آنتروپیک و اوپن ای آی مدل های هوش مصنوعی جدید ارائه کردند

به گزارش خبرگزاری مهر به نقل از انگجت، هر دو شرکت نسخه‌های جدیدی از مدل‌های پیشین خود، یعنی فیبل ۵.۱ و جی‌پی‌تی-۶ آسترا، منتشر کرده‌اند که سطحی مشابه از عملکرد را با هزینه کمتر ارائه می‌کنند.

آنتروپیک درباره کلاود اعلام کرد مدل جدید اوپوس ۵.۵ در انجام فعالیت‌های پیچیده، شناسایی و رفع ناکارآمدی‌های نرم‌افزاری و همچنین تحلیل مالی و فعالیت‌های تجاری عملکرد بهتری دارد. بنچمارک‌های آنتروپیک نیز نشان می‌دهند اوپوس ۵.۵ در بخش کدنویسی عاملی، عملکرد بهتری نسبت به جی‌پی‌تی-۶ آسترا دارد.

بهینه‌سازی‌های انجام‌شده در این مدل تنها به فعالیت‌هایی که مدل قادر به کنترل آنهاست محدود نمی‌شود. آنتروپیک مدعی است اوپوس ۵.۵ می‌تواند متنی تولید کند که درک آن آسان‌تر است. همچنین این مدل حدود ۸۵ درصد کمتر از مدل‌های پیشین برای دور زدن محدودیت‌ها تلاش کرده است؛ موضوعی که به گفته این شرکت نشان می‌دهد مدل کمتر از دستورالعمل‌ها سرپیچی می‌کند. از سوی دیگر، آنتروپیک اعلام کرده هزینه استفاده از این مدل به ازای هر توکن نیز کاهش یافته است.

مدل‌های جدید اوپن‌ای‌آی، جی‌پی‌تی-۶ سول و جی‌پی‌تی-۶ لونا، نیز به‌طور مشابه بر افزایش بهره‌وری تمرکز دارند. این مدل‌ها با استفاده از روش‌هایی مشابه جی‌پی‌تی-۶ آسترا آموزش دیده‌اند و در طیف گسترده‌ای از فعالیت‌های حرفه‌ای، کدنویسی و استفاده از رایانه بهبود یافته‌اند. با این حال، هزینه استفاده از آنها تا ۵۰ درصد کمتر از جی‌پی‌تی ۵.۶ است. به‌عنوان مثال، هزینه توکن‌های ورودی جی‌پی‌تی-۶ سول حدود ۲ دلار و توکن‌های خروجی آن ۱۰ دلار اعلام شده است.

از نظر بهینه‌سازی عملکرد نیز هر دو مدل جدید جی‌پی‌تی در ارائه اطلاعات درست و دقیق عملکرد بهتری دارند. اوپن‌ای‌آی مدعی است مدل سول تقریباً نصف مدل قبلی دچار خطا می‌شود. این شرکت همچنین اعلام کرده مدل مذکور در زمینه برنامه‌نویسی می‌تواند از نظر عملکرد با فیبل ۵.۱ برابری کند، در حالی که هزینه کمتری دارد.

مدل‌های جدید همچنین از نظر ارتباط و شفافیت در بیان بهبود یافته‌اند. به لطف ارتقای قابلیت «کش کردن پرامپت‌ها» (Prompt Caching)، این مدل‌ها می‌توانند بخش بیشتری از متن و زمینه قبلی را دوباره استفاده کنند و در نتیجه سریع‌تر پاسخ دهند.

خالق چت‌جی‌پی‌تی می‌گوید بر اساس آزمایش‌های داخلی، مدل‌های جی‌پی‌تی-۶ نسبت به نسل‌های قبلی همسوتر شده‌اند. برای مثال، این مدل‌ها درباره نتایج حاصل از فعالیت‌های برنامه‌نویسی خود کمتر اطلاعات نادرست ارائه می‌کنند و هنگام دریافت دستورهای ناامن، در برابر تلاش‌های بیشتری برای دور زدن سازوکارهای حفاظتی مقاومت نشان می‌دهند.

آنتروپیک نیز مانند اوپن‌ای‌آی معیارهای پیشنهادی خود را برای ارزیابان شخص ثالث ارائه کرده است تا از آنها برای سنجش میزان پیشرفت و ایمنی توسعه هوش مصنوعی استفاده شود. با این حال، هنوز مشخص نیست این پیشنهادها در نهایت به شکل‌گیری استانداردی مشترک در سراسر صنعت منجر خواهد شد یا خیر.