{"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\/es\/2024\/07\/salesforce-challenges-trends-in-ai-with-the-tiny-yet-mighty-xlam-1b-model\/","title":{"rendered":"Salesforce desaf\u00eda las tendencias en IA con los diminutos pero poderosos modelos xLAM-1B y 7B"},"content":{"rendered":"

Salesforce, empresa de software empresarial, ha presentado dos modelos compactos de IA que desaf\u00edan el paradigma de \"m\u00e1s grande es mejor\" en IA.\u00a0<\/strong><\/p>\n

A pesar de su tama\u00f1o compacto, los modelos xLAM de 1 y 7 mil millones de par\u00e1metros superan a muchos modelos m\u00e1s grandes en tareas de llamada de funciones.<\/p>\n

Estas tareas implican que un sistema de IA interprete y traduzca una petici\u00f3n en lenguaje natural en llamadas a funciones espec\u00edficas o solicitudes de API.\u00a0<\/span><\/p>\n

Por ejemplo, si se pide a un sistema de IA que \"encuentre vuelos a Nueva York para el pr\u00f3ximo fin de semana por debajo de $500\", el modelo tiene que entender esta petici\u00f3n, identificar las funciones pertinentes (por ejemplo, search_flights, filter_by_price) y ejecutarlas con los par\u00e1metros correctos.<\/span><\/p>\n

\"Demostramos que los modelos entrenados con nuestros conjuntos de datos curados, incluso con s\u00f3lo 7B par\u00e1metros, pueden alcanzar un rendimiento puntero en el Berkeley Function-Calling Benchmark, superando a m\u00faltiples modelos GPT-4\", escriben los investigadores en su art\u00edculo.\u00a0<\/span><\/p>\n

\"Adem\u00e1s, nuestro modelo 1B alcanza un rendimiento excepcional, superando a GPT-3.5-Turbo y Claude-3 Haiku\".<\/span><\/p>\n

En <\/span>Prueba comparativa de llamadas a funciones de Berkeley<\/span><\/a>al que se hace referencia en el estudio, es un marco de evaluaci\u00f3n dise\u00f1ado para valorar las capacidades de llamada de funciones de los modelos de IA.\u00a0<\/span><\/p>\n

Estad\u00edsticas clave del estudio incluyen<\/a>:<\/span><\/p>\n

    \n
  1. El modelo xLAM-7B (7.000 millones de par\u00e1metros) ocupa el sexto lugar en la clasificaci\u00f3n de Berkeley de llamadas a funciones, superando a GPT-4 y Gemini-1.5-Pro.<\/span><\/li>\n
  2. El modelo xLAM-1B, m\u00e1s peque\u00f1o, super\u00f3 a modelos m\u00e1s grandes como Claude-3 Haiku y GPT-3.5-Turbo, demostrando una eficiencia excepcional.<\/span><\/li>\n<\/ol>\n

    Lo que hace que este logro sea especialmente impresionante es el tama\u00f1o del modelo en comparaci\u00f3n con sus competidores:<\/span><\/p>\n

      \n
    • xLAM-1B<\/b>: 1.000 millones de par\u00e1metros<\/span><\/li>\n
    • xLAM-7B<\/b>: 7.000 millones de par\u00e1metros<\/span><\/li>\n
    • GPT-3<\/strong>: 175.000 millones de par\u00e1metros<\/span><\/li>\n
    • GPT-4<\/b>: Estimaci\u00f3n de 1,7 billones de par\u00e1metros<\/span><\/li>\n
    • Claude-3 Opus<\/b>: No revelado, pero probablemente cientos de miles de millones.<\/span><\/li>\n
    • G\u00e9minis Ultra<\/b>: No revelado, estimado similar a GPT-4<\/span><\/li>\n<\/ul>\n

      Esto demuestra que un dise\u00f1o eficiente y unos datos de entrenamiento de alta calidad pueden ser m\u00e1s importantes que el tama\u00f1o.\u00a0<\/span><\/p>\n

      \n

      Conozca a Salesforce Einstein \"Tiny Giant\". Nuestro modelo xLAM-1B de 1B par\u00e1metros es ahora el mejor micromodelo para la llamada a funciones, superando a modelos 7 veces m\u00e1s grandes, incluidos GPT-3.5 & Claude<\/span><\/span><\/span><\/span><\/span>. La inteligencia artificial en los dispositivos ya est\u00e1 aqu\u00ed. Enhorabuena a Salesforce Research.<\/p>\n

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

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