La famille de modèles Yi a reçu une mise à niveau importante, surpassant désormais les références de LLAMA-3. Le meilleur ? Ces modèles sont publiés sous la licence Apache 2.0, permettant une utilisation commerciale sans limitations.

La série Yi-1.5 comprend trois modèles : une version de 6 milliards, 9 milliards et 34 milliards de paramètres. Tous sont améliorés par rapport aux modèles Yi d'origine et ont été entraînés sur jusqu'à 4,1 billions de jetons. Bien que la fenêtre de contexte soit limitée à 4 000 jetons, les modèles peuvent potentiellement s'étendre sur ce point à l'avenir.

Le modèle de 9 milliards de paramètres surpasse ses pairs, tandis que la version de 34 milliards correspond ou dépasse même les performances du modèle LLAMA-370 milliards. Au-delà des références, les modèles Yi-1.5 démontrent de solides capacités en programmation, en raisonnement mathématique et en suivi d'instructions.

Pour tester les modèles, la version de 34 milliards est disponible sur Hugging Face, et la version de 9 milliards peut être exécutée localement. Les modèles font preuve de capacités de raisonnement impressionnantes, gérant des scénarios complexes et maintenant le contexte tout au long des conversations.

En termes de programmation, les modèles Yi-1.5 peuvent identifier et corriger les erreurs dans de simples programmes Python. Ils peuvent également générer du code pour des tâches telles que le téléchargement de fichiers à partir de compartiments S3 et la création de pages Web interactives avec une fonctionnalité dynamique.

Bien que les modèles aient certaines limites, comme la fenêtre de contexte fixe, la série Yi-1.5 représente une avancée significative dans les modèles de langage de grande taille. Avec leur licence Apache 2.0, ces modèles offrent une opportunité passionnante pour les applications commerciales et le développement futur.

Le modèle démontre une approche nuancée des sujets sensibles, en fournissant des informations éducatives lorsqu'on lui demande des activités potentiellement illégales, tout en évitant l'approbation directe. Il fait preuve de créativité dans la génération de blagues, bien que la qualité soit variable. Le modèle montre également de solides capacités de raisonnement et de résolution de problèmes, comme en témoignent ses réponses étape par étape à des casse-têtes logiques complexes. Cependant, il a du mal à maintenir un modèle mental complet lorsqu'il est confronté à plusieurs scénarios qui changent rapidement.

Les capacités de programmation et de mathématiques du modèle sont impressionnantes, identifiant avec précision les erreurs dans les échantillons de code et résolvant des problèmes mathématiques. Sa capacité à récupérer et à résumer les informations à partir de contextes fournis suggère un potentiel d'utilisation dans des tâches d'assistant de recherche.

Dans l'ensemble, le modèle présente un équilibre de capacités, avec des points forts en raisonnement, en programmation et en mathématiques, mais des limites dans le maintien de la conscience contextuelle et la génération de contenu véritablement nouveau. Un développement ultérieur de la fenêtre de contexte du modèle et un entraînement sur des ensembles de données plus diversifiés pourraient aider à combler ces domaines d'amélioration.

La famille de modèles YE a démontré des capacités impressionnantes de raisonnement logique et de résolution de problèmes. Les modèles ont été en mesure de naviguer dans des scénarios complexes et de fournir un raisonnement étape par étape pour arriver à des conclusions précises.

Lorsqu'on lui a posé une question sur le nombre de frères et sœurs d'un personnage nommé Sally, le modèle a soigneusement analysé les informations fournies et reconnu le manque de détails suffisants pour déterminer la réponse. Il a ensuite passé en revue les scénarios possibles, en tenant compte des relations entre les personnages, pour arriver à la réponse correcte.

De même, le modèle a fait preuve de solides capacités de raisonnement déductif lorsqu'on lui a présenté un récit sur deux personnes affamées. Il a logiquement déduit que la deuxième personne, Daniel, se dirigerait probablement également vers la cuisine à la recherche de nourriture, tout comme John l'avait fait.

La capacité du modèle à suivre et à se rappeler plusieurs éléments d'information a également été testée, avec des résultats mitigés. S'il a pu suivre avec précision la séquence des événements dans certains cas, il a eu du mal à maintenir un modèle mental complet dans des scénarios plus complexes, oubliant parfois les détails antérieurs.

Les performances du modèle sur les problèmes mathématiques ont été impressionnantes, démontrant la capacité à résoudre avec précision une variété de calculs, de l'arithmétique simple aux expressions plus complexes. Cela suggère de solides capacités de raisonnement numérique.

En outre, le modèle a pu récupérer et résumer efficacement les informations à partir d'un contexte fourni, montrant son potentiel pour une utilisation dans des tâches de recherche et de questions-réponses. Il a reconnu le contexte, a démontré sa compréhension et a fourni des réponses précises aux questions de suivi.

Dans l'ensemble, la famille de modèles YE a fait preuve d'une base solide en matière de raisonnement logique et de résolution de problèmes, avec un potentiel d'amélioration et d'expansion de ses capacités.

Le modèle démontre des capacités mathématiques impressionnantes, résolvant avec précision une variété de problèmes. Lorsqu'on lui a demandé de calculer la probabilité de tirer une bille bleue d'un sac contenant 5 billes rouges, 3 billes bleues et 2 billes vertes, le modèle a correctement déterminé la probabilité en ajoutant le nombre total de billes (10) et en divisant le nombre de billes bleues (3) par le total. Il a également facilement géré des opérations arithmétiques simples comme 3 + 100 et des expressions plus complexes comme 3x100x3 + 50x2.

La capacité du modèle à récupérer des informations à partir d'un contexte fourni est également remarquable. Lorsqu'on lui a donné un article scientifique hypothétique sur les polys synthétiques, le modèle a pu résumer avec précision le contexte et répondre aux questions de suivi en fonction des informations fournies. Cela suggère que le modèle pourrait être utile pour des tâches comme les questions-réponses et la génération augmentée par la récupération.

En outre, le modèle a démontré sa compétence dans l'identification et la correction d'erreurs dans un simple programme Python, montrant ses capacités de programmation. Il a pu identifier et corriger plusieurs problèmes dans le code fourni, indiquant une utilité potentielle pour les tâches de révision et de débogage de code.

Dans l'ensemble, les performances solides du modèle en mathématiques, en récupération d'informations et en tâches de programmation soulignent sa polyvalence et l'étendue de ses capacités.

Le modèle a démontré de solides capacités de programmation en identifiant et en corrigeant avec succès les erreurs dans un programme Python fourni. Lorsqu'on lui a présenté un simple script Python contenant quelques bogues, le modèle a pu identifier les problèmes spécifiques et suggérer les corrections appropriées.

La capacité du modèle à comprendre les constructions et la syntaxe de base de la programmation lui a permis de diagnostiquer avec précision les problèmes dans le code. Il a mis en évidence les noms de variables incorrects, les définitions de fonctions manquantes et d'autres erreurs logiques, en fournissant des explications claires pour chaque problème.

En outre, le modèle a pu générer le code corrigé, s'assurant que le programme fonctionne comme prévu. Cela démontre la compétence du modèle à traduire sa compréhension des concepts de programmation en solutions pratiques.

Bien que les performances du modèle sur une tâche de programmation plus complexe, comme l'écriture d'une fonction Python pour télécharger des fichiers à partir d'un compartiment S3, aient également été satisfaisantes, il a montré certaines limites dans la génération d'une solution entièrement fonctionnelle. Cela suggère que les capacités de programmation du modèle, bien qu'impressionnantes, peuvent encore s'améliorer, notamment lorsqu'il s'agit de relever des défis de programmation plus complexes.

Dans l'ensemble, la forte compétence en programmation du modèle, démontrée par sa capacité à identifier et à corriger les erreurs de code, met en évidence son utilité potentielle dans le développement de logiciels et les tâches liées à la programmation.

Voici le corps de la section :

Le modèle a pu générer une simple page Web HTML avec un bouton qui change la couleur de fond et affiche une blague aléatoire. Le code est le suivant :

<!DOCTYPE html>
<html>
<head>
  <title>Random Joke Generator</title>
  <style>
    body {
      font-family: Arial, sans-serif;
      text-align: center;
      padding: 20px;
    }
    button {
      padding: 10px 20px;
      font-size: 16px;
      background-color: #4CAF50;
      color: white;
      border: none;
      cursor: pointer;
    }
  </style>
</head>
<body>
  <h1>Random Joke Generator</h1>
  <button onclick="changeBackgroundColor(); getRandomJoke();">Click me for a joke!</button>
  <p id="joke">Joke goes here</p>

  <script>
    function changeBackgroundColor() {
      var randomColor = '#' + Math.floor(Math.random() * 16777215).toString(16);
      document.body.style.backgroundColor = randomColor;
    }

    function getRandomJoke() {
      // Code to fetch a random joke from an API and display it
      var jokes = [
        "Why don't scientists trust atoms? Because they make up everything.",
        "What do you call a fake noodle? An Impasta.",
        "Why can't a bicycle stand up by itself? It's two-tired."
      ];
      var randomIndex = Math.floor(Math.random() * jokes.length);
      document.getElementById("joke").textContent = jokes[randomIndex];
    }
  </script>
</body>
</html>

Les principales caractéristiques de cette page Web sont :

1. Un bouton qui, lorsqu'il est cliqué, change la couleur de fond de la page en une couleur aléatoire et affiche une blague aléatoire.
2. La fonction changeBackgroundColor() génère un code de couleur hexadécimal aléatoire et l'applique à l'arrière-plan du corps.
3. La fonction getRandomJoke() sélectionne une blague aléatoire dans un tableau prédéfini et l'affiche sur la page.
4. La structure HTML comprend un bouton et un élément de paragraphe pour afficher la blague.
5. Le CSS met en forme le bouton et la mise en page de la page.

Bien que le générateur de nombres aléatoires pour les blagues ne semble pas fonctionner correctement, la fonctionnalité globale de la page Web est mise en œuvre comme prévu.

La nouvelle famille de modèles YE de 01 AI représente une mise à niveau importante, surpassant de nombreux modèles de langage existants sur diverses références. Les points clés de cette version incluent :

• Trois tailles de modèles disponibles : 6 milliards, 9 milliards et 34 milliards de paramètres, tous sous la licence Apache 2.0 pour une utilisation commerciale.
• Des performances impressionnantes, avec la version de 34 milliards rivalisant avec les capacités du modèle GPT-4 plus important.
• De solides performances dans des domaines comme la programmation, le raisonnement mathématique et le suivi d'instructions.
• Des limites dans la fenêtre de contexte actuelle de 4 000 jetons, mais le potentiel de l'étendre dans les versions futures.
• Disponibilité du modèle de 34 milliards sur Hugging Face pour les tests et l'évaluation.

Dans l'ensemble, les modèles YE démontrent les progrès continus dans le développement des modèles de langage de grande taille, offrant une alternative convaincante à d'autres modèles importants comme GPT-3 et LLaMA. Bien que des tests et des comparaisons supplémentaires soient nécessaires, cette version de 01 AI est un développement passionnant dans le domaine des modèles de langage open source à hautes performances.