Liquid AI, ortak omurgadan türetilen LFM3 modellerini yayımladı
Liquid AI, metin, görüntü, ses ve yapılandırılmış karar görevlerini ortak bir temelden türeten LFM3 ailesinin ağırlıklarını yayımladı. Geliştiriciler modelleri indirip belge çıkarımı ve sesli araç kullanımı gibi özel işlere uyarlayabiliyor. Yayın, ek eğitim için temel modeli ve örnek çalışma defterlerini de içeriyor. Ağırlıklara erişim, bütün eğitim verisinin ve sürecinin açık kaynak olduğu anlamına gelmiyor.
Yapay Zekâ··Öğle
Ortak temel farklı yapay zekâ görevlerine ayrılıyor
Küçük yapay zekâ modelleri geliştiren Liquid AI, LFM3 ailesini indirilebilir ve uyarlanabilir açık ağırlıklarla yayımladı.[1], [2]
Metin, görüntü, ses ve yapılandırılmış karar görevleri ortak bir temelden türetiliyor. Ailenin modelleri LFM3-1.7B-Base adlı temel modele dayanıyor. İlk eğitimin ardından uyarlanmış modellerin yanında temel modelin kendisi de sunuluyor. Böylece geliştiriciler, kendi verileriyle ek eğitim yapmak için başlangıç modelini seçebiliyor.[1]
Model omurgası, dizilerdeki bilgiyi işlemek için üç farklı katman türünü birleştiriyor. Toplam 24 katmanın 13’ü kapılı kısa evrişim, beşi kayan pencereli dikkat, altısı küresel dikkat katmanı. Kısa evrişimlerin çekirdek genişliği önceki ailedeki üçten yediye çıkarılmış. Liquid AI, mimari aramasını 14 aygıt ve çalıştırma altyapısı bileşiminde yürüttü. Bu kapsam telefonları, Raspberry Pi 5 bilgisayarını, dizüstü bilgisayarları ve bulut işlemcilerini içeriyor.[1]
Ses ve görüntü, uygulama görevlerine bağlanıyor
Ailenin görüntü modeli LFM3-VL-2B, şirketin görüntü modelleri içinde video girdisi kabul eden ilk örnek olarak tanıtıldı. Ses modeli, konuşma veya metin alıp konuşma, metin ya da ikisini birlikte üretebiliyor. Gösterilen uygulamalar arasında, sesli isteği yazılımın kullanacağı bir yazılım aracı çağrısına dönüştürmek var. Birleşik model LFM3-Omni-2B ise metni, görüntüyü ve sesi birlikte işleyerek metin veya konuşma çıktısı veriyor.[1]
d1 karar modelleri, tek işlem geçişinde birden fazla soruyu yanıtlıyor ve yapılandırılmış yanıtlara olasılıklar ekliyor. Birden fazla uygun seçeneği işaretlemek, belgedeki değerleri çıkarmak ve nesnelerin yerini göstermek örnek görevler arasında. Bu modellerin çıktı biçimi, uzun bir açıklama yazmak yerine belirli kararların ve alan değerlerinin elde edilmesine yönelik tasarlanmış.[1]
Ağırlıklarla birlikte uyarlama örnekleri sunuluyor
Liquid AI, modellerin her birinin tek grafik işlemcisiyle ince ayarlanabileceğini belirtiyor. Yayımlanan çalışma defterleri veri hazırlama, uyarlama ve değerlendirme adımlarını içeriyor. Belge çıkarımı, Türkçe öğrenme, sesli araç kullanımı ve makbuz okuma bu örneklerin konuları arasında. Robotik uyarlamalar ise gezinme, eşgüdüm ve hareket üretimini gösteriyor. Bu örnekler, modelleri belirli işlere uyarlamanın yollarını sunuyor. Ağırlıkların indirilebilmesi, eğitim verisinin ve bütün eğitim sürecinin açık kaynak olduğunu göstermiyor; şirketin kendi başarım karşılaştırmaları da bağımsız ölçüm yerine geçmiyor.[1]
