{"id":13305,"date":"2024-07-07T11:42:34","date_gmt":"2024-07-07T11:42:34","guid":{"rendered":"https:\/\/dailyai.com\/?p=13305"},"modified":"2024-07-10T16:47:36","modified_gmt":"2024-07-10T16:47:36","slug":"salesforce-challenges-trends-in-ai-with-the-tiny-yet-mighty-xlam-1b-model","status":"publish","type":"post","link":"https:\/\/dailyai.com\/da\/2024\/07\/salesforce-challenges-trends-in-ai-with-the-tiny-yet-mighty-xlam-1b-model\/","title":{"rendered":"Salesforce udfordrer trends inden for AI med de sm\u00e5, men m\u00e6gtige xLAM-1B- og 7B-modeller"},"content":{"rendered":"

Salesforce, en virksomhedssoftwarevirksomhed, har afsl\u00f8ret to kompakte AI-modeller, der udfordrer \"st\u00f8rre er bedre\"-paradigmet inden for AI.\u00a0<\/strong><\/p>\n

P\u00e5 trods af deres kompakte st\u00f8rrelse klarer xLAM-modellerne med 1 og 7 milliarder parametre sig bedre end mange st\u00f8rre modeller i opgaver med funktionsopkald.<\/p>\n

Disse opgaver involverer et AI-system, der fortolker og overs\u00e6tter en anmodning p\u00e5 naturligt sprog til specifikke funktionskald eller API-anmodninger.\u00a0<\/span><\/p>\n

Hvis du f.eks. beder et AI-system om at \"finde fly til New York i n\u00e6ste weekend under $500\", skal modellen forst\u00e5 denne anmodning, identificere de relevante funktioner (f.eks. search_flights, filter_by_price) og udf\u00f8re dem med de korrekte parametre.<\/span><\/p>\n

\"Vi viser, at modeller, der er tr\u00e6net med vores kuraterede datas\u00e6t, selv med kun 7B parametre, kan opn\u00e5 state-of-the-art performance p\u00e5 Berkeley Function-Calling Benchmark og overg\u00e5 flere GPT-4-modeller\", skriver forskerne i deres artikel.\u00a0<\/span><\/p>\n

\"Desuden opn\u00e5r vores 1B-model en enest\u00e5ende ydeevne, der overg\u00e5r GPT-3.5-Turbo og Claude-3 Haiku.\"<\/span><\/p>\n

Den <\/span>Berkeley-benchmark for funktionskald<\/span><\/a>som der henvises til i unders\u00f8gelsen, er en evalueringsramme, der er designet til at vurdere AI-modellers evne til at kalde funktioner.\u00a0<\/span><\/p>\n

Vigtige statistikker fra unders\u00f8gelsen omfatter<\/a>:<\/span><\/p>\n

    \n
  1. xLAM-7B-modellen (7 milliarder parametre) blev nummer 6 p\u00e5 Berkeley Function-Calling Leaderboard og klarede sig bedre end GPT-4 og Gemini-1.5-Pro.<\/span><\/li>\n
  2. Den mindre xLAM-1B-model udkonkurrerede st\u00f8rre modeller som Claude-3 Haiku og GPT-3.5-Turbo og demonstrerede enest\u00e5ende effektivitet.<\/span><\/li>\n<\/ol>\n

    Det, der g\u00f8r denne pr\u00e6station s\u00e6rligt imponerende, er modellens st\u00f8rrelse i forhold til konkurrenterne:<\/span><\/p>\n

      \n
    • xLAM-1B<\/b>: 1 milliard parametre<\/span><\/li>\n
    • xLAM-7B<\/b>: 7 milliarder parametre<\/span><\/li>\n
    • GPT-3<\/strong>: 175 milliarder parametre<\/span><\/li>\n
    • GPT-4<\/b>: Ansl\u00e5et 1,7 billioner parametre<\/span><\/li>\n
    • Claude-3 Opus<\/b>: Ikke oplyst, men sandsynligvis hundredvis af milliarder<\/span><\/li>\n
    • Gemini Ultra<\/b>: Ikke oplyst, ansl\u00e5s at svare til GPT-4<\/span><\/li>\n<\/ul>\n

      Det viser, at effektivt design og tr\u00e6ningsdata af h\u00f8j kvalitet kan v\u00e6re vigtigere end blot st\u00f8rrelsen.\u00a0<\/span><\/p>\n

      \n

      M\u00f8d Salesforce Einsteins \"lille k\u00e6mpe\". Vores 1B-parametermodel xLAM-1B er nu den bedste mikromodel til funktionskald og overg\u00e5r modeller, der er 7 gange st\u00f8rre end den, herunder GPT-3.5 og Claude<\/span><\/span><\/span><\/span><\/span>. Agentisk AI p\u00e5 enheden er her. Tillykke til Salesforce Research!<\/p>\n

      Papir: https:\/\/t.co\/SrntYvgxR5<\/a>... pic.twitter.com\/pPgIzk82xT<\/a><\/p>\n

      - Marc Benioff (@Benioff) 3. juli 2024<\/a><\/p><\/blockquote>\n