国内大模型 T1 —— Kimi,解析二百万上下文无压力

两位百万?怎么做到的?

前段时间写过一篇文章:# GPT4-Turbor 128k ? 还不够?还不够!记得 GPT4-T 的上下文参数量 128k,也就大概 100 万英文字符、50 万汉字字符,kimi 是如何做到 double 的?

真的能做到吗?

上下文的扩充有尽头吗?

在前面文章里提到了 RAG 技术,即 生成式检索增强,它能通过 API 调用,请求页面或读取文件,优化检索数据,缩小文本或标记梳理,同时保留必要信息;然后使用文本分割器,将文档转换为段落、代码块,确定每段落大小;接着进行语义索引、并存储在向量数据库;在回复用户生成的内容前,选择与用户初始请求语义相关的段落块,插入到提示中。

白话来说就是将上下文提示语分块、分析、加权重、插入到提示,那么:如果能无限扩充上下文长度,RAG 技术还有意义吗?

Kimi 背后原理,官网做出了解释:# Kimi Chat 公布"大海捞针"长文本压测结果

这里的"针"就是"大上下文提示语"的核心,我们需要提取的、解析的核心:

有几个有意思的数据:

1、GPT-4 Turbo(128K)在语料长度超过 72K 且句子("针")藏在文本头部的时候,准确率不佳。(这也是我们前面提到过的)

2、而Claude 2.1似乎在语料长度超过20K 之后就开始准确率不佳,而且句子( 针)藏在语料靠前的位置时,准确率尤其差。

而 Kimi Chat 在"大海捞针"实验中的测试结果是这样的:

kimi 的测试结果好的让人意外!

那... kimi 究竟做对了什么?

官方也没明说,只是最后给了个这样的结论:

具体技术实现细节,背后是大量复杂的工程优化和算法创新设计,这也是 kimi 团队核心技术壁垒,不得而知。

内部成员的回复:

思考:

以后的大模型比拼什么?两点:

1、数据的精准性-各行业

2、计算能力、解析能力-这里的大文本上下文解析就算!


说到这里,我们不难发现:成长与发展是工作与生活的主旋律 ~ 最后,自荐一下我和机械工业出版社联合出版的 《程序员成长手记》 一书:全书分为3大模块、8个章节:从入门程序员到程序员自驱成长,回归纸质阅读,相信能给你一个更全局的程序员视野,提供成长帮助。京东搜"程序员成长手记"

OK,以上便是本次分享,希望各位喜欢~ 欢迎点赞、收藏、评论 🤟 我是安东尼 🤠 人气技术博主 💥 坚持千日更文 ✍ 关注我,安东尼陪你一起度过漫长编程岁月

相关推荐
明似水2 分钟前
Perplexity AI:对话式搜索引擎的革新者与未来认知操作系统
人工智能·搜索引擎
heart000_116 分钟前
从实验室到生产线:机器学习模型部署的七大陷阱及PyTorch Serving避坑指南
人工智能·pytorch·机器学习
锈儿海老师35 分钟前
关于平凡AI 提示词造就世界最强ast-grep 规则这件事
前端·javascript·人工智能
腾讯云开发者2 小时前
腾讯云架构师技术沙龙 · 长沙站圆满落幕,共话AI驱动下的技术架构与前沿应用
人工智能
学习OK呀2 小时前
MCP 的相关实操学习
人工智能·后端
明似水2 小时前
点点(小红书AI搜索):生活场景的智能搜索助手
人工智能·生活
ZzzZ314159262 小时前
七天速成数字图像处理之七(颜色图像处理基础)
图像处理·人工智能·深度学习·计算机视觉·数学建模
ExistOrLive2 小时前
ZLGithubClient 1.8.0 版本功能说明
ios·github
明似水2 小时前
通义千问(Qwen):阿里云打造的全能AI大模型
人工智能·阿里云·云计算
光算科技2 小时前
CDN加速导致CLS升高图片托管服务器的3个选择标准!
服务器·前端·github