-
AI Pontosság: A Fenyegetések Hatása a Teljesítményre
A mesterséges intelligencia fejlődése és az ahhoz kapcsolódó stratégiák egyre nagyobb figyelmet kapnak a szakmai közéletben. Az utóbbi időben számos érdekes megközelítést vizsgáltak, köztük azt is, hogy a mesterséges intelligencia modellek teljesítménye hogyan reagálhat a különböző típusú ösztönzőkre, mint például a fenyegetések vagy a juttatások. Az egyik legérdekesebb állítást Sergey Brin, a Google társalapítója fogalmazta meg, aki azt javasolta, hogy a fenyegetések hasznosak lehetnek a mesterséges intelligencia teljesítményének javításában. Módszerek és kísérletek A Pennsylvaniai Egyetem Wharton Iskolájának kutatói különböző módszereket teszteltek, hogy megállapítsák, a fenyegetések és a jutalmak milyen hatással vannak az AI teljesítményére. A kutatás során 198 kérdésből álló PhD szintű tesztet használtak, amelyet különböző modelleken próbáltak ki. A…
-
OpenAI Nyílt Forráskódú Modelljei: Miért Olyan Fontosak?
OpenAI legújabb fejlesztése, hogy két új, nyílt forráskódú nyelvi modellt mutatott be, amelyek az Apache 2.0 licenc alatt érhetők el. Ezek a modellek kifejezetten azzal a céllal készültek, hogy kiemelkedő teljesítményt nyújtsanak a valós világban, miközben a felhasználók által is elérhető hardvereken futtathatók. Különösen figyelemre méltó, hogy az egyik modell képes működni egy csúcsminőségű laptopon mindössze 16 GB GPU-val. Valós teljesítmény, alacsony költséggel A bemutatott modellek közül a gpt-oss-120b 117 milliárd paraméterrel bír, míg a gpt-oss-20b 21 milliárd paramétert tartalmaz. Az előbbi a valóságban hasonló teljesítményt nyújt, mint az OpenAI o4-mini modellje, miközben mindössze egy 80 GB-os GPU-ra van szüksége. A kisebb, gpt-oss-20b modell szintén hasonlóan teljesít, mint az o3-mini,…
-
AI Teljesítmény: Működik-e a Fenyegetés mint Prompt Stratégia?
A mesterséges intelligencia (MI) teljesítményének javítása érdekében a kutatók nemrégiben szokatlan módszereket teszteltek, amelyek közé tartozott a fenyegetés is, ahogy azt Sergey Brin, a Google társalapítója javasolta. A kutatás célja az volt, hogy megvizsgálják, vajon ezek az alternatív megközelítések valóban javítják-e az MI válaszainak pontosságát. Az eredmények vegyesek lettek: egyes esetekben akár 36%-os javulást is tapasztaltak, de figyelmeztettek arra, hogy az ilyen módszerek eredményei kiszámíthatatlanok lehetnek. A kutatók és a módszertan A kutatást a Pennsylvani Egyetem Wharton Iskolájának kutatói végezték. Ők Lennart Meincke, Ethan R. Mollick, Lilach Mollick és Dan Shapiro voltak. A kutatás során a kutatók két, széles körben használt tesztet alkalmaztak: a GPQA Diamond-ot és az MMLU-Pro-t, amelyek…
