Новости

Технические лидеры, работающие с большими языковыми моделями (LLM), делятся важными уроками, извлеченными за год эксплуатации. Основные проблемы включают ухудшение качества моделей, рост затрат и необходимость постоянного внимания к безопасности.

Исследователи из Университета Чжэцзян разработали новый метод агрегации для федеративного обучения, названный FedMcon, который значительно улучшает скорость и качество обучения моделей на распределенных данных.

В 2025 году инструменты оценки больших языковых моделей (LLM) становятся ключевыми для обеспечения их качества и надежности. Они помогают организациям анализировать и улучшать модели, что особенно важно в условиях их растущей сложности и применения.

Качество моделей генеративного ИИ на неанглийских языках значительно ниже, чем у англоязычных аналогов. Это приводит к недостатку прозрачности в данных и завышенным ценам. Компании должны требовать снижения цен и большей открытости от разработчиков.

В 2025 году некоторые проекты в области корпоративного ИИ могут показать результаты, но существует множество подводных камней. Рассмотрим пять основных ошибок, которые совершают поставщики ИИ в своих стратегиях.

Методы увеличения данных варьируются от ручных, специфичных для области, до автоматизированных решений с использованием обучения с подкреплением. Рассматриваются такие подходы, как Cutout, AutoAugment и Mixup, их преимущества и ограничения, особенно в задачах регрессии.

Endor Labs представила Endor Scores для AI-моделей, позволяющую оценивать безопасность и качество моделей на Hugging Face по 50 критериям.

В новом посте обсуждаются вызовы масштабируемости и решения в области конфиденциального федеративного обучения, а также влияние распределения данных на производительность систем.

Современные AI-модели, такие как ChatGPT, становятся умнее благодаря специализированным человеческим тренерам, обладающим глубокими знаниями в различных областях.