სტენფორდის მკვლევარებმა ChatGPT-ის საკუთარი ვერსია შექმნეს და Alpaca 7B უწოდეს. როგორც ამბობენ, ეს $600-ზე ნაკლები დაჯდა. Alpaca 7B Meta LLaMA მოდელის მიხედვით აიგო, მისი ინსტრუქციები კი OpenAI-ის text-davinci-003-ის მიხედვით არის გენერირებული.
სტენფორდის მკვლევარებმა ChatGPT-ის საკუთარი ვერსია შექმნეს და Alpaca 7B უწოდეს. როგორც ამბობენ, ეს $600-ზე ნაკლები დაჯდა. Alpaca 7B Meta LLaMA მოდელის მიხედვით აიგო, მისი ინსტრუქციები კი OpenAI-ის text-davinci-003-ის მიხედვით არის გენერირებული.
text-davinci-003 არის ახალი და უფრო ეფექტური მოდელი და შექმნილია სპეციალურად ინსტრუქციების შემდგომი — instruction-following — ამოცანებისთვის. ეს საშუალებას აძლევს ჩატბოტს, მოკლე და უფრო ზუსტი პასუხები ჰქონდეს, იმ შემთხვევაშიც კი, თუ დასმულ კითხვაში ესა თუ ის მაგალითი მოყვანილი არ არის.
თუმცა, Alpaca 7B ჯერაც არასწორ პასუხებს იძლევა.
სტენფორდმა აიღო Meta-ს ხელოვნური ინტელექტის ენა — LLaMA, მოახდინა მისი კონფიგურაცია 52K უნიკალურ ინსტრუქციაზე და chatGPT-ის მსგავსი ჩატბოტი შექმნა — ინსტრუქციაზე დამყარებული მოდელები ნიშნავს ChatGPT-ის მსგავს მოდელს, როცა ხელოვნური ინტელექტი პასუხს მისთვის მიცემული ინსტრუქციის შესაბამისად აგენერირებს.
სტენფორდის მკვლევრების განცხადებით, Alpaca 7B აკადემიური სფეროს წარმომადგენლებისთვის შექმნეს, რათა instruction-following მოდელის გამოცდა შეძლონ — მათთვის ის იყოს ღია წყაროზე დაფუძნებული და ხელმისაწვდომი. OpenAI-ის მოდელების შესახებ ინფორმაცია დახურულია.
მკვლევრები ფიქრობენ, რომ აკადემიური სფეროს წარმომადგენლებისთვის ჩატბოტის წყაროს გასაჯაროებითა და ხელმისაწვდომობით გაცილებით მალე მოგვარდება მისი პრობლემები — ცრუ ინფორმაცია, მიკერძოებულობა და სტერეოტპულობა.
Alpaca OpenAI-ის text-davinci-003-ის მსგავს ბევრ ქცევას აჩვენებს. ამასთან, ღია წყაროა, გამოსაყენებლად კი, — უფასო.
სტენფორდის მკვლევარებმა განაცხადეს, რომ მათ «დააგენერირეს ინსტრუქციების შემდგომი საჩვენებელი მაგალითები თვით-ინსტრუქციის მეთოდის შექმნით. დაიწყეს ადამიანების მიერ შექმნილი 175 ინსტრუქციით. შემდეგ კი text-davinci-003-ს სთხოვეს დამატებითი ინსტრუქციების გენერირება საწყისი ნაკრების, როგორც კონტექსტური მაგალითების გამოყენებით».
ამით გუნდმა გააუმჯობესა თვითინსტრუქციის მეთოდი და შეამცირა დანახარჯები. მონაცემთა შეგროვების პროცესით, მოდელის გასაწვრთნელად, შეიქმნა 52 ათასი უნიკალური ინსტრუქცია და ეს $500-მდე დაჯდა.
$100 კი Nvidia-ს 8 ცალ ჩიპზე დაიხარჯა, რომლებიც Meta-ს 7B LLaMA მოდელის დახვეწისთვის გახდა საჭირო.
ამის შემდეგ სტენფორდის უნივერსიტეტის მკვლევრების ჯგუფის 5-მა წევრმა შეაფასა Alpaca-ს ცოდნა და ის იმეილის წერაში, სოციალურ მედიასა და პროდუქტიულობის ინსტრუმენტებზე შეამოწმა.
მკვლევრებმა Alpaca 7B და text-davinci-003 შეადარეს და დაასკვნეს, რომ ეს ორი მოდელი ფაქტობრივად თანაბარი სიზუსტით მუშაობს. Alpaca OpenAI-ის text-davinci-003-ს 90-ით 89-ს უგებს.
მათი განცხადებით, ამ შედეგებით თავადაც გაოცებულები დარჩნენ.
თუმცა, იმასაც აცნობიერებენ, რომ ეს შეფასება შესაძლოა ლიმიტირებული იყოს მასშტაბითა და მრავალფეროვნებით.
