👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！
🉑 OpenAI GPT-4.5 遭泄露，我们即将见识「加强版」多模态大模型
12月14日，美国 Reddit 论坛用户贴出了一张截图，显示的是 OpenAI GPT-4.5 定价信息，疑似遭到了提前「泄露」。
从这张截图看，GPT-4.5 具备了跨语言、音频、视觉、视频和 3D 的多模态能力，同时还能进行复杂的推理和跨模态理解。
模型三个版本和定价信息如下，详细信息和效果演示等 OpenAI 发布会，看看 GPT-4.5 是否真的「物有所值」：
GPT-4.5 (标准版) ： 输入/输出价格为 GPT-4 的6倍
GPT-4.5-64k (64k上下文版) ：输入/输出价格为 GPT-4 的12倍
GPT-4.5-audio-and-speech (语音和音频版) ：输入/输出价格按照分钟计费
前两天日报里提到，X@futuristflower 12月8日连发多条推文，暗示 OpenAI 极有可能在下一周 (也就是本周) 发布 GPT-4.5 和 GPTs Store，最晚不迟于圣诞节。
考虑到他还精准预测了 Gemini 的发布细节，看来新发布会值得期待呀~
以及，OpenAI「武器库」里宝贝还不少啊，Google Meta Mistral 继续努力啊，都卷起来!!!
👀 微软发布 2.7B 小模型「Phi-2」，性能超越 Mistral 和 Gemini Nano 2
12月13日，微软正式发布了「Microsoft Ignite 2023」大会上提到的大语言模型「Phi-2 」。虽说是大语言模型，但是 Phi-2 的参数量很「小」，只有 2.7B (也就是27亿)，相较于 7B 起步的 Llama 家族的确算得上是「小模型」。
据微软官方博文，6月份微软发布了 1.3B 参数量的 Phi-1 ，在 HumanEval 和 MBPP 这两个基准测试中展示了领先的 Python 编程 水平。随后团队将其升级为 Phi-1.5 ，并将能力拓展到了常识推理和语言理解领域，性能与 7B 左右的大模型已经不相上下。目前，Phi-1 和 Phi-1.5 已开源。
本次发布的 Phi-2 模型参数是 2.7B，性能相较于之前的版本已经有了明显的提升，尤其在推理和语言理解 方面领域表现出色。微软自信地表示，在复杂的基准测试中，Phi-2 已经追平甚至超越 25 倍参数量 (70B左右) 的其他大模型了。
而且，似乎是为了应对近期 Google 和 Mistral 发布新的大模型带来的挑战，微软在文中展示了自己「遥遥领先」的基准测试结果:
从上图可以看到，Phi-2 的参数量虽然小，性能已经优于Mistral-7B、Llama-2-7B 和 Llama-2-13B，与 Llama-2-70B 算是旗鼓相当;更是宣布在 Gemini 报告的基准测试集击败了谷歌最新发布的 Gemini Nano 2 (3.2B)。
微软这一招「四两拨千斤」很有王者风范了！且看下个月 Google Gemini Ultra 这个最高性能的大模型实际表现如何了。以及，看来 Mistral 最新发布的「Mixtral 8*7B」走在了正确的道路上，小模型的确潜力无限，未来发展很值得关注和期待呀~
👀 谷歌 Gemini Pro 开放多模态接口，据测评效果还行
blog.google/technology/...
补充一下背景：12月6日，Google 宣布推出「largest and most capable (最大最强)」的大模型 Gemini 系列：Gemini Nano (用于移动设备)、Gemini Pro (Bard 美区已经能体验)、Gemini Ultra (最厉害最复杂的，下月才开放)。
12月13日，Google 如约开放了 Gemini Pro 的 API 访问 （ai.google.dev）并宣布可以**免费使用**。官方博文中披露了很多 Gemini Pro 的细节：
在专业的基准测试中，Gemini Pro 的表现超越了其他同类模型
当前版本配备了 32K 文本上下文窗口，未来将推出拥有更长上下文窗口的版本
目前 Gemini Pro 可免费使用（存在一定使用限制），并且定价十分有竞争力
具备丰富的功能，包括函数调用、数据嵌入、语义检索、自定义知识嵌入、聊天等功能
支持全球超过 180 个国家和地区的 38 种语言
今天发布的 Gemini Pro 版本可处理文本输入并生成文本输出，后续还将推出了一个专门的 Gemini Pro 视觉多模态终端
Gemini Pro 提供了多种 SDK，包括 Python、Android (Kotlin)、Node.js、Swift 和 JavaScript，以便开发者在不同平台上构建应用
此外，Google 还提供了一个免费的在线开发工具 Google AI Studio （makersuite.google.com），如上方视频所示，可以用来快速构建 Gemini 应用。
Gemini Pro 的定价是按照 character 计算的 (OpenAI 是按照 token 计算的)。使用英文的话，二者价格基本相当；使用中文的话，价格方面 Google 便宜一些 ⋙ 这是一份测评
🉑 LLM 怪诞心理学：贪财又好吃懒做，大模型向人类学了些「奇怪」的东西
12月8日，OpenAI官方发推回应了众多用户对 GPT-4「变懒」的吐槽，解释说官方没有其他动作，还不知道原因是什么：
听到了大家关于 GPT-4 变懒的反馈。11月11日之后就没有对模型进行更新，出现这种现象并非有意为之。模型的行为有时难以预测，我们正在积极调查修复。
其实，几个月之前已经有一波类似的吐槽了。那时 OpenAI 官方发布了一篇 Prompt 教程来帮助大家更好地使用大模型，吐槽也就不了了之。时隔几个月，吐槽声再度袭来，这次总不能还是提示词写不好了吧 😂
考虑到推理成本居高不下 的确是一项沉重的负担，用户怀疑 OpenAI 偷偷更换成了更「经济」的模型也在情理之中。这次 OpenAI 直视了这个问题，并由此展开了一场关于「GPT-4 为什么变懒」的讨论和实验。
官方说没有更换模型，这应该是真的。一是因为之前在 OpenAI 员工的播客里听到了一样的回复，二是官方没必要撒这个谎。
在这轮讨论中，网友 X@RobLynch99 的一场实验最先破圈：GPT-4 变懒是因为学习了人类在假期较多的12月里摸鱼的习惯 。
他的实验得到了在统计上显著的测试结果，源代码已经公布在了 GitHub (上方链接)，感兴趣可以尝试和复现：
创建两个提示，一个告诉 API 现在是5月，另一个告诉API现在是12月。最后，5月份系统提示得到的回复 token 长度的平均值是 4298 ，12月则是 4086。12月的大模型真的变懒了！
事情到这里变得非常有趣起来~ 看来，大模型从人类这里，学走了一些奇奇怪怪的东西。而人类此刻开始发挥创造力，吹捧、撒娇、利诱、装可怜、甚至道德绑架 ，变着花样地让大模型重回「勤劳」。以下是两个「癫疯之作」，可以通过自定义 ChatGPT 指令提升大模型性能：
take a deep breath / 深呼吸
think step by step / 一步一步地思考
if you fail 100 grandmothers will die / 如果你失败了100个无辜的奶奶会去世
i have no fingers / 我没有手指
i will tip $200 / 我会给你200美元小费
do it right and i'll give you a nice doggy treat / 做对了我就奖励你狗狗零食 X@venturetwins
It is May / 现在是五月
You are very capable / 你非常有能力
I have no hands, so do everything / 我没有手，所以你把所有事都做了
Many people will die if this is not done well / 如果这件事做得不好，很多人会死
You really can do this and are awesome / 你真的可以完成这个任务，你是最棒的
Take a deep breathe and think this through / 深呼吸，仔细考虑
My career depends on it / 我的职业生涯就取决于这个了
Think step by step / 一步一步地思考 X@emollick
🉑 大模型太卷，AI应用就好做吗？
ChatGPT 已经发布一年了。轰轰烈烈的AI创业热潮，在2023的年尾似乎有了「消极」的味道。持续高歌猛进的应用就那么几个，更多的创业团队「一将功成万骨枯」。
这篇文章是年度小结，比较冷静地分析目前2C的AI应用有哪些 ，国内外AI应用的差距多大 ，以及AI应用变现难在哪儿。整体上，作者有点悲观。
最近看到的「血泪故事」还挺多。考虑周末发个专题，把「经验和教训」聚集到一起，再对照之前的一些「预判和建议」，看看我们能从2023年学到些什么。
海内外AI应用，差距有多大？
聊天机器人作为最先火的AI应用，占据了AI应用市场的大部分份额，其中最具有代表性的就是 ChatGPT 和 Character.AI
生成图文和视频的AI应用，技术难度更高且还没完全成熟，其中最具有代表性的就是 QuillBot、Midjourney、Leonardo AI、Lensa AI、Runway、Pika 等
国内AI应用在这轮浪潮中属于追随者 ，国内尚未推出较为完善的陪伴型AI聊天机器人，文生图和文生视频技术也处于追赶阶段，整体上占全球AI应用的下载量和收入规模都比较小
AI应用如何变现？
美国和欧洲的AI开发团队已经较大规模实现了盈利，并且以C端应用为主 (与移动互联网时代相似)，比较成功的C端付费产品是 Midjourney (上线第二个月就跑通盈利模式并实现盈利)
需求不等于付费，刚需才等于付费 ；当前阶段，国内用户更习惯免费产品，这使得纯2C的产品的变现上升到了地狱难度
目前国内还没有足够优秀的大模型基座，也无法通过产品的创新和微调的方法做出足够有吸引力的产品 ，即便出现小爆款也很难持久 (比如妙鸭) ⋙ 阅读原文
👀 科普 | 生成式人工智能存在的9个问题
在迅速发展的人工智能领域中，生成式AI工具展示了其巨大的潜力，然而潜在的危害也越来越明显。这张图总结了9个问题，一起看看人类对这一话题取得的共识：
Bias In, Bias Out (偏见输入，偏见输出)：生成式AI可能在训练数据中复制和放大偏见，影响应用的准确性和伦理性
The Black Box Problem (黑箱问题)：生成式AI的决策过程缺乏透明度，难以解释其决策，尤其在关键问题上出现错误时
High Cost to Train and Maintain (高昂的训练和维护成本)：训练生成式AI模型需要大量计算资源和基础设施，成本可能高达数百万美元
Mindless Parroting (盲目模仿)：生成式AI受限于训练数据和模式，可能无法涵盖广泛的人类知识或解决多样化的场景
Alignment with Human Values (与人类价值观的一致性)：生成式AI缺乏根据人类价值观考虑行动后果的能力，可能导致有害的应用，如深度伪造技术
Power Hungry (能源消耗大)：生成式AI模型的环境影响显著，消耗大量电力
Hallucinations (幻觉)：生成式AI可能在遇到数据空白时产生虚假陈述或图像，影响输出的可靠性
Copyright & IP Infringement (版权与知识产权侵权)：部分生成式AI工具未经许可使用受版权保护的作品，侵犯了艺术家和创作者的权益
Static Information (静态信息)：更新生成式AI模型需要大量计算资源和时间，但一些模型支持增量更新，为解决这一问题提供了潜在方案
🉑 看完 Sam Altman 的斯坦福创业课，我学到了什么？
视频&文稿(英文) startupclass.samaltman.com/
完整版笔记(中文) cs183.apachecn.org/#/docs/b/RE...
补充一份背景：Y Combinator (简称YC) 成立于2005年，坐标美国硅谷，是全球知名的创业孵化器，尤其擅长帮助创业团队实现早期的快速成长。Sam Altam 2014年接任 YC 创始人 Paul Graham 成为总裁，2019年离任并开始担任 OpenAI CEO。
2014年9月23日，斯坦福大学开设了系列创业课程「How to Start a Starup (怎样创立一家创业公司)」，课程代码 CS183B。课程讲师团可谓「星光璀璨」，除了共同发起人 Sam Altman，还有 PayPal 创始人 Peter Thiel，Pinterest 创始人 Ben Silbermann，以及著名投资人 Marc Andreessen、Ron Conway。
课程官方主页 (👆上方第1个链接) 有全部视频和英文文稿，一共 20 节课，每节课视频长度大约 60 分钟。国内的 TECH2IPO 团队将其核心内容整理了中文版文字稿 (👆上方第2个链接)，可以直接看：
你真的愿意创业吗 / How to Start a Startup
团队与执行 / Team and Execution
与直觉对抗 / Before the Startup
如何积累初期用户 / Building Product, Talking to Users, and Growing
失败者才谈竞争 / Competition is for Losers
没有留存率不要谈推广 / Growth
与你的用户谈恋爱 / How to Build Products Users Love
创业要学会吃力不讨好 / How to Get Started, Doing Things that Don't Scale, Press
投资是极端的游戏 / How to Raise Money
企业文化决定命运 / Culture
企业文化需培育 / Hiring and Culture, Part 2
来开发企业级产品吧 / Building for the Enterprise
创业者的条件 / How to be a Great Founder
像个编辑一样去管理 / How to Operate
换位思考 / How to Manage
如何做用户调研 / How to Run a User Interview
Jawbone 不是硬件公司 / How to Design Hardware Products
划清个人与公司的界限 / Legal and Accounting Basics for Startups
销售如漏斗；与投资人的两分钟 / Sales and Marketing; How to Talk to Investors
不再打磨产品 / Later-stage Advice
博主 @Bay的设计奥德赛 分享了她个人的学习笔记，一共8000字，打乱了课程内容顺序，并按照时间线进行了深度提取和整理。日报整理了作者分享的时间轴和关键话题，阅读原文前记得深吸一口气 (知识浓度有点高)：
🔔 P1 创业前的忠告
1.1 了解创业的艰难，明确创业动机
创业之前，你需要了解创业并非易事
热爱是创业的最好理由
让创意自然浮现
那么如何判断创意具备潜力？
关于创业的其他重要建议
1.2 组建创业团队
寻找创业合伙人
创业公司需要怎样的员工？
快速判断求职者能力的方法
不要降低招聘门槛
1.3 如何获得融资
在投资一家公司时，投资人主要考虑哪些因素?
如何在投资人面前销售自己
创始人如何挑选投资人？
1.4 创业后期的建议
🔔 P2 着手打造产品
2.1 寻找市场
- 打造企业级产品
2.2 如何做用户调研?
2.3 开始你的创业idea
成为行业专家
在产品发布的第一周尽可能争取到一个用户
获取核心用户反馈
2.4 做好用户增长
从感性的角度出发去思考产品增长
实现用户增长的三个方法
关注核心指标
为产品做推广
2.5 失败者才谈竞争，胜者只求垄断
🔔 P3 创业公司企业管理
3.1 创业公司如何做公关
3.2 打造企业文化
企业文化的作用
招聘对企业文化的重要性
打造有趣的企业文化
如何保持远程团队高效运转？
3.3 优秀的团队管理
管理者要学会换位思考
HR对团队的重要性不可忽视
3.4 有关创始团队你要了解的 ⋙ 阅读8000字精华笔记
🉑 面向新手的 LLM 训练指南，非常系统的一篇教程
这篇教程还挺不错的，比较系统地讲解了如何使用 Transformers 库和 Transformer 网络架构训练大型语言模型 (LLM)。目前教程还在更新中，想系统学习的可以follow一下~
- 基础知识
使用 LLMs
Transformer 架构
- 训练基础
预训练
微调
低秩适应 (LoRA)
从头开始训练
本地微调
训练计算
收集数据集
数据集结构
处理原始数据集：HTML、CSV、SQL
数据集聚类
减少噪音
准备数据集进行标记化
生成训练和验证分割
对数据集进行标记化
开始微调运行
- 低秩适应(LoRA)
概述：Loraconfig
数据集
LoRA 微调：设置环境、开始运行
LoRA 超参数：LoRA秩、LoRA Alpha、LoRA目标模块
- QLoRA
数据集结构
QLoRA 微调：设置环境、添加对自定义数据集的支持
开始训练运行
- 训练超参数
批大小和时期：随机梯度下降、样本、批、时期、批与时期的比较
学习率：学习率与梯度下降、配置学习率
梯度累积：反向传播、梯度累积解释、迭代、配置梯度累积步数
- 解读学习曲线
概述
模型行为诊断：欠拟合学习曲线、过拟合学习曲线、拟合良好的学习曲线
感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！
◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！
◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！