{"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\/sv\/2024\/07\/salesforce-challenges-trends-in-ai-with-the-tiny-yet-mighty-xlam-1b-model\/","title":{"rendered":"Salesforce utmanar trender inom AI med de sm\u00e5 men m\u00e4ktiga modellerna xLAM-1B och 7B"},"content":{"rendered":"

Salesforce, ett mjukvaruf\u00f6retag f\u00f6r f\u00f6retag, har presenterat tv\u00e5 kompakta AI-modeller som utmanar \"st\u00f6rre \u00e4r b\u00e4ttre\"-paradigmet inom AI.\u00a0<\/strong><\/p>\n

Trots sin kompakta storlek \u00f6vertr\u00e4ffar xLAM-modellerna med 1 och 7 miljarder parametrar m\u00e5nga st\u00f6rre modeller i uppgifter som r\u00f6r funktionskallning.<\/p>\n

Dessa uppgifter inneb\u00e4r att ett AI-system tolkar och \u00f6vers\u00e4tter en f\u00f6rfr\u00e5gan p\u00e5 naturligt spr\u00e5k till specifika funktionsanrop eller API-f\u00f6rfr\u00e5gningar.\u00a0<\/span><\/p>\n

Om du till exempel ber ett AI-system att \"hitta flyg till New York f\u00f6r n\u00e4sta helg under $500\" m\u00e5ste modellen f\u00f6rst\u00e5 denna beg\u00e4ran, identifiera de relevanta funktionerna (t.ex. search_flights, filter_by_price) och utf\u00f6ra dem med r\u00e4tt parametrar.<\/span><\/p>\n

\"Vi visar att modeller som tr\u00e4nats med v\u00e5ra sammanst\u00e4llda dataset, \u00e4ven med bara 7B parametrar, kan uppn\u00e5 topprestanda p\u00e5 Berkeley Function-Calling Benchmark och \u00f6vertr\u00e4ffa flera GPT-4-modeller\", skriver forskarna i sin artikel.\u00a0<\/span><\/p>\n

\"Dessutom uppn\u00e5r v\u00e5r 1B-modell exceptionella prestanda och \u00f6vertr\u00e4ffar GPT-3.5-Turbo och Claude-3 Haiku.\"<\/span><\/p>\n

Den <\/span>Berkeley Benchmark f\u00f6r funktionsuppringning<\/span><\/a>som refereras till i studien, \u00e4r ett utv\u00e4rderingsramverk som utformats f\u00f6r att bed\u00f6ma AI-modellers f\u00f6rm\u00e5ga att kalla p\u00e5 funktioner.\u00a0<\/span><\/p>\n

Nyckelstatistik fr\u00e5n studien omfattar<\/a>:<\/span><\/p>\n

    \n
  1. xLAM-7B-modellen (7 miljarder parametrar) rankades p\u00e5 6:e plats p\u00e5 Berkeley Function-Calling Leaderboard och \u00f6vertr\u00e4ffade GPT-4 och Gemini-1.5-Pro.<\/span><\/li>\n
  2. Den mindre xLAM-1B-modellen \u00f6vertr\u00e4ffade st\u00f6rre modeller som Claude-3 Haiku och GPT-3.5-Turbo, vilket visar p\u00e5 en exceptionell effektivitet.<\/span><\/li>\n<\/ol>\n

    Det som g\u00f6r denna prestation s\u00e4rskilt imponerande \u00e4r modellens storlek j\u00e4mf\u00f6rt med konkurrenterna:<\/span><\/p>\n

      \n
    • xLAM-1B<\/b>: 1 miljard parametrar<\/span><\/li>\n
    • xLAM-7B<\/b>: 7 miljarder parametrar<\/span><\/li>\n
    • GPT-3<\/strong>: 175 miljarder parametrar<\/span><\/li>\n
    • GPT-4<\/b>: Uppskattningsvis 1,7 biljoner parametrar<\/span><\/li>\n
    • Claude-3 Opus<\/b>: Ok\u00e4nt, men sannolikt hundratals miljarder<\/span><\/li>\n
    • Gemini Ultra<\/b>: Ok\u00e4nd, uppskattas likna GPT-4<\/span><\/li>\n<\/ul>\n

      Detta visar att effektiv design och h\u00f6gkvalitativa tr\u00e4ningsdata kan vara viktigare \u00e4n ren storlek.\u00a0<\/span><\/p>\n

      \n

      M\u00f6t Salesforce Einstein \"Tiny Giant\". V\u00e5r 1B-parametermodell xLAM-1B \u00e4r nu den b\u00e4sta mikromodellen f\u00f6r funktionsanrop och \u00f6vertr\u00e4ffar modeller som \u00e4r 7 g\u00e5nger st\u00f6rre \u00e4n den, inklusive GPT-3.5 & Claude<\/span><\/span><\/span><\/span><\/span>. Agentisk AI p\u00e5 enheten \u00e4r h\u00e4r. Grattis Salesforce Research!<\/p>\n

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

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