फ्रेंच डेव्हलपर Mistral AI अधिक लोकांपर्यंत अत्याधुनिक AI क्षमता आणण्यासाठी डिझाइन केलेले भाषा मॉडेल्सचा एक नवीन संच लाँच करत आहे, ते कुठे आहेत, त्यांचा इंटरनेट प्रवेश किती विश्वसनीय आहे किंवा ते कोणत्या भाषेत बोलतात याची पर्वा न करता.
कंपनीने मंगळवारी Mistral Large 3 नावाचे नवीन मोठ्या भाषेचे मॉडेल जाहीर केले, जे मोठ्या प्रमाणावर, सामान्य-उद्देशीय वापरासाठी आहे. ChatGPT किंवा मिथुन विचार करा. इतर मॉडेल आकार आणि क्षमतांच्या श्रेणीमध्ये येतात आणि समान उपकरणांवर वापरण्यासाठी डिझाइन केलेले आहेत. ही लहान मॉडेल्स लॅपटॉप, स्मार्टफोन, कार किंवा रोबोट्सवर चालू शकतात आणि विशिष्ट कार्य करण्यासाठी ट्यून केले जाऊ शकतात.
सर्व मॉडेल्स ओपन सोर्स आणि ओपन वेट आहेत, याचा अर्थ ते वापरणारे डेव्हलपर ते कसे कार्य करतात ते पाहू शकतात आणि त्यांच्या गरजेनुसार त्यामध्ये बदल करू शकतात. “आमचा ठाम विश्वास आहे की हे प्रत्येकासाठी AI अधिक प्रवेशयोग्य बनवेल आणि मूलत: AI त्यांच्या हातात देईल,” AI कंपनी मिस्ट्रलचे सह-संस्थापक आणि मुख्य शास्त्रज्ञ गुइलॉम लॅम्पेल यांनी एका मुलाखतीत सांगितले.
माजी Google DeepMind आणि Meta संशोधकांनी स्थापित केलेले Mistral AI, US मध्ये OpenAI आणि Anthropic सारख्या प्रतिस्पर्ध्यांइतके मोठे नाव नाही, परंतु ते युरोपमध्ये अधिक ओळखले जाते. संशोधक आणि कंपन्यांसाठी उपलब्ध मॉडेल्स व्यतिरिक्त, ते Le Chat नावाचा चॅटबॉट ऑफर करते, जे ब्राउझरद्वारे किंवा ॲप स्टोअरमध्ये उपलब्ध आहे.
AI मॉडेल्स बहुभाषिक असण्यासाठी डिझाइन केलेले आहेत
लॅम्पेल म्हणाले की कंपनीचे नवीन मॉडेल्सचे उद्दिष्ट आहे की ते ओपन सोर्स आणि प्रवेशयोग्य अत्याधुनिक एआय क्षमता प्रदान करतील. त्यातील काही भाग भाषेशी संबंधित आहे. युनायटेड स्टेट्समधील सर्वाधिक लोकप्रिय AI मॉडेल प्रामुख्याने इंग्रजीमध्ये वापरण्यासाठी डिझाइन केलेले आहेत, तसेच मॉडेल्सच्या क्षमतांची तुलना करणारी बेंचमार्किंग साधने आहेत. जरी हे मॉडेल इतर भाषांमध्ये काम करण्यास आणि भाषांतर करण्यास सक्षम असले तरी, ते इंग्रजी व्यतिरिक्त इतर भाषांमध्ये वापरताना मानकांनुसार सुचविल्याप्रमाणे चांगले नसतील, असे लॅम्पेल म्हणाले.
हे पहा: कृत्रिम बुद्धिमत्ता जुगाराचे व्यसन विकसित करू शकते का? AI-Fueled Browser Wars, and the Future of Work with ZDNET’s Jason Hainer | आज तंत्रज्ञान
Mistral AI ची नवीन मॉडेल्स सर्व भाषा बोलणाऱ्यांसाठी चांगली कामगिरी करू इच्छित होती, म्हणून त्याने इंग्रजी डेटाच्या प्रमाणात गैर-इंग्रजी प्रशिक्षण डेटाचे प्रमाण वाढवले. “मला वाटते की लोक सहसा बहुभाषिक क्षमतेवर जास्त दबाव आणत नाहीत कारण त्यांनी तसे केल्यास, प्रत्येकजण पाहत असलेल्या सामान्य मानकांच्या विरूद्ध कार्यप्रदर्शन देखील थोडेसे खराब होईल,” लॅम्पेल म्हणाले. “म्हणून, जर तुम्हाला तुमचे मॉडेल खरोखरच सामान्य बेंचमार्कवर चमकायचे असेल, तर तुम्हाला बहुभाषिक (कार्यप्रदर्शन) बलिदान द्यावे लागेल. याउलट, जर तुम्हाला तुमचे मॉडेल बहुभाषिकांमध्ये खरोखर चांगले काम करायचे असेल, तर तुम्हाला मुळात सामान्य बेंचमार्कचा त्याग करावा लागेल.”
विविध वापरांसाठी विविध आकार
एकूण 675 अब्ज पॅरामीटर्ससह सामान्य-उद्देश असलेल्या लार्ज मिस्ट्रल 3 मॉडेलच्या व्यतिरिक्त, मिनिस्ट्रल 3 – 3 अब्ज, 8 अब्ज आणि 14 अब्ज पॅरामीटर्स नावाची तीन लहान मॉडेल्स आहेत – प्रत्येक तीन प्रकारात येतात, एकूण नऊसाठी. (एक पॅरामीटर एक वजन किंवा कार्य आहे जे मॉडेलला त्याचा इनपुट डेटा कसा हाताळायचा हे सांगते. मोठे मॉडेल चांगले आणि अधिक सक्षम असतात, परंतु त्यांना अधिक संगणकीय शक्ती देखील आवश्यक असते आणि ते हळू चालतात.)
लहान मॉडेलचे तीन प्रकार अशा प्रकारे विभागले गेले आहेत: एक मूलभूत मॉडेल जे वापरकर्त्याद्वारे सुधारित आणि ट्वीक केले जाऊ शकते, एक मॉडेल जे चांगले कार्य करण्यासाठी Mistral द्वारे चांगले-ट्यून केलेले आहे आणि एक चांगले उत्तर मिळविण्यासाठी क्वेरीची पुनरावृत्ती आणि प्रक्रिया करण्यासाठी अधिक वेळ घालवणारे मॉडेल.
अधिक वाचा: AI मूलभूत गोष्टी: आमच्या तज्ञांच्या मते, तुम्ही AGI ला तुमच्यासाठी 29 मार्गांनी कार्य करू शकता
लहान मॉडेल्स विशेषतः महत्वाचे आहेत कारण अनेक AI वापरकर्त्यांना असे काहीतरी हवे असते जे एक किंवा दोन कार्ये चांगल्या प्रकारे करतात आणि मोठ्या, महागड्या जेनेरिक मॉडेल्सच्या विरूद्ध कार्यक्षमतेने करतात. डेव्हलपर ही मॉडेल्स त्या विशिष्ट नोकऱ्यांसाठी सानुकूलित करू शकतात आणि कोणतीही व्यक्ती किंवा कंपनी त्यांना त्यांच्या स्वतःच्या सर्व्हरवर होस्ट करू शकतात, त्यांना डेटा सेंटरमध्ये चालवण्याचा खर्च वाचवू शकतात.
लहान मॉडेल विशिष्ट हार्डवेअरवर देखील चालू शकतात. तुमच्या स्मार्टफोनवर एक लहान डिव्हाइस चालू शकते आणि तुमच्या लॅपटॉपवर थोडे मोठे डिव्हाइस. यात गोपनीयता आणि सुरक्षितता फायदे आहेत – तुमचा डेटा कधीही तुमचे डिव्हाइस सोडत नाही – तसेच खर्च आणि ऊर्जा बचत.
डिव्हाइसवर चालणाऱ्या छोट्या मॉडेललाही काम करण्यासाठी इंटरनेट प्रवेशाची आवश्यकता नसते, जे तुम्ही रोबोट आणि कार सारख्या गोष्टींमध्ये AI वापरण्याचा विचार करता तेव्हा अत्यावश्यक आहे, जेथे गोष्टी योग्यरित्या कार्य करण्यासाठी विश्वसनीय वाय-फायवर अवलंबून राहणे आवश्यक नाही.
