Magic AI توسعه نرم افزار را با LTM-2-mini مختل می کند

شهریور 19, 1403

هوش مصنوعی

بدون دیدگاه

hecate

به وبلاگ روبو خوش آمدید، در این مقاله می خواهیم درباره مدل هوش مصنوعی Magic با حافظه خارق العاده 100 ملیون توکن صحبت کنیم، پس در ادامه مطلب همراهمان باشید.

اگر به اخبار صفر تا صد هوش مصنوعی علاقه دارید وبلاگ روبو را دنبال کنید.

معرفی مدل LTM-2-mini توسط استارتاپ Magic AI

استارتاپ هوش مصنوعی Magic AI، مدل LTM-2-mini را معرفی کرده است، یک مدل زبان انقلابی با ظرفیت بی‌سابقه‌ای برای پردازش یک پنجره زمینه 100 میلیون توکن، معادل تقریباً 10 میلیون خط کد. این دستاورد قابل توجه از مدل های موجود، مانند سری Gemini گوگل که قبلاً توانایی های خود را با حداکثر 10 میلیون توکن نشان می داد، پیشی می گیرد.

LTM-2-mini برای توسعه نرم افزار طراحی شده است و پتانسیل افزایش تولید کد را با اعطای دسترسی مدل ها به کل پایگاه های کد پروژه، اسناد و کتابخانه ها ارائه می دهد. همزمان با این راه‌اندازی، Magic AI معیار HashHop را با هدف بهبود ارزیابی مدل‌ها با پنجره‌های زمینه گسترده، به‌طور موثری به محدودیت‌های معیارهای قبلی مانند «سوزن در انبار کاه» پرداخته است.

از نظر کارایی، الگوریتم LTM-2-mini از مکانیسم توجه مورد استفاده در Llama 3.1 405B با ضریب 1000 عملکرد بهتری دارد و نیاز به حافظه بسیار کمتری دارد. Magic AI در حال حاضر در حال توسعه یک نسخه بزرگتر از مدل LTM-2 است و با Google Cloud و Nvidia برای ساخت ابررایانه های جدید با هدف افزایش کارایی آموزش و استنتاج، همکاری ایمن کرده است.

این شرکت سرمایه گذاری قابل توجهی را جذب کرده است و 320 میلیون دلار از سرمایه گذاران برجسته از جمله اریک اشمیت، جین استریت و سکویا جذب کرده است. این پشتوانه مالی چشمگیر بر رویکرد نوآورانه Magic AI برای پردازش زمینه هوش مصنوعی و تاثیر بالقوه آن بر آینده توسعه نرم افزار و فناوری هوش مصنوعی تاکید می کند.

نکات کلیدی

LTM-2-mini از Magic AI قادر به پردازش 100 میلیون توکن، معادل 10 میلیون خط کد است.
هدف معرفی معیار HashHop ارزیابی موثرتر مدل‌ها با پنجره‌های زمینه بزرگ است.
کارایی الگوریتم LTM-2-mini از Llama 3.1 405B با حاشیه 1000 در پردازش زمینه فراتر می رود.
Magic AI 320 میلیون دلار بودجه، در مجموع 465 میلیون دلار، تضمین کرده است و با Google Cloud و Nvidia همکاری هایی را برای پیشبرد قابلیت های آموزش هوش مصنوعی و استنتاج برقرار کرده است.

تجزیه و تحلیل

معرفی Magic AI LTM-2-mini، با پنجره زمینه بی نظیرش، این پتانسیل را دارد که توسعه نرم افزار را با امکان تجزیه و تحلیل جامع کد، متحول کند. این پیشرفت ممکن است به چرخه‌های توسعه سریع تر و بهبود کیفیت نرم افزار منجر شود و بر رهبران صنعت مانند Google و استارت آپ‌های نو ظهور تاثیر بگذارد.

معیار HashHop استاندارد جدیدی را برای ارزیابی مدل های هوش مصنوعی معرفی می کند که احتمالا شیوه های صنعت را تغییر می دهد. حمایت حامیان مالی مانند اریک اشمیت و سکویا آن ها را برای دستاورد های آینده از رشد Magic AI قرار می دهد، در حالی که مشارکت با Google Cloud و Nvidia می تواند نوآوری هوش مصنوعی را تسریع کند.

پیامد های کوتاه مدت شامل قابلیت های هوش مصنوعی پیشرفته و موقعیت یابی در بازار برای هوش مصنوعی جادویی، با تاثیرات گسترده تر بر اکوسیستم هوش مصنوعی گسترده تر و رقابت پذیری فناوری جهانی است.

آیا میدانستید؟

LTM-2-mini :

LTM-2-mini از Magic AI که به طور خاص برای توسعه نرم افزار طراحی شده است، توانایی پردازش یک پنجره زمینه 100 میلیون توکن، معادل تقریبا 10 میلیون خط کد را دارد. این ویژگی با فراهم کردن دسترسی به کل پایگاه های کد پروژه، اسناد و کتابخانه ها، توانایی های مدل را افزایش می دهد و در نتیجه تولید و درک کد را به طور قابل توجهی افزایش می دهد.

معیار HashHop :

معیار HashHop جدید معرفی شده توسط Magic AI با هدف افزایش ارزیابی مدل های زبان با پنجره های زمینه گسترده است. این به عنوان راه حلی برای محدودیت های معیارهای قبلی مانند “سوزن در انبار کاه” عمل می کند و ارزیابی جامع تر و دقیق تری از ظرفیت مدل ها برای مدیریت داده ها و زمینه های گسترده ارائه می دهد.

مکانیسم توجه در Llama 3.1 405B :

مکانیسم توجه نقش مهمی در عملکرد مدل های شبکه عصبی، به ویژه در معماری های ترانسفورماتور مانند آنچه در مدل Llama 3.1 405B استفاده می شود، ایفا می کند. این مکانیسم مدل را قادر می‌سازد تا بر بخش های مختلف داده های ورودی تمرکز کند، در نتیجه ظرفیت آن را برای درک زمینه و روابط درون داده ها افزایش می دهد.

الگوریتم LTM-2-mini با ضریب 1000 کارایی از این مکانیسم با کاهش نیاز به حافظه برتری دارد که پیشرفت قابل توجهی را در کارایی پردازش زمینه نشان می دهد.