ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ (ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്) വർദ്ധിച്ചുവരുന്ന സങ്കീർണ്ണതയും കഴിവും ഉപയോഗിച്ച്, അതിന്റെ ഏറ്റവും പുതിയ കണ്ടുപിടുത്തം, അതായത് ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ (എൽഎൽഎം) ടെക്സ്റ്റ് ജനറേഷൻ, ഭാഷാ വിവർത്തനം, ടെക്സ്റ്റ് സംഗ്രഹം, കോഡ് പൂർത്തീകരണം എന്നിവയുൾപ്പെടെയുള്ള ജോലികളിൽ വലിയ പുരോഗതി പ്രകടമാക്കി. ആർക്കിടെക്ചർ വിശദാംശങ്ങൾ, പരിശീലന ഡാറ്റ, വികസന രീതിശാസ്ത്രം എന്നിവയുൾപ്പെടെ അവരുടെ പരിശീലന നടപടിക്രമങ്ങളുടെ അവശ്യ ഘടകങ്ങളിലേക്കുള്ള പ്രവേശനം പരിമിതപ്പെടുത്തുന്ന ഏറ്റവും സങ്കീർണ്ണവും ശക്തവുമായ മോഡലുകൾ പതിവായി സ്വകാര്യമാണ്.

സുതാര്യതയുടെ അഭാവം വെല്ലുവിളികൾ ഉയർത്തുന്നു, കാരണം ഈ മോഡലുകൾ പൂർണ്ണമായി മനസ്സിലാക്കുന്നതിനും വിലയിരുത്തുന്നതിനും മെച്ചപ്പെടുത്തുന്നതിനും അത്തരം വിവരങ്ങളിലേക്ക് പൂർണ്ണ പ്രവേശനം ആവശ്യമാണ്, പ്രത്യേകിച്ചും പക്ഷപാതങ്ങൾ കണ്ടെത്തുന്നതിനും കുറയ്ക്കുന്നതിനും സാധ്യതയുള്ള അപകടങ്ങൾ വിലയിരുത്തുന്നതിനും. ഈ വെല്ലുവിളികളെ അഭിമുഖീകരിക്കുന്നതിനായി, അലൻ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ 2) ലെ ഗവേഷകർ നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് മേഖലയിൽ സുതാര്യതയുടെ അന്തരീക്ഷം പ്രോത്സാഹിപ്പിക്കുകയെന്ന ലക്ഷ്യത്തോടെ ഒരു ചട്ടക്കൂടായ ഒഎൽഎംഒ (ഓപ്പൺ ലാംഗ്വേജ് മോഡൽ) പുറത്തിറക്കി.

ഭാഷാ മോഡൽ സാങ്കേതികവിദ്യയുടെ പരിണാമത്തിൽ തുറന്ന സമീപനത്തിന്റെ സുപ്രധാന ആവശ്യകത തിരിച്ചറിയുന്നതിനുള്ള ഒരു മികച്ച ആമുഖമാണ് ഒഎൽഎംഒ. ഒരു അധിക ഭാഷാ മോഡൽ എന്നതിലുപരി ഭാഷാ മോഡലുകളുടെ സൃഷ്ടി, വിശകലനം, മെച്ചപ്പെടുത്തൽ എന്നിവയ്ക്കുള്ള സമഗ്രമായ ചട്ടക്കൂടായി ഒഎൽഎംഒ വാഗ്ദാനം ചെയ്യുന്നു. ഇത് മോഡലിന്റെ ഭാരങ്ങളും അനുമാന ശേഷികളും ആക്സസ് ചെയ്യുക മാത്രമല്ല, അതിന്റെ വികസനത്തിൽ ഉപയോഗിക്കുന്ന മുഴുവൻ ഉപകരണങ്ങളും പ്രാപ്യമാക്കുകയും ചെയ്തു. മോഡൽ പരിശീലനത്തിനും വിലയിരുത്തലിനും ഉപയോഗിക്കുന്ന കോഡ്, പരിശീലനത്തിനായി ഉപയോഗിക്കുന്ന ഡാറ്റാസെറ്റുകൾ, വാസ്തുവിദ്യയുടെയും വികസന പ്രക്രിയയുടെയും സമഗ്രമായ ഡോക്യുമെന്റേഷൻ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു.

ഒഎൽഎംഒയുടെ പ്രധാന സവിശേഷതകൾ ഇനിപ്പറയുന്നവയാണ്:

എഐ 2 ന്റെ ഡോൾമ സെറ്റിലാണ് ഒഎൽഎംഒ നിർമ്മിച്ചിരിക്കുന്നത്, കൂടാതെ ഗണ്യമായ ഓപ്പൺ കോർപ്പസിലേക്ക് പ്രവേശനമുണ്ട്, ഇത് ശക്തമായ മോഡൽ പ്രീട്രെയിനിംഗ് സാധ്യമാക്കുന്നു.

തുറന്ന സമീപനം പ്രോത്സാഹിപ്പിക്കുന്നതിനും അധിക ഗവേഷണം സുഗമമാക്കുന്നതിനും, മോഡലിന്റെ പരിശീലന നടപടിക്രമം മനസ്സിലാക്കാനും പകർത്താനും ആവശ്യമായ എല്ലാ വിഭവങ്ങളും ചട്ടക്കൂട് വാഗ്ദാനം ചെയ്യുന്നു.

മോഡലിന്റെ പ്രകടനം കർശനമായി വിലയിരുത്തുന്നതിനും അതിന്റെ കഴിവുകളെക്കുറിച്ചുള്ള ശാസ്ത്രീയ ധാരണ വർദ്ധിപ്പിക്കുന്നതിനും അനുവദിക്കുന്ന വിപുലമായ മൂല്യനിർണ്ണയ ഉപകരണങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.

ഒഎൽഎംഒ നിരവധി പതിപ്പുകളിൽ ലഭ്യമാണ്, അവയിൽ നിലവിലെ മോഡലുകൾ 1 ബി, 7 ബി പാരാമീറ്റർ മോഡലുകളാണ്, വലിയ 65 ബി പതിപ്പ് പ്രവർത്തിക്കുന്നു. ലളിതമായ ഭാഷാ മനസ്സിലാക്കൽ ജോലികൾ മുതൽ ആഴത്തിലുള്ള സന്ദർഭോചിതമായ അറിവ് ആവശ്യമുള്ള സങ്കീർണ്ണമായ ജനറേറ്റീവ് ജോലികൾ വരെയുള്ള വൈവിധ്യമാർന്ന ആപ്ലിക്കേഷനുകൾ ഉൾക്കൊള്ളാൻ കഴിയുന്ന മോഡലിന്റെ സങ്കീർണ്ണതയും ശക്തിയും അതിന്റെ വലുപ്പം വർദ്ധിപ്പിക്കുന്നതിലൂടെ വികസിപ്പിക്കാൻ കഴിയും.

ഓണ്ലൈന്, ഓഫ്ലൈന് ഘട്ടങ്ങള് ഉള്പ്പെടുന്ന സമഗ്രമായ വിലയിരുത്തല് നടപടിക്രമത്തിലൂടെയാണ് ഒഎല്എംഒ കടന്നുപോയതെന്ന് ടീം പങ്കുവെച്ചു. ഓഫ് ലൈൻ മൂല്യനിർണ്ണയത്തിനായി ക്യാറ്റ്വാക്ക് ഫ്രെയിംവർക്ക് ഉപയോഗിച്ചു, അതിൽ പാലോമ പെർപ്ലെക്സിറ്റി ബെഞ്ച്മാർക്ക് ഉപയോഗിച്ച് ആന്തരികവും ഡൗൺസ്ട്രീം ഭാഷാ മോഡലിംഗ് വിലയിരുത്തലുകളും ഉൾപ്പെടുന്നു. പരിശീലന വേളയിൽ, ഇനീഷ്യലൈസേഷൻ, ആർക്കിടെക്ചർ, മറ്റ് വിഷയങ്ങൾ എന്നിവയിലെ തീരുമാനങ്ങളെ സ്വാധീനിക്കാൻ ഇൻ-ലൂപ്പ് ഓൺലൈൻ വിലയിരുത്തലുകൾ ഉപയോഗിച്ചു.

കോമൺസെൻസ് യുക്തിയുമായി യോജിച്ച ഒമ്പത് പ്രധാന ജോലികളിൽ സീറോ-ഷോട്ട് പ്രകടനം ഡൗൺസ്ട്രീം വിലയിരുത്തൽ റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ട്. ആന്തരിക ഭാഷാ മോഡലിംഗിന്റെ വിലയിരുത്തൽ 585 വ്യത്യസ്ത ടെക്സ്റ്റ് ഡൊമെയ്നുകളിൽ വ്യാപിച്ചുകിടക്കുന്ന പലോമയുടെ വലിയ ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു. ആശയക്കുഴപ്പം വിലയിരുത്തുന്നതിനുള്ള ഏറ്റവും വലിയ മോഡലായി ഒഎൽഎംഒ -7 ബി വേറിട്ടുനിൽക്കുന്നു, കൂടാതെ ഇന്റർമീഡിയറ്റ് ചെക്ക് പോയിന്റുകൾ ഉപയോഗിക്കുന്നത് ആർപിജെ-ഇൻസൈറ്റ്-7 ബി, പൈത്തിയ -6.9 ബി മോഡലുകളുമായി താരതമ്യപ്പെടുത്തൽ മെച്ചപ്പെടുത്തുന്നു. ഈ മൂല്യനിർണ്ണയ സമീപനം ഒഎൽഎംഒയുടെ കഴിവുകളുടെ സമഗ്രമായ ധാരണ ഉറപ്പുനൽകുന്നു.

ഉപസംഹാരമായി, തുറന്ന ഗവേഷണത്തിനായി ഒരു ആവാസവ്യവസ്ഥ സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു വലിയ ചുവടുവെപ്പാണ് ഒഎൽഎംഒ. ഭാഷാ മോഡലുകളുടെ സാങ്കേതിക കഴിവുകൾ വർദ്ധിപ്പിക്കാനും ഈ സംഭവവികാസങ്ങൾ ഉൾക്കൊള്ളുന്നതും സുതാര്യവും ധാർമ്മികവുമായ രീതിയിൽ നടത്തുന്നുവെന്ന് ഉറപ്പാക്കാനും ഇത് ലക്ഷ്യമിടുന്നു.