మెటా LAMA మోడల్‌ను ప్రారంభించింది, ఇది OpenAI యొక్క GPT-3 కంటే శక్తివంతమైన శోధన సాధనం

Meta ఇటీవల LAMA అనే ​​కొత్త AI భాషా జనరేటర్‌ను విడుదల చేసింది, ఇది అత్యంత వినూత్నమైన కంపెనీ పాత్రను నిర్ధారిస్తుంది.

"ఈ రోజు మేము కొత్త, అత్యాధునిక AI లార్జ్ లాంగ్వేజ్ మోడల్‌ను LAMA విడుదల చేస్తున్నాము, పరిశోధకులు వారి పనిని ముందుకు తీసుకెళ్లడంలో సహాయపడటానికి రూపొందించబడింది" అని CEO మార్క్ జుకర్‌బర్గ్ ఫేస్‌బుక్ పోస్ట్‌లో తెలిపారు.

ఎందుకు లామా

పెద్ద భాషా నమూనాలు టెక్ ప్రపంచాన్ని తుఫానుగా తీసుకున్నాయి. అవి కృత్రిమ మేధస్సు సాధనాలను శక్తివంతం చేస్తాయి చాట్ GPT మరియు ఇతర సంభాషణ నమూనాలు. అయినప్పటికీ, ఈ సాధనాలను ఉపయోగించడం వలన గణనీయమైన ప్రమాదం, ఆమోదయోగ్యమైన కానీ తప్పుడు వాదనలు, విషపూరిత కంటెంట్‌ను ఉత్పత్తి చేయడం మరియు AI శిక్షణ డేటాలో పాతుకుపోయిన పక్షపాతాన్ని అనుకరించడం వంటివి ఉంటాయి. 

ఈ సమస్యలను పరిష్కరించడంలో పరిశోధకులకు సహాయపడటానికి, శుక్రవారం, ఫిబ్రవరి 25, మెటా  విడుదల చేస్తున్నట్లు ప్రకటించారు అనే కొత్త పెద్ద భాషా నమూనా లామా (Large Language Model మెటా AI) . 

లామా అంటే ఏమిటి?

లామా ఒక కాదు chatbot, కానీ ఇది శోధన సాధనం, ఇది Meta ai ప్రకారం, భాషా నమూనాలకు సంబంధించిన సమస్యలను పరిష్కరిస్తుంది AI. "LAMA వంటి చిన్న, మెరుగైన పనితీరు గల నమూనాలు పరిశోధనా సంఘంలో పెద్ద మొత్తంలో మౌలిక సదుపాయాలకు ప్రాప్యత లేని ఇతరులను ఈ నమూనాలను అధ్యయనం చేయడానికి అనుమతిస్తాయి, ఈ ముఖ్యమైన మరియు వేగంగా అభివృద్ధి చెందుతున్న ఈ రంగంలో ప్రాప్యతను మరింత ప్రజాస్వామ్యం చేస్తాయి" అని మెటా తన బ్లాగ్‌లో పేర్కొంది. అధికారిక .

LAMA అనేది 7B నుండి 65B పారామితుల వరకు ఉండే భాషా నమూనాల సమాహారం. పబ్లిక్ డేటాసెట్‌లను ఉపయోగించి అత్యాధునిక మోడల్‌లకు శిక్షణ ఇవ్వవచ్చని మరియు యాజమాన్య, ప్రాప్యత చేయలేని డేటాసెట్‌లపై ఆధారపడదని చెబుతూ, ట్రిలియన్ల కొద్దీ టోకెన్‌లపై తమ మోడల్‌లకు శిక్షణ ఇస్తున్నట్లు కంపెనీ తెలిపింది.

లామా భిన్నమైనది

మెటా ప్రకారం, LAMA వంటి మోడల్ శిక్షణకు కొత్త వినియోగ కేసులను పరీక్షించడానికి, ధృవీకరించడానికి మరియు అన్వేషించడానికి చాలా తక్కువ కంప్యూటింగ్ శక్తి అవసరం. ప్రాథమిక భాషా నమూనాలు లేబుల్ చేయని డేటా యొక్క పెద్ద బ్లాక్‌లపై శిక్షణ ఇస్తాయి, వాటిని వివిధ పనులకు అనుకూలీకరించడానికి అనువైనవిగా చేస్తాయి. 

చాలా బెంచ్‌మార్క్‌లలో LLaMA-13B OpenAI యొక్క GPT-3 (175B)ని అధిగమించిందని మరియు LLaMA-65B టాప్ మోడల్‌లతో పోటీపడుతుందని మెటా తన పరిశోధనా పత్రంలో పేర్కొంది. DeepMind ద్వారా Chinchilla70B e Google నుండి PalM-540B. 

LAMA ప్రస్తుతం Meta ai ఉత్పత్తులలో ఏదీ ఉపయోగంలో లేదు, అయినప్పటికీ, పరిశోధకులకు అందుబాటులో ఉండేలా కంపెనీ ప్లాన్ చేస్తోంది. కంపెనీ మునుపు దాని LLM OPT-175Bని ప్రారంభించింది, అయితే LAMA దాని అత్యంత అధునాతన వ్యవస్థ. 

పరిశోధన వినియోగ కేసులపై దృష్టి సారించిన నాన్-కమర్షియల్ లైసెన్స్ కింద కంపెనీ దీన్ని అందుబాటులోకి తెస్తోంది. ఇది విద్యా పరిశోధకులకు అందుబాటులో ఉంటుంది; ప్రభుత్వం, పౌర సమాజం మరియు విద్యా సంస్థలతో అనుబంధం ఉన్నవారు; మరియు ప్రపంచవ్యాప్తంగా పారిశ్రామిక పరిశోధన ప్రయోగశాలలు.

Ercole Palmeri