A família de modelos Yi recebeu uma atualização significativa, agora superando os benchmarks do LLAMA-3. A melhor parte? Esses modelos são lançados sob a licença Apache 2.0, permitindo o uso comercial sem limitações.

A série Yi-1.5 inclui três modelos: uma versão de 6 bilhões, 9 bilhões e 34 bilhões de parâmetros. Todos foram atualizados a partir dos modelos Yi originais e foram treinados em até 4,1 trilhões de tokens. Embora a janela de contexto seja limitada a 4.000 tokens, os modelos podem potencialmente se expandir nesse aspecto no futuro.

O modelo de 9 bilhões de parâmetros supera seus pares, enquanto a versão de 34 bilhões iguala ou até mesmo supera o modelo LLAMA-370 bilhões em desempenho. Além dos benchmarks, os modelos Yi-1.5 demonstram fortes capacidades em programação, raciocínio matemático e seguimento de instruções.

Para testar os modelos, a versão de 34 bilhões está disponível no Hugging Face, e a versão de 9 bilhões pode ser executada localmente. Os modelos exibem impressionantes habilidades de raciocínio, lidando com cenários complexos e mantendo o contexto ao longo das conversas.

Em termos de programação, os modelos Yi-1.5 podem identificar e corrigir erros em programas simples em Python. Eles também podem gerar código para tarefas como downloads de arquivos de buckets S3 e criar páginas da web interativas com funcionalidade dinâmica.

Embora os modelos tenham algumas limitações, como a janela de contexto fixa, a série Yi-1.5 representa um avanço significativo nos modelos de linguagem de grande porte. Com sua licença Apache 2.0, esses modelos oferecem uma oportunidade emocionante para aplicações comerciais e desenvolvimento adicional.

O modelo demonstra uma abordagem nuançada para tópicos sensíveis, fornecendo informações educacionais quando perguntado sobre atividades potencialmente ilegais, evitando endosso direto. Ele mostra criatividade na geração de piadas, embora a qualidade seja variável. O modelo também exibe fortes habilidades de raciocínio e resolução de problemas, como evidenciado por suas respostas passo a passo a quebra-cabeças lógicos complexos. No entanto, ele tem dificuldade em manter um modelo mental completo ao lidar com múltiplos cenários em rápida mudança.

As capacidades de programação e matemática do modelo são impressionantes, identificando com precisão erros em amostras de código e resolvendo problemas matemáticos. Sua capacidade de recuperar e resumir informações de contextos fornecidos sugere potencial para uso em tarefas de assistente de pesquisa.

Em geral, o modelo exibe um equilíbrio de capacidades, com pontos fortes em raciocínio, programação e matemática, mas limitações na manutenção da consciência contextual e na geração de conteúdo verdadeiramente novo. O desenvolvimento adicional da janela de contexto do modelo e o treinamento em conjuntos de dados mais diversos poderiam ajudar a abordar essas áreas de melhoria.

A família de modelos YE demonstrou impressionantes capacidades de raciocínio lógico e resolução de problemas. Os modelos foram capazes de navegar por cenários complexos e fornecer raciocínio passo a passo para chegar a conclusões precisas.

Quando apresentado com uma pergunta sobre o número de irmãos de uma personagem chamada Sally, o modelo analisou cuidadosamente as informações fornecidas e reconheceu a falta de detalhes suficientes para determinar a resposta. Em seguida, percorreu os possíveis cenários, considerando os relacionamentos entre os personagens, para chegar à resposta correta.

Da mesma forma, o modelo exibiu fortes habilidades de raciocínio dedutivo quando apresentado a uma narrativa sobre duas pessoas com fome. Ele deduziu logicamente que a segunda pessoa, Daniel, provavelmente também iria à cozinha em busca de comida, assim como John havia feito.

A capacidade do modelo de acompanhar e lembrar múltiplas peças de informação também foi testada, com resultados mistos. Embora tenha sido capaz de acompanhar com precisão a sequência de eventos em alguns casos, ele teve dificuldade em manter um modelo mental completo em cenários mais complexos, esquecendo ocasionalmente detalhes anteriores.

O desempenho do modelo em problemas matemáticos foi impressionante, demonstrando a capacidade de resolver com precisão uma variedade de cálculos, desde aritmética simples até expressões mais complexas. Isso sugere fortes capacidades de raciocínio numérico.

Adicionalmente, o modelo foi capaz de recuperar e resumir efetivamente informações de um contexto fornecido, demonstrando seu potencial de uso em tarefas de pesquisa e resposta a perguntas. Ele reconheceu o contexto, demonstrou compreensão e forneceu respostas precisas a perguntas de acompanhamento.

Em geral, a família de modelos YE exibiu uma base sólida em raciocínio lógico e resolução de problemas, com potencial para melhorias adicionais e expansão de suas capacidades.

O modelo demonstra impressionantes capacidades matemáticas, resolvendo com precisão uma variedade de problemas. Quando solicitado a calcular a probabilidade de retirar uma bola azul de um saco contendo 5 bolas vermelhas, 3 bolas azuis e 2 bolas verdes, o modelo determinou corretamente a probabilidade adicionando o número total de bolas (10) e dividindo o número de bolas azuis (3) pelo total. Ele também lidou facilmente com operações aritméticas simples como 3 + 100 e expressões mais complexas como 3x100x3 + 50x2.

A capacidade do modelo de recuperar informações de um contexto fornecido também é notável. Quando apresentado a um artigo científico hipotético sobre polímeros sintéticos, o modelo foi capaz de resumir com precisão o contexto e responder a perguntas de acompanhamento com base nas informações fornecidas. Isso sugere que o modelo poderia ser útil para tarefas como resposta a perguntas e geração com recuperação de informações.

Adicionalmente, o modelo demonstrou competência em identificar e corrigir erros em um programa simples em Python, evidenciando suas habilidades de programação. Ele foi capaz de identificar e corrigir múltiplos problemas no código fornecido, indicando um potencial uso para revisão e depuração de código.

Em geral, o forte desempenho do modelo em tarefas matemáticas, recuperação de informações e programação destaca sua versatilidade e a amplitude de suas capacidades.

O modelo demonstrou fortes capacidades de programação ao identificar e corrigir com sucesso erros em um programa Python fornecido. Quando apresentado a um script Python simples contendo alguns bugs, o modelo foi capaz de identificar os problemas específicos e sugerir as correções apropriadas.

A capacidade do modelo de entender construções e sintaxe básicas de programação permitiu que ele diagnosticasse com precisão os problemas no código. Ele destacou os nomes de variáveis incorretos, as definições de função ausentes e outros erros lógicos, fornecendo explicações claras para cada problema.

Alémdisso, o modelo foi capaz de gerar o código corrigido, garantindo que o programa funcionasse conforme o esperado. Isso demonstra a proficiência do modelo em traduzir seu entendimento de conceitos de programação em soluções práticas.

Embora o desempenho do modelo em uma tarefa de programação mais complexa, como escrever uma função Python para fazer o download de arquivos de um bucket S3, também tenha sido satisfatório, ele exibiu algumas limitações na geração de uma solução totalmente funcional. Isso sugere que as habilidades de programação do modelo, embora impressionantes, ainda podem ter espaço para melhoria, especialmente ao lidar com desafios de programação mais intrincados.

Em geral, a forte competência em programação do modelo, demonstrada por sua capacidade de identificar e corrigir erros de código, destaca seu potencial de utilidade em desenvolvimento de software e tarefas relacionadas à programação.

Aqui está o corpo da seção:

O modelo foi capaz de gerar uma página da web HTML simples com um botão que muda a cor de fundo e exibe uma piada aleatória. O código é o seguinte:

<!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>

Os principais recursos desta página da web são:

1. Um botão que, quando clicado, muda a cor de fundo da página para uma cor aleatória e exibe uma piada aleatória.
2. A função changeBackgroundColor() gera um código de cor hexadecimal aleatório e o aplica ao plano de fundo do corpo.
3. A função getRandomJoke() seleciona uma piada aleatória de uma matriz predefinida e a exibe na página.
4. A estrutura HTML inclui um botão e um elemento de parágrafo para exibir a piada.
5. O CSS estiliza o botão e o layout da página.

Embora o gerador de números aleatórios para as piadas não pareça estar funcionando corretamente, a funcionalidade geral da página da web é implementada conforme o esperado.

A nova família de modelos YE da 01 AI representa uma atualização significativa, superando muitos modelos de linguagem de grande porte existentes em vários benchmarks. Os principais destaques deste lançamento incluem:

• Três tamanhos de modelo disponíveis: 6 bilhões, 9 bilhões e 34 bilhões de parâmetros, todos sob a licença Apache 2.0 para uso comercial.
• Desempenho impressionante, com a versão de 34 bilhões rivalizando as capacidades do maior modelo GPT-4.
• Forte desempenho em áreas como programação, raciocínio matemático e seguimento de instruções.
• Limitações na janela de contexto atual de 4.000 tokens, mas o potencial de expansão disso em versões futuras.
• Disponibilidade do modelo de 34 bilhões no Hugging Face para testes e avaliação.

Em geral, os modelos YE demonstram o progresso contínuo no desenvolvimento de modelos de linguagem de grande porte, fornecendo uma alternativa convincente a outros modelos proeminentes como o GPT-3 e o LLaMA. Embora sejam necessários mais testes e comparações, este lançamento da 01 AI é um desenvolvimento emocionante no campo de modelos de linguagem de alto desempenho e de código aberto.