社区音量

全部内容 · 按时间倒序

AI 领域头部人物在 X 上的最新观点

Paul Graham@paulg
291 赞 · 14 转发 ·
这个问题足够大,以至于这里不只有一个创业点子,而是有好几个。例如,很可能会有一种变体旨在过滤掉代理,但另一种则旨在有序地欢迎它们进入。这似乎也是一个你可以在此基础上继续构建的想法。 [引用 @nikitabier]: 机器人检测与人类验证将在未来几年成为企业最迫切的需求之一。代理蜂群将窒息每一个网站和表单;小公司和政府网站最为脆弱。 目前市场上存在巨大缺口。当我们审视X可用的市场产品时,没有任何一家公司能够将……
MiniMax (official)@MiniMax_AI
112 赞 · 7 转发 ·
更多使用 MiniMax-H3 进行构建的方式。🐮 很高兴看到模型优化和 AMD 推理工程结合在一起,为创作者提供更快的反馈循环。⚡️ [引用 @NunchuxAI]: 5秒视频,1.3秒生成! Nunchux 将 @MiniMax 的 MiniMax-H3 引入 @AMD MI355X,在8个GPU上推理速度比 SGLang 快高达26.7倍 @AMDServer 而且借助流式生成,你可以在视频播放时更改提示,引导接下来发生的内容。 一个技术栈,跨硬件优化。 免费访问 MiniMax-H3 即将推出!现在就在…
Tencent Hy@TencentHunyuan
106 赞 · 6 转发 ·
⚡️ 随着LLM强化学习扩展到更大的GPU集群和更多训练数据,训练效率成为首要关注点。 我们的新研究重新审视了经典临界批量大小理论,并将其扩展到在线LLM强化学习,其中模型生成自己的训练数据,且推出生成和训练规模以不同方式扩展。 在GRPO和PPO中,我们发现学习率重新调整可以在有界的批量大小范围内保持每个响应的学习。 在固定硬件上,扩大批量大小将PPO生成阶段吞吐量提高最多2.29倍,而我们最佳测量的GRPO配置在减少29%的时间内达到相同的验证目标。🚀 阅读完整研究:
Percy Liang@percyliang
105 赞 · 7 转发 ·
Marin 坚信开放社区的力量。Hugging Face 上有大量已生成的数据集。我们构建了可扩展的基础设施,摄取这些数据,进行去重、去污染、混合,生成25T token。 [引用 @WilliamBarrHeld]: Hugging Face 上有海量的开放训练数据。要让它们协同工作需要什么 🤗? 对于 Marin 的535B运行,我们基于152个数据集的25T token构建,这些数据集的许可证允许训练。 以下是下载这些数据和训练模型之间的工作 🧵
加载更多