Neilneilneil @Neilspaper

art in another world Joined November 2022

Tweets

15
Followers

48
Following

879
Likes

3K

Neilneilneil @Neilspaper

2 years ago

castle CLOUD-blue series

0 0 2 94 0

View Details

Neilneilneil @Neilspaper

2 years ago

人群中也会一直流传着关于意义的不同说法，但最终个人的意义就是个人的，认识自己，感受自己，和自己对话，明白自己的所要内容，坚定去追求自己所要的“意义”，然后体会追求的过程与结果，这就是世界的经历，也是生命的洪流，走了这些旅途，个人能够有记忆去说：我想要的意义是....我做了什么追求……

0 0 0 40 0

View Details

Neilneilneil @Neilspaper

2 years ago

但重要的是在说出这句话后，在接受人生的无意义后，你打算做些什么。人生或许是“意义”的“旷野”，人生有限，但是面向的“意义”是无限的，个人只有个人的意义，一个人可以视“在沙滩上晒太阳”为最终意义，一个人也可以将“体验某一种职业生活”视为意义来源，不同时期的社会会对一些特定的意义进行宣传，

1 0 0 44 0

View Details

Neilneilneil @Neilspaper

2 years ago

也许是我看得太宏观，但是谁又能记得起几十、上百年前世界上某个地方的某个不知名的人的一段悲喜？甚至于这个人的一生都会被往后的人遗忘，不再被记得，同样的，再过100年，社会还会运转，那时还会有人记得我吗，但那时我是否被记得还有什么意义吗？

1 0 0 47 0

View Details

Neilneilneil @Neilspaper

2 years ago

dispersion

0 0 3 87 0

View Details

Neilneilneil @Neilspaper

2 years ago

Meduswan

0 0 1 55 0

View Details

Neilneilneil @Neilspaper

2 years ago

🌫️🟩Scratches

0 0 0 39 0

View Details

Neilneilneil @Neilspaper

2 years ago

@henrydaubrez

0 0 3 82 0

View Details

Neilneilneil @Neilspaper

3 years ago

2024，24joy&peace ———a little quick design with chatbot

0 0 2 70 0

View Details

微软2023年Build大会演讲：如何训练和应用GPT（中英文字幕）这是本次微软2023年Build大会来自OpenAI的AI 研究员和创始成员Andrej Karpathy的一个主题为State of GPT的演讲。演讲主要有两部分内容： 1. OpenAI是如何训练GPT的 2. 我们如何有效应用GPT 都是非常有价值的分享。首先对于如何训练GPT，通常来说是四个阶段预训练（Pretraining），有监督的微调（Supervised Finetuning），奖励建模（Reward Modeling）和强化学习（Reinforcement Learning），这几个阶段通常是依次进行，每个阶段都有不同的数据集。预训练（Pretraining）：这个阶段的目标是让模型学习一种语言模型，用于预测文本序列中的下一个单词。训练数据通常是互联网上的大量文本。模型从这些文本中学习词汇、语法、事实以及某种程度的推理能力。这个阶段结束后，模型可以生成一些有意义且语法正确的文本，但可能无法理解具体任务的需求。有监督的微调（Supervised Finetuning）：在预训练后，模型会进入微调阶段。在这个阶段，人类评估员将参与并给出指导，他们会给模型提供对话样本，样本中包含了输入和期望的输出。这使得模型能更好地适应特定任务或应用，例如回答问题或编写文章。奖励建模（Reward Modeling）：评估员将对模型生成的不同输出进行排名，以表示它们的质量。这个排名将被用作奖励函数，指导模型优化其生成的输出。强化学习（Reinforcement Learning）：强化学习阶段是一个迭代的过程，模型会试图优化其行为以获得最大的奖励。在这个阶段，模型会产生新的输出，评估员会对这些输出进行排名，然后模型根据这个反馈调整其行为。然后是如何有效应用GPT 在演讲中Andrej举了一个非常好的例子：人类和大语言模型（LLM）都是如何写作的？从这个例子中你能明显感觉到人类和GPT之间的差异。假设你要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口，你的写作的过程中可能是像这样的： - 我需要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口 - 我需要去获取两个州的人口数据 - 我不知道这两个周的人口数据 - 去维基百科找到加利福尼亚州的人口是39.2M - 去维基百科找到阿拉斯加州的人口是0.74M - 现在我需要计算一下两个州人口数相差多少倍，但是可能需要计算机帮忙 - 用计算器算出来39.2除以0.74约等于53 - 快速的检查一下53倍这个数字是不是符合常识，嗯，这是一个相当大的比值，但加利福尼亚州毕竟是人口最多的州，所以这个结果或许是合理的，可以继续 - 好了，我现在有了我需要的所有信息 - 写下：“加利福尼亚州的人口比53倍的……” - 觉得好像不太好，删除重写成：“加利福尼亚州的人口是阿拉斯加州的53倍。” - 嗯，觉得还不错也就是说，当人类写作时，哪怕是这样一个简单的句子，可能内心实际上进行了大量的运算的。但当我们用GPT进行写作这样的句子看起来会是什么样呢？从GPT的角度看，这只是一系列的标记（Tokens）。当GPT在接收到一个输入，比如你给出的主题。它会生成一段与输入相关的文本，GPT的目标是预测下一个词，所以它会连续生成一串词，形成一段连贯的文本。从本质上看，Transformer只是标记模拟器，它不知道自己知道什么不知道什么，它不知道自己擅长什么或不擅长什么，它只是尽力生成下一个标记，它也不会进行反思，也不会不进行任何合理性检查。它不会纠正自己的错误，它只是产生抽样的标记序列，它没有像人类那样的内心独白流。但是，GPT有一些优势，如它们拥有大量的基于事实的知识，并且拥有相对大的并且完美的工作记忆。GPT通过自我注意力机制，能立即获取到上下文窗口中的信息，从而进行无损记忆。然而，GPT在推理和判断方面的能力相对较弱，如果提出的问题需要更复杂的推理，单凭一个标记的信息，GPT往往无法给出正确的答案。一些技巧可以提升GPT的表现，比如Cot（Chain of Though）设定步骤来引导GPT展示其工作过程，或者通过多次抽样然后选择最佳结果等，或者可以让GPT检查自己的输出，比如询问它是否完成了任务，最好是在Prompt中明确的要求它检查自己的输出。后面还介绍了目前比较流行的GPT应用，比如Agent、Plugin、CoT、Embedding等最后他用GPT-4写了一个结尾： “女士们，先生们，2023年Microsoft Build的创新者和先驱者们，欢迎来到这个独一无二的卓越人才的集结地。你们是未来的架构师，是塑造数字领域的视野家，在那里人类繁荣发展。拥抱科技的无限可能，让你的想法飞得和你的想象力一样高。让我们一起创造一个更连通，更出色，更包容的世界，为未来的世代留下。准备好释放你的创造力，探索未知，把梦想变成现实。你的旅程今天开始。” 原始视频地址： build.microsoft.com/en-US/sessions… YouTube地址：youtube.com/watch?v=YrBJiy…