在2023世界人工智能大會(WAIC)中,語言智能科技企業(yè)蜜度不僅為觀眾呈現(xiàn)了諸多AIGC的沉浸式體驗,還發(fā)布了全新的大語言模型產(chǎn)品,深入辦公場景多元需求的同時,也開啟了大模型時代的辦公智能化進程。
2分鐘自動生成輿情分析報告 大語言模型提升服務效率
7月8日,蜜巢智能輿情分析大語言模型重磅發(fā)布。模型專注于輿情報告自動撰寫,基于專家團隊十余年高質量分析報告的專業(yè)語料數(shù)據(jù)訓練,凝聚大量專業(yè)知識和專家經(jīng)驗。用戶簡單輸入事件信息配置即可全自動撰寫高質量輿情事件分析報告,為突發(fā)事件的輿情追蹤、分析與研判提供支持。
通過融入蜜度以往的強大服務經(jīng)驗,結合蜜度自研蜜巢系列大語言模型的AI能力,蜜巢智能輿情分析大語言模型從“易用”與“速度”兩個維度提高了輿情報告自動生成的服務效率。在簡單的設置后,僅需2分鐘,就可以輸出一份高質量的輿情分析報告。
在輿情分析報告領域,蜜度積累了豐富的行業(yè)經(jīng)驗與分析方法,基于數(shù)量龐大的優(yōu)秀分析報告作為專業(yè)語料數(shù)據(jù)用于訓練,讓這些來自專家團隊的深度洞見與專業(yè)知識被模型悉數(shù)吸納,再經(jīng)由機器學習的不斷強化,最終呈現(xiàn)了人腦認知經(jīng)驗與AI計算能力的全新融合——蜜巢智能輿情分析大語言模型。
不僅如此,蜜度自身所具備的支持國產(chǎn)化軟硬件運行環(huán)境的設備及能力,能夠基于華為昇騰昇思AI生態(tài),為用戶的日常使用提供更高效、安全、穩(wěn)定的保障。
蜜巢智能輿情分析大語言模型發(fā)布
聚焦垂直領域 服務千行百業(yè)
除了輿情報告自動生成的大語言模型,蜜度在此次WAIC上還發(fā)布了首個軟硬件一體國產(chǎn)化知識問答與內(nèi)容生成大語言模型——“蜜巢知識問答與內(nèi)容生成大語言模型”;國內(nèi)首個專為智能校對領域打造的垂直大語言模型——“蜜度文修”。
蜜度自研蜜巢系列大語言模型
蜜巢知識問答與內(nèi)容生成大語言模型,實時基于用戶所輸入的文檔進行知識增強,并對文檔中的相關知識進行定制化的知識問答與內(nèi)容生成,實現(xiàn)“千文千面,千人千面”式內(nèi)容生成,幫助企業(yè)和個人打造專屬的知識問答與內(nèi)容生成大模型。蜜度文修是國內(nèi)首個專為智能校對領域打造的大語言模型,有著出色校對與潤色能力。
蜜巢知識問答與內(nèi)容生成大語言模型實現(xiàn)了“千文千面,千人千面”式內(nèi)容生成,模型能夠實時基于用戶所輸入的文檔進行知識增強,并對文檔中的相關知識進行定制化的知識問答與內(nèi)容生成,幫助企業(yè)和個人打造專屬的知識問答與內(nèi)容生成大模型;蜜度文修則以出色的校對與潤色能力,刷新了多類校對任務的最佳效果,更有效地輔助專業(yè)用戶提高校對質量、提升校對速度、降低差錯率,為新聞出版、媒體稿件、政府公文等專業(yè)領域帶來工作模式迭代與效率提升。
作為一家以人工智能技術為核心的語言智能科技企業(yè),蜜度同時發(fā)布三款大語言模型,既可以看作本土科技企業(yè)以經(jīng)得起測試的優(yōu)秀模型水準,與全球AI發(fā)展進程的齊步并行,也可以視為以模型服務垂直領域的開場。
未來,蜜度將持續(xù)以大語言模型(LLM)為技術底座,聚焦不同垂直行業(yè)的痛點與需求,研發(fā)和增強特定場景下的能力,并通過自建與用戶及市場需求匹配的垂直領域AI能力,積極開發(fā)大語言模型的落地應用,更將發(fā)揮自身支持國產(chǎn)化軟硬件運行環(huán)境的設備及能力,為千行百業(yè)注入AI加速度,用大模型的創(chuàng)新賦能,共同迎接全新的時代。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。