领域最近的重大发现或进展，如果不做进一步研究，很难确定相关科学家的诺贝尔奖得主身份」。首先，在化学领域。- CRISPR-Cas9技术：这是一种革命性的基因编辑系统，允许科学家精确修改生物体内的基因。该系统的研究者之一生物化学家Jennifer Doudna曾获得了诺贝尔奖，但与该系统的开发密不可分的其他人却没有获得诺贝尔奖。- 金属有机框架（MOFs）：这是一种具有极高表面积的化合物，能够捕获、储存和释放化合物，具有包括碳捕获在内的广泛潜在应用。其次，在物理学领域。- 第一张黑洞图像：Event Horizon Telescope合作组织于2019年发布了第一张黑洞图像。虽然这是一项集许多科学家之力取得的努力，但并非所有参与其中的科学家都获得了诺贝尔奖。- 引力波探测：LIGO首次探测到引力波是一项不朽的成就，虽然一些关键人物获得了诺贝尔奖，但许多贡献者却没有获得诺贝尔奖。最后，在生理学或医学领域。- mRNA疫苗的开发：为COVID-19快速开发和部署mRNA疫苗是一项不朽的成就。「虽然一些科学家获得了认可，但其他科学家却没有获得诺贝尔奖。」- 免疫疗法在癌症治疗方面的进展：免疫疗法是治疗某些类型癌症的重大进展。可以看到，ChatGPT以上的回答都是，侧重三个领域当前研究的重要方向。不如再让它预测下，2023诺奖得主。ChatGPT根据网络搜索结果，没有给出真正答案，再次强调「一些化学家预测，mRNA疫苗的开发可能会获得2023年诺贝尔化学奖」。如此说来，mRNA疫苗有很大可能成为今年化学领域风向标。再问它最后一个问题，「哪位中国科学家，最有可能获得诺贝尔奖」？ChatGPT根据一些中国科学家因自己的贡献获得国际认可，被许多人作为潜在诺奖得主，并给出了几个例子。AI预测可靠吗？那么，用ChatGPT预测诺奖的结果可不可信？伊利诺伊州芝加哥大学的计算社会科学家James Evans表示，「尽管大型语言模型（如ChatGPT和Claude）无法成为伟大的诺贝尔预言家，但它们确实有潜力成为强大的预测工具」。若使使它们达到目的，还需要做一些「微调工作」。简言之，创建一个能预测诺贝尔奖的AI，需要对LLM需要进行修改，并在适当的数据上进行训练。就在上周，分析公司科睿唯安（Clarivate）发布了2023年度「引文桂冠奖」名单。这份名单在过去20年，成功预测了71位未来诺贝尔奖获得者，主要是通过分析作者研究的被引次数。不过，这样的分析，通常是无法预测出，准诺奖得主具体的获奖年份。「引文桂冠奖」名单着重突出发表论文被引次数至少2000次的研究人员，这一程度与多数以前的诺奖获得者相当。与此同时，科睿唯安的分析还考虑了，这些被高度引用论文的作者是否有开创性发现，并且是否已经获得显著的奖项。今年上榜的研究人员，在癌症免疫疗法、合成生物学和材料科学等领域做出了巨大贡献。科睿唯安研究分析主管David Pendlebury表示，公司已经开始探索生成式A如何帮助预测未来的诺贝尔奖得主。「我们可能会在明年的评选中，从AI预测中得到一些贡献」。生成式AI可以为现有方法提供一个优势，它们能够在大量科学作品中进行查找。这将提高我们确定为潜在诺贝尔奖获得者的候选人库的速度和全面性。特殊贡献，无法量化丹麦技术大学的物理学家Rasmus Bjørk对诺贝尔奖得主进行了分析，仅仅看引用，不足以表明谁将来可能获得诺贝尔奖。Bjørk说，要获得最高奖项，研究人员需要做出开创性的工作，推动一个领域向前发展，或者对社会产生根本性影响。「这个贡献，必须有一些特别之处。因此，量化这种特殊性可能很困难」。但Bjørk表示，生成式AI工具也可能会，延续此前围绕诺奖的偏见。自1901年诺贝尔奖设立以来，至今，也只有60位女性获奖。如果LLM根据过去获奖者的数据进行训练，它们更可能选择男性，而不是女性作为未来的潜在获奖者。基于AI的新奖？当然，要真正决定谁将获得诺贝尔奖，人类的判断力依然是无法比拟的，而这这也正是诺贝尔奖的魅力所在。但有朝一日，LLM可能会在科学奖领域，创造出公平的竞争环境。由此，也可以为基于较少偏见的AI分析而非人类委员会观点的新型奖项，铺平道路。而这种奖项，也将有助于突出那些，以目前尚未得到认可的方式颠覆和改变科学的研究。最后，贴一个physicsworld对今年物理学奖的预测。他们曾在2013年时，正确地推断出Peter Higgs和François Englert会因对希格斯机制的预测而获奖。「DNA结构」发现者，缺一个诺贝尔奖在《科学美国人》最新一期报道中称，英国物理化学家与晶体学家Rosalind Franklin（1920-1958）因发现DNA双螺旋结构，应当再加冕一个诺贝尔奖。1953年4月25日，一篇题为《核酸的分子结构》的文章登上Nature，寥寥千余字却像一颗金手指一样，轻松地捅开了模糊了生物学界多年的那层纸，具有里程碑式的意义。论文地址：https://www.nature.com/articles/171740a0很多人都知道，因为解开了DNA双螺旋的秘密，背后最大贡献离不开Rosalind Franklin。然而，1962年生物学家James Watson，Francis . . .

作者：明敏、丰色来源：量子位| 公众号 QbitAI悄无声息，羊驼家族“最强版”来了！与GPT-4持平，上下文长度达3.2万token的LLaMA 2 Long，正式登场。在性能上全面超越LLaMA 2。和竞争对手相比，在指令微调MMLU (5-shot)等测试集上，表现超过ChatGPT。在人类评估（human evaluation）上甚至优于10万token的Claude 2，这个话题还在Reddit上引发了讨论。要知道，这些对比版本中，LLaMA 2 Long使用的最大版本也只有70B，远小于其他大模型。这让人不禁感慨：Meta确实还是有两下子的。也有人觉得，这才是最近Meta发布会的最大新闻啊，比Meta版ChatGPT要更令人兴奋。论文介绍，LLaMA 2 Long使用了4000亿token语料加持下，并进行位置编码修改。所以LLaMA 2 Long究竟是如何诞生的？只对位置编码进行了一个非常小的改动与LLaMA 2相比，LLaMA 2 Long的变化并不多。一是训练参数上，采用了高达4000亿token的数据源。——相反，原始LLaMA 2包含多个变体，但最多的版本也只有700亿。二是架构上，与LLaMA 2保持不变，但对位置编码进行了一个非常小的必要修改，以此完成高达3.2亿token的上下文窗口支持。在LLaMA . . .

来源：新智元这周三，OpenAI刚刚宣布解禁ChatGPT多模态能力。如今，一上线，网友们瞬间玩疯了。接下来，一起看看，ChatGPT的识图能力，究竟有多强？拍照传图，即生代码一位网友录制了一段上传开会时的一张白板图，然后让ChatGPT写出代码。还有，你可以上传一张手绘的草稿图，然后要求ChatGPT在HTML创建网页。嗖嗖嗖，代码分分钟都出来了。这简直就是，今年GPT-4刚刚发布时，Greg Brockman所展示的多模态能力。再比如，把你的to do list本子拍一张照片。然后让GPT-4做一个Python Tkinter GUI，然后就实现了...古卷手稿，一眼转译再来一张来自17世纪的炼金术师Robert Boyle的手稿图，GPT-4能不能读懂它？这简直对它来说，小菜一碟。在比如「加泰罗尼亚语关于药用木乃伊的药物手册」。ChatGPT同样能够转录并翻译出来。来自UCSC的历史学副教授Benjamin Breen表示，这将对历史学家产生重大影响。试想一下，一个定制的多模态GPT-4可以对一组特定的手稿进行训练。它不仅可以转录，还可以翻译和分类。(正是这一点，不使用LLM进行写作，在我看来才是一件大事）。图表总结也很6你还可以命令GPT-4根据图表提取数据。然后可以创建Python代码来复制图表，让它更像图表。再把股票趋势图丢给它，还能分析总结特征。识图「智商超群」给GPT-4一张抽象的图。它竟然可以准确的识别出这4张图想表达的「沟通的重要性」的隐喻，这也太离谱了。GPT-4V甚至可以阅读医生的字迹。还有日本网友直接用「七龙珠」中孙悟空考ChatGPT了。还有各种「你是不是人」的验证码。上传一张自己的作品，GPT-4还能为你提出改进建议。还有网友发现，GPT-4V对kosmos-1论文中的这道题给出了正确答案，但推理过程却出现了错误。有了这个功能，小朋友们再也不用做作业了。网友大波总结除了以上体验之外，还有网友写了一篇长文，介绍了自己对GPT-4V的测试。测试一：视觉问答给一个表情包，看看GPT-4V理解程度有多好？GPT-4V成功地解释了为什么有趣，并提到了图片的各个组成部分以及它们之间的联系。值得注意的是，所提供的括号备注中，GPT-4V能够读懂并利用文字做出回应。尽管如此，GPT-4V还是犯了一个错误，炸鸡标记为「NVIDIA BURGER」，而不是「GPU」。然后，再用硬币，一张美国便士的照片测试。GPT-4V能够成功识别硬币的来源和面值。但如果是多枚硬币图片，并问GPT-4V，我有多少钱？这时，它只能够识别硬币的数量，但无法确定货币类型。测试二：OCR识别截取网页中的文本图像上传，GPT-4V可以很好地读出内容。测试三：数学OCR数学OCR是一种专门针对数学方程的光学字符识别的特殊形式。网友向GPT-4V提出了一个数学问题，并用文档截图形式呈现出来。这个问题涉及在给定2个角度的情况下计算拉链线的长度，在图像上提示「解决它」。模型识别出的问题可以用三角法求解，识别出要使用的函数，并逐步提出如何解决问题的走查。然后，GPT-4V提供了问题的正确答案。话虽如此，GPT-4V系统卡指出模型可能会遗漏数学符号。不同的测试，包括用手写在纸上的方程或表达式的测试，可能表明模型回答数学问题的能力不足。测试四：对象检测让GPT-4V检测图像中的狗，并提供与狗的位置相关的x_min、y_min、x_max和y_max值，GPT-4V返回的边界框坐标与狗的位置不匹配。虽然GPT-4V在回答图像问题方面的能力非常强大，但在你若是想知道一个物体在图中的位置，该模型不能替代微调目标检测模型。测试五：验证码发现GPT-4V能够识别图像中包含验证码，但经常无法通过测试。在一个选取红绿灯格子的示例中，GPT-4V少选了一些包含红绿灯的格子。测试六：填字游戏和数独在数独测试中，GPT-4V识别了游戏，但误解了棋盘的结构，因此返回了不准确的结果。顺带提一句，ChatGPT联网功能又回来了。参考资料：https://twitter.com/skirano/status/1706853658523005378https://twitter.com/emollick/status/1707076651320770870https://twitter.com/search?q=GPT-4V&src=trend_click&vertical=trends