eroberten die Welt des autonomen Fahrens im Sturm mit ihrer neuen AlpamayoR1-Architektur, die ein großes Imaginative and prescient-Language-Modell als kausal fundiertes Rückgrat integriert. Diese Veröffentlichung, begleitet von einem neuen großen Datensatz und einem fotorealistischen Fahrsimulator, positioniert das Unternehmen bereits im Jahr 2026 als einen der Hauptakteure auf diesem Gebiet.

In diesem Artikel werden wir die AlpamayoR1-Architektur, die Argumentation der Kausalkette sowie das aufwändige Trainingsverfahren, das zum Trainieren des Modells verwendet wird, aufschlüsseln.

Der aktuelle Stand des autonomen Fahrens

Die Veröffentlichung von AlpamayoR1 (AR1) findet Kontext im aktuellen Paradigma der Finish-to-Finish (E2E)-Architekturen. E2E-Modelle zielen darauf ab, rohe sensorische Eingaben (Kameras, LiDAR, Radar usw.) auf Trajektorien in einer vollständig differenzierbaren Architektur abzubilden und so ein einheitliches Ziel zu optimieren.

Ein aufkommender E2E-Pattern besteht darin, das umfangreiche Weltwissen großer Imaginative and prescient-Language-Modelle (VLMs) zu nutzen, um komplexe Fahrsituationen zu bewältigen. Dabei handelt es sich im Allgemeinen um die Verwendung von VLMs als Schlussfolgerungsbasis zur Info über zukünftige Entwicklungen oder als Expertenlehrer, um kleineren Schülermodellen Aufsichtssignale zu geben.

Die AR1-Architektur

AR1 ist ein Paradebeispiel für den Reasoning-VLM-as-a-Spine-Ansatz. Trotz ihrer enormen Größe ist die Architektur für den realen Einsatz optimiert und weist eine Latenz von auf 99ms oder 10Hz auf einer einzelnen BlackWell-GPU, die aus Sicherheitsgründen als allgemeines Ziel gilt. In diesem Abschnitt werden wir die Architektur und ihre zahlreichen Innovationen aufschlüsseln.

Imaginative and prescient-Encoder

AR1 verwendet sowohl visuelle als auch textuelle Eingaben in Type von tokenisierten Kamera-Feeds und Anweisungen in natürlicher Sprache. Für die Leistung ist es entscheidend, dass der Imaginative and prescient-Encoder möglichst wenige Token produziert.

Zu diesem Zweck verwendeten die Autoren einen Imaginative and prescient Transformer (ViT)(2) zur Einzelbild-Tokenisierung. ViTs partitionieren Bilder in einer Folge von Token, die von einem regulären Transformator codiert werden. Beachten Sie, dass die Integration effizienterer Algorithmen wie Flex (3) für die Multi-Video-Tokenisierung zukünftiger Arbeit vorbehalten bleibt.

Argumentationsrückgrat

Die AR1-Architektur basiert auf Cosmos-Motive, einem der VLMs von Nvidia, der speziell für verkörpertes Denken in Anwendungsfällen der physischen KI trainiert wurde. Der übliche Trainingssatz umfasst 3,7 Millionen allgemeine visuelle Frage-Antwort-Beispiele (VQA), um auch den physikalischen allgemeinen Satz des Modells zu verbessern, ergänzt durch 24,7.000 Fahrbeispiele. Dazu gehören Video-VQA, die mit DeepSeek-R1-Argumentationsspuren kommentiert sind, um die nächste Aktion vorherzusagen.

Cosmos-Motive verarbeitet visuelle und Textual content-Tokens zusammen mit der aktuellen Ego-Geschichte (vergangene xy-Positionen und Winkel des Ego-Fahrzeugs) zur Ausgabe Kausalkette Argumentationsspuren, um zukünftige Flugbahnen zu informieren.

Kausalkette

Eine entscheidende Einschränkung von Sprachmodellen liegt in der inhärenten Mehrdeutigkeit von Textbezeichnungen in visuellen Datensätzen. Dazu gehören vage Beschreibungen ohne kausale Struktur. Auf solchen Daten trainierte Modelle weisen eine geringe Korrelation zwischen ihren Argumentationsspuren und vorhergesagten Aktionen sowie kausale Verwirrung auf.

Für einen verkörperten Agenten wie ein autonomes Auto sind ausgeprägte Fähigkeiten zum Kausaldenken unerlässlich. Um diese Probleme zu umgehen, hat das Nvidia-Staff erhebliche Anstrengungen unternommen, um einen Fahrdatensatz mit kausal konsistenten Anmerkungen zu erstellen.

Konkret enthält der Datensatz 20-Sekunden-Clips, die aus realen Fahraufzeichnungen in verschiedenen Umgebungen und Ländern extrahiert wurden. Jeder Clip enthält 2 Sekunden Kontext, der zu einer Fahrentscheidung (z. B. Überholen, Nachgeben, Überfahren einer Kreuzung usw.) und deren Konsequenzen führt. Die kausale Struktur dieser Szenarien wird durch konsistente Textanmerkungen nach einer strengen Vorlage offengelegt.

Die ersten 10 % des Datensatzes werden von Menschen annotiert, während der Relaxation von hochmodernen VLMs wie GPT5 annotiert wird, um den Kennzeichnungsprozess zu skalieren. Auch hier werden erhebliche Anstrengungen unternommen, um die Konsistenz, Qualität und Korrektheit dieser menschlichen und KI-Anmerkungen sicherzustellen.

Flugbahndecoder

Der letzte Schritt des Vorwärtsdurchlaufs besteht darin, die Argumentationsspuren in eine 64-Punkte-Trajektorie zu dekodieren. Während Trajektorien normalerweise als Folge von Wegpunkten (xy-Koordinaten) dekodiert werden, stellte das Nvidia-Staff fest, dass die Verwendung der Einraddynamik (d. h. das Erzeugen einer Folge von Beschleunigungswerten und Lenkwinkeln) konsistentere Ergebnisse lieferte. Insbesondere erleichtert es die Lernaufgabe, indem es verhindert, dass das Modell physikalisch unmögliche Trajektorien vorhersagt (z. B. wenn Punkt t zu weit von Punkt t+1 entfernt ist).

Interessanterweise verwenden die Autoren eine duale Darstellung der Trajektorie, bei der das Modell während des Trainings autoregressiv diskrete Token generiert und Move-Matching verwendet, um zur Inferenzzeit eine kontinuierliche Trajektorie zu generieren. Die Hauptgründe für dieses Design sind folgende:

1. Gemeinsamer Aktionsbegründungs-Token-Raum: Die Verwendung diskreter Aktionstoken ermöglicht eine engere Kopplung zwischen Argumentationsspuren und Aktionen. Wenn das Modell eine Argumentationsspur generiert, werden die nächsten Token in der Sequenz (Beschleunigung und Krümmungen) mathematisch mit dieser Erklärung verknüpft, wodurch Halluzinationen verhindert werden.
2. Erleichterung der RL-Optimierung: Die Beschränkung der Menge möglicher Aktionstoken auf eine diskrete Menge erleichtert die RL-Optimierung erheblich. Tatsächlich wird durch die Auswahl des richtigen Tokens aus einem diskreten Vokabular (z ACCEL_NEG_2) ist wesentlich einfacher als die Bereitstellung eines Gradienten für einen kontinuierlichen Wert wie -2.145 m/s^2. Wie wir im nächsten Abschnitt sehen werden, ermöglicht dies ein RL-Submit-Coaching, was für die Verbesserung der Sicherheit und Konsistenz des Modells von entscheidender Bedeutung ist.
3. Stärkeres Aufsichtssignal: Die Verwendung eines Kreuzentropieverlusts für diskrete Token wirkt wie eine Klassifizierungsaufgabe und erfasst die Multimodalität (z. B. die eindeutige Wahrscheinlichkeit, nach hyperlinks oder rechts abzubiegen) als ein MSE-Verlust an Koordinaten.
4. Flussanpassung für Inferenz: Während sich diskrete Token hervorragend zum Lernen eignen, führen sie typischerweise zu ruckartigen Flugbahnen. Darüber hinaus ist die automatische regressive Generierung einer Sequenz von 128 Token für eine Echtzeitinferenz zu langsam. Um diese Einschränkungen zu beseitigen, stellen die Autoren einen Aktionsexperten vor: eine kleinere Variante der Hauptarchitektur, die den KV-Cache (der visuelle Token, historische Bewegungen und Argumentationsspuren enthält) verwendet, um eine kontinuierliche Flugbahn in einem Durchgang mithilfe von Move-Matching-Diffusion zu dekodieren. Dies ist einer der Hauptgründe, warum AR1 mit einer so geringen Latenz ausgeführt werden kann.

Überwachte Feinabstimmung und RL-Nachschulung

Um das VLM-Spine in eine leistungsstarke Fahrrichtlinie umzuwandeln, wird es einer überwachten Feinabstimmung (SFT) am Datensatz der Kausalkette unterzogen. Insbesondere lernt es, die Argumentationsspuren und die damit verbundenen Grundwahrheitsaktionen zu reproduzieren, indem die Log-Wahrscheinlichkeit der Aktions-Argumentationssequenz maximiert wird:

SFT allein reicht jedoch nicht aus. VLMs leiden bekanntermaßen unter Diskrepanzen zwischen ihren Überlegungen und den vorhergesagten Aktionen. Die statische Natur von Open-Loop-Datensätzen ermöglicht es dem Modell, Argumentationsspuren nachzuahmen, aber das Fehlen von Umweltrückmeldungen hindert sie daran, kausale Reaktionen wirklich zu verinnerlichen.

Glücklicherweise trägt das RL-Submit-Coaching dazu bei, diese Einschränkungen zu mildern, indem es Rückschluss-Suggestions zu den Rollouts des Modells liefert. In diesem Artikel verwenden die Autoren RL für drei Hauptzwecke:

1. Verbesserung der Argumentationsqualität: Ein großes Argumentationsmodell (z. B. DeepSeek-R1) wertet die Argumentationsspuren von AR1 aus, um sicherzustellen, dass keine Inkonsistenzen oder Halluzinationen vorliegen, und weist dementsprechend eine diskrete Belohnung auf einer Skala von 0 bis 5 zu. Während DeepSeek voraussichtlich nicht in der Lage sein wird, qualitativ hochwertige Argumentationsspuren für das Fahren zu generieren, ist es deutlich einfacher, die Argumentation von AR1 auszuwerten Generationsüberprüfungslücke.
2. Durchsetzung der Konsistenz von Argumentation und Handlung: die Autoren extrahieren Meta-Aktionen (beschleunigen, lenken, geradeaus fahren, …) aus dem CoC-Datensatz mithilfe regelbasierter Systeme. Wenn diese Metaaktionen den in den Begründungsspuren genannten entsprechen, erhält das Modell eine zusätzliche Belohnung von 1, andernfalls 0.
3. Qualität der Flugbahn: Eine Flugbahnbelohnung misst den L2-Abstand zwischen der vorhergesagten und der Expertenflugbahn und bestraft Flugbahnen, die zu Kollisionen und starken Stößen führen.

Während der Nachschulung generiert AR1 mehrere parallele Rollouts und sammelt Belohnungen r_i basierend auf den drei oben genannten Belohnungssignalen. Diese Belohnungen werden dann verwendet, um den GRPO-Verlust zu berechnen (4). GRPO berechnet den Vorteil jedes Rollouts im Verhältnis zum Gruppendurchschnitt. Dieser baselinefreie Ansatz (im Gegensatz zu anderen RL-Algorithmen wie PPO) stabilisiert das Coaching, indem er Argumentationspfade belohnt, die ihre Gegenstücke bei derselben Eingabe übertreffen, anstatt sich auf eine willkürliche absolute Punktzahl zu verlassen.

Alles, was Sie über dieses Ziel verstehen müssen, ist, dass es darauf abzielt, die Wahrscheinlichkeit von Trajektorien (dem Log-Time period) mit einem hohen Vorteil (dem Softmax-Time period) im Vergleich zu anderen zu maximieren. Um den Verlust von Imaginative and prescient-Language-Priors aus dem VLM und des während der SFT erlangten Fahrwissens zu vermeiden, wird das Ziel durch eine KL-Divergenz zwischen der aktuellen Richtlinie und der Referenz (der am Ende der SFT erhaltenen Richtlinie) reguliert.

Auswertung

Das Bewertungsprotokoll umfasst vier Abschnitte: Flugbahnvorhersage im offenen Regelkreis, Simulation im geschlossenen Regelkreis, Ablationsstudien und Straßentests im Fahrzeug. Während die Tatsache, dass AR1 in realen Szenarien eingesetzt wurde, beeindruckend ist, sind die Ergebnisse im offenen und geschlossenen Regelkreis etwas undurchsichtig Meiner Meinung nach; Der Hauptgrund dafür ist, dass sie auf Nvidia-Datensätzen (geschlossener Regelkreis: PhysicalAI-AV-Datensatz, geschlossener Regelkreis: AlpaSim) erstellt wurden, die gleichzeitig mit dem Modell veröffentlicht wurden. Dies impliziert einen Mangel an Grundlagen zur Kontextualisierung der Leistungen von AR1.

Beispielsweise enthalten die Closed-Loop-Ergebnisse nur AR1 und eine Basislinie ohne Begründung für 75 Szenarien. Während AR1 bei allen gemessenen Kennzahlen die Basislinie übertrifft, liegt dies im Durchschnitt oft nur um ein Prozent und mit einer viel größeren Varianz als die Basislinie.

Aus diesem Grund würde ich empfehlen, diese Ergebnisse mit Vorsicht zu genießen, bevor andere Frontier-Architekturen in AlpaSim evaluiert werden.

Abschluss

Trotz des Mangels an kontextualisierten Ergebnissen bleiben AR1 und die dazugehörigen Datensätze eine beeindruckende technische Leistung und ein guter Hinweis darauf, wohin sich das autonome Fahren entwickelt: Finish-to-Finish-Modelle, die das Weltwissen von riesigen VLMs übernehmen, die auf verkörperte Aufgaben trainiert wurden.

Allerdings erfordert die Sammlung kausal fundierter Datensätze, die zur Ermöglichung einer Kausalkette erforderlich sind, erhebliche Investitionen und Kennzeichnungsaufwände, was die Reproduzierbarkeit einschränkt bis diese Datensätze veröffentlicht werden. In meinem nächsten Artikel werde ich den AR1-Ansatz einem anderen hochmodernen Modell gegenüberstellen, das vollständig auf Textetiketten verzichtet und stattdessen VLMs darin trainiert, in einem latenten Raum zu handeln und zu argumentieren.

Vielen Dank, dass Sie bis hierher gelesen haben!

Wenn Sie diesen Artikel nützlich fanden, denken Sie bitte darüber nach es teilen; Es trägt wirklich dazu bei, den Zeit- und Arbeitsaufwand zu decken, der in die Erstellung dieser Arbeit investiert wird. Wie immer, zögern Sie nicht Kontaktieren Sie mich wenn Sie Fragen, Gedanken oder Ideen für Folgemaßnahmen haben. Wenn Sie meine unabhängige Forschung und mein Schreiben unterstützen möchten, können Sie dies gerne tun kauf mir einen Kaffee

Bis zum nächsten Mal!

Quellen

Nur Tage nach dem Begin der GPT 4.1 FamilieOpenai hat seine O3- und O4-Mini-Argumentationsmodelle veröffentlicht und einen Sprung in Richtung Agi gemacht (Künstliche allgemeine Intelligenz). Die O3- und O4-Mini sind nicht nur AI-Modelle; Sie sind KI-Systeme, die mit fortschrittlicher Intelligenz, Autonomie, Instruments-Aufruffunktion und realen Software program-Engineering-Fähigkeiten ausgestattet sind. Diese neuen Modelle warten nicht darauf, dass Sie die Arbeit erledigen. Sie gehen voran, verwenden ihre Werkzeuge und automatische Aufgaben selbst! Lassen Sie uns additionally die Funktionen, Benchmark-Leistungen und Anwendungen der neuen O-Serie-Modelle-O3 und O4-Mini-untersuchen.

Was sind O3 und O4-Mini?

O3 und O4-Mini sind die neuesten Argumentationsmodelle von Openai, die frühere Modelle in der O-Serie wie O1 und O3-Mini erfolgen und ersetzen. Im Gegensatz zu Commonplace -LLMs, die sich hauptsächlich auf die Mustererkennung und die Textgenerierung konzentrieren, verwenden diese Argumentationsmodelle einen längeren internen „Denkkette“.

Dies ermöglicht es ihnen, komplexe Probleme aufzubauen, verschiedene Schritte zu bewerten und zu genaueren und nachdenklicheren Lösungen zu erreichen. Daher zeichnen sie sich insbesondere in Domänen wie STEM, Codierung und logischem Abzug aus. Darüber hinaus sind diese Modelle die ersten in der O-Serie, die die gesamte Suite von Instruments, die innerhalb von ChatGPT verfügbar sind, agenten und kombiniert werden können.

O3 ist das bisher fortschrittlichste Argumentationsmodell von OpenAI und ist in Aufgaben hervorgerufen, die ein tiefes analytisches Denken in verschiedenen Bereichen erfordern. Gebaut mit dem 10 -fachen des Rechens in eingelegt O1Dieses Modell führt die Fähigkeit ein, „mit Bildern zu denken“. Dies ermöglicht es, über visuelle Eingaben direkt innerhalb seiner kognitiven Prozesse zu verarbeiten und zu verarbeiten, was phänomenal ist

O4-Mini dient als kompaktes, effizientes und kostengünstiges Gegenstück zu O3. Obwohl es kleiner ist, bietet es eine beeindruckende Leistung, insbesondere in Bereichen wie Mathematik, Codierung und visuellen Aufgaben. Sein optimiertes Design sorgt für schnellere Reaktionen und einen höheren Durchsatz, was es für Anwendungen geeignet ist, bei denen Geschwindigkeit und Effizienz von größter Bedeutung sind.

Andere Modelle: OpenAI hat auch eine o4-mini-hohe Variante veröffentlicht, die mehr Zeit für potenziell zuverlässigere Antworten braucht.

Zukünftige Veröffentlichungen: Eine noch leistungsstärkere Model, O3-Professional, die mehr Rechenressourcen nutzt, ist in naher Zukunft für die Freigabe an Professional-Abonnenten geplant.

Lesen Sie auch: LAMA 4 Fashions: Meta AI ist offen die besten Beschaffung

Schlüsselmerkmale von O3 und O4-Mini

Hier sind einige der wichtigsten Merkmale dieser fortschrittlichen und leistungsstarken Argumentationsmodelle:

• Agentenverhalten: Sie weisen proaktive Fähigkeiten zur Problemlösung auf, die den besten Ansatz für komplexe Aufgaben autonom ermitteln und mehrstufige Lösungen effizient ausführen.
• Erweiterte Werkzeugintegration: Die Modelle verwenden nahtlos Instruments wie Webbrowsing, Codeausführung und Bildgenerierung, um ihre Antworten zu verbessern und komplexe Abfragen anzugehen effektiv.
• Multimodales Denken: Sie können visuelle Informationen direkt in ihre Argumentationskette verarbeiten und integrieren, mit denen sie Bilder neben Textdaten interpretieren und analysieren können.
• Erweiterte visuelle Argumentation („mit Bildern denken“): Die Modelle können komplexe visuelle Eingänge wie Diagramme, Whiteboard-Skizzen oder sogar unscharfe/minderwertige Fotos interpretieren. Sie können diese Bilder sogar als Teil ihres Argumentationsprozesses manipulieren (Zoom, Ernte, Drehen, Verbesserung), um relevante Informationen zu extrahieren.

Reflektieren O3 und O4-Mini Agi?

Beide Modelle „O-Serie“ sind speziell so konzipiert, dass sie tiefer denken und komplexe, mehrstufige Argumentation durchführen, bevor sie eine Antwort erzeugen.

Wenn O3 ein Drawback zu lösen ist, wird zunächst Brute Drive verwendet, um eine Lösung zu finden. Das Modell findet dann eine intelligentere Möglichkeit, die Berechnung durchzuführen, und präsentiert es in einem ordentlichen Format. Es wird die Antwort weiter überprüft und es vereinfacht, dem Benutzer eine sehr einfache und leicht verständliche Antwort zu bieten.

Obwohl ein Teil dieses Denkprozesses auf dem Pc und Coaching basiert, wurden diese Modelle nicht explizit gelehrt, die Antwort zu vereinfachen oder sie erneut zu überprüfen. Dies macht sie selbst entwickelnde und selbstlernen Modelle, die uns Agi näher annähern.

Darüber hinaus kann O3 autonom entscheiden, wann und wie die verschiedenen in ChatGPT verfügbaren Instruments (Websuche, Python-Datenanalyse, Dall · E-Bilderzeugung und Imaginative and prescient) zur Lösung komplexer, facettenreicher Abfragen gelöst werden können. Es kann mehrere Instrument -Aufrufe ketten, die Net iterativ durchsuchen, Ergebnisse analysieren und Informationen über Modalitäten hinweg synthetisieren.

Lesen Sie auch: Gegenüber Agi: Technologien, Herausforderungen und der Weg vor uns

Verfügbarkeit von O3 und O4-Mini

Beide Modelle sind über die ChatGPT -Plattform von OpenAI und API -Diensten zugänglich:

Chatgpt -Zugriff: Benutzer, die mit Chatgpt Plus-, Professional- und Teamplänen abonniert sind, können O3-, O4-Mini- und O4-Mini-hohe Modelle direkt auf der Chat-Schnittstelle verwenden. Unternehmens- und Bildungsnutzer erhalten innerhalb einer Woche Zugriff. Freistufe Benutzer können O4-Mini erleben, indem sie die Choice „Denken“ auswählen, bevor sie ihre Abfragen einreichen.

API -Zugang: Entwickler können O3- und O4-Mini über OpenAIs Chat-Abschlüsse-API und die API von OpenAI integrieren und in ihre Anwendungen integrieren Antworten APIAktivieren Sie kundenspezifische KI -Lösungen auf verschiedenen Plattformen.

O3 und O4-Mini: Benchmark-Leistung

Sowohl O3- als auch O4-Mini-Modelle haben in einer Reihe von Commonplace-Benchmark-Exams außergewöhnliche Funktionen gezeigt.

• Swe-Lancer: Die hohen Varianten dieser beiden Modelle funktionieren in diesem kodierenden Benchmark außergewöhnlich intestine und schämen ihre Vorfahren.
• SWE-Bench verifiziert (Software program-Engineering): O3 erzielte einen Wert von 69,1%, während O4-Mini mit 68,1percentgenau folgte. Beide Modelle übertrafen frühere Modelle wie O3-Mini (49,3%) und Wettbewerber wie O3-Mini (49,3%). Claude 3.7 Sonett (63,7%).
• Aider Polyglot (Code -Bearbeitung): Beide Modelle erweisen sich als das Beste aus OpenAI, wenn es um diesen Code -Bearbeitungs -Benchmark geht und neue Datensätze aufstellen.

• Aime 2025 (Mathematik): O4-Mini hat hier einen neuen Benchmark gesetzt, indem er 99,5% erzielte, wenn er mit einem Python-Dolmetscher ausgestattet ist, während O3 direkt dahinter liegt und 98,4% erzielt.
• Codeforces (Wettbewerbsprogrammierung): O4-Mini erreichte eine ELO-Bewertung von 2719, was seine fortschrittlichen Fähigkeiten zur Problemlösung in wettbewerbsfähigen Programmierszenarien widerspiegelte. In der Zwischenzeit erzielt O3 2706 und erzielte immer noch exponentiell besser als die anderen Modelle.
• GPQA Diamond (Wissenschaft auf PhD-Ebene): O3 zeigten ohne Werkzeuge fortgeschrittene wissenschaftliche Argumentation, indem sie eine Genauigkeit von 87,7% auf diesem Benchmark erreichte. O4-Mini folgt direkt dahinter mit 81,4%.

• MMMU (massives multimodales Multitasking -Verständnis): O3 hat sich in diesem Benchmark hervorgetan und zeigt seine Fähigkeit, verschiedene und komplexe Aufgaben mit textuellen und visuellen Daten zu erledigen.

• Die letzte Prüfung der Menschheit: Bei dieser Benchmark, die das Denken auf Expertenebene in verschiedenen Bereichen bewertete, erreichte O3 eine Genauigkeit von 26,6%, die alle anderen OpenAI-Modelle übertrifft. Inzwischen übertrifft O4-Mini seinen Vorgänger O3-Mini signifikant.

Anwendungen von O3 und O4-Mini

Das erweiterte Argumentation, die Verwendung von Werkzeugen und die visuellen Funktionen von O3 und O4-Mini entsperren eine breite Palette potenzieller Anwendungen, darunter:

• Komplexe Datenanalyse und Berichterstattung: Analyse von Datensätzen durch Schreiben und Ausführen von Python -Code, Abholung von zusätzlichen Informationen aus dem Net und Generieren von Zusammenfassungen oder Visualisierungen.
• Fortgeschrittene wissenschaftliche Forschung: Unterstützung von Forschern, indem sie komplexe Diagramme interpretieren, experimentelle Daten analysieren, Literatur suchen und möglicherweise neue Anfragen wenden.
• Anspruchsvolles Coding & Software program Engineering: Debugging komplexer Code, generierende Code basierend auf visuellen Mockups oder Diagrammen, Verständnis von Repository-Strukturen und Durchführung von Aufgaben mit mehrstufiger Softwareentwicklung.
• Bildung und Nachhilfe: Erklären Sie komplexe STEM-Konzepte unter Verwendung schrittweise Argumentation, Interpretation von Lehrbuchdiagrammen oder handgeschriebenen Notizen und Bereitstellung einer interaktiven Unterstützung bei der Problemlösung.
• Erstellung und Verständnis für multimodale Inhalte: Erstellen detaillierter Beschreibungen oder Analysen von Bildern, Erstellen von Inhalten, die das Integrieren von Textual content und visuellen Elementen erfordern und Fragen basierend auf visuellen Beweisen beantworten müssen.
• Enterprise Intelligence & Strategie: Analyse von Markttrends mithilfe von Echtzeit-Webdaten, Entwicklung von Prognosen und Erstellung strategischer Pläne auf der Grundlage integrierter Informationsquellen.
• Kreative Problemlösung: Bekämpfung offener Herausforderungen, die die Kombination verschiedener Arten von Informations- und Argumentationsschritten erfordern.

Abschluss

Die O3- und O4-Mini-Modelle von OpenAI stellen einen signifikanten Fortschritt der KI-Fähigkeiten dar, insbesondere in Bezug auf Argumentation und multimodales Verständnis. Durch die Integration von tiefen Argumentation mit vielseitigem agentischen Werkzeuggebrauch und der neuartigen Fähigkeit, mit Bildern zu denken, setzen diese Modelle einen neuen Commonplace für AI -Intelligenz und Nutzen. Ihre beeindruckende Leistung in einer Vielzahl von Benchmarks unterstreicht ihr Potenzial, komplexe, reale Aufgaben in Bereichen in Angriff zu nehmen, von der Software program-Engineering bis zur wissenschaftlichen Forschung.

Während O3 die höchste Leistung für die anspruchsvollsten Aufgaben bietet, bietet O4-Mini eine überzeugende Mischung aus Fähigkeit, Geschwindigkeit und Kosteneffizienz. Beide Modelle teilen jedoch die gleichen agenten- und autonomen Fähigkeiten, die zeigen, wie fortgeschrittene KI geworden ist. Während sich die KI weiterentwickelt, werden solche innovativen Modelle den Weg für ausgefeiltere und vielseitigere Anwendungen ebnen und uns dem Erreichen von AGI näher bringen.

Häufig gestellte Fragen

OpenAIs O1- und O3-Mini sind fortgeschrittene Argumentationsmodelle, die sich vom Foundation-GPT-4 (oft als GPT-4O bezeichnet) unterscheiden, wie sie Eingabeaufforderungen verarbeiten und Antworten erzeugen. Diese Modelle sollen mehr Zeit damit verbringen, durch komplexe Probleme zu denken und den analytischen Ansatz eines Menschen nachzuahmen. Um diese Modelle effektiv zu nutzen, ist es entscheidend zu verstehen, wie Eingabeaufforderungen hergestellt werden können, die ihre Leistung maximieren. In diesem Artikel werde ich einige Erkenntnisse aus OpenAs Aufforderungsleitfaden teilen!

Argumentationsmodelle verstehen

OpenAIs Argumentationsmodelle, einschließlich O1- und O3-Mini, sollen komplexe Probleme angehen, indem menschliche analytische Ansätze emuliert werden. Diese Modelle nutzen das Verstärkungslernen, um ihre Argumentationsfunktionen zu verbessern und sie an Themen wie Mathematik, Naturwissenschaften und Codierung auszuräumen. Im Gegensatz zu herkömmlichen GPT -Modellen verbringen Argumentationsmodelle zusätzliche Zeit damit, durch Probleme zu denken und detaillierte Denkketten zu generieren, bevor Sie zu einem Schluss kommen. Dieser absichtliche Prozess ermöglicht es ihnen, komplizierte Aufgaben mit größerer Genauigkeit und Tiefe zu erledigen.

Lesen Sie auch: 10 O3-Mini-Eingabeaufforderungen, um alle Ihre Codierungsaufgaben zu unterstützen

Verwalten von langen Konversationen und Speichergrenzen

Stellen Sie sich vor, Sie führen ein Gespräch mit einer wirklich klugen KI, die sich daran erinnert, was Sie sagen. Aber genau wie bei einem Notizbuch mit begrenzten Seiten kann es sich nur an eine bestimmte Menge an Informationen erinnern – 128.000 Wörter (Token) wert.

• Erste Kurve:
  • Sie stellen eine Frage (Eingang).
  • Die KI denkt darüber nach (Argumentation) und gibt eine Antwort (Ausgabe).
• Zweite Runde:
  • Die KI erinnert sich an Ihre letzte Frage und Antwort.
  • Es verwendet diesen Speicher, um besser zu reagieren.
• Dritte Kurve & darüber hinaus:
  • Die KI fügt immer wieder neue Nachrichten hinzu und erinnert sich an die vergangenen.
  • Aber da sein Gedächtnis begrenzt ist (128.000 Token), könnten ältere Teile des Gesprächs bekommen abschneiden (verkürzte Ausgabe).

Warum ist das wichtig?

• Die KI verfolgt Ihr Gespräch, aber Ältere Particulars könnten verschwinden Wenn der Chat zu lang wird.
• Wenn Sie eine lange Diskussion führen, können wichtige Informationen verloren gehen, es sei denn, Sie erinnern die KI.

Stellen Sie sich es wie ein Whiteboard vor – sobald es voll ist, müssen Sie alte Notizen löschen, um Platz für neue zu schaffen!

6 Erkenntnisse aus OpenAs Aufforderungsleitfaden

Basierend auf den neuesten Ressourcen von OpenAI hier sind meine Einblicke in optimierte schnelle Engineering!

Einfachheit ist der Schlüssel

Wenn Sie sich mit Argumentationsmodellen beschäftigen, ist es wichtig, dass die Auffordern von Klar und einfacher und unkomplizierter Aufforderungen aufrechterhalten wird. Übermäßig komplexe oder verworrene Anweisungen können das Modell verwirren und zu suboptimalen Antworten führen. Durch die artikulierende Abfragen in einfacher und direkter Weise können Benutzer ein besseres Verständnis und genauere Ausgaben der KI ermöglichen.

Die Argumentationsfunktionen von O1 ermöglichen es unserer Multi-Agent-Plattformmatrix, bei der Verarbeitung komplexer Dokumente erschöpfende, intestine formatierte und detaillierte Antworten zu erzeugen. Zum Beispiel ermöglichte O1 Matrix, mit einer grundlegenden Eingabeaufforderung leicht im Rahmen der eingeschränkten Zahlungskapazität in einem Kreditvertrag verfügbar zu identifizieren. Keine ehemaligen Modelle sind so leistungsfähig. O1 führte zu stärkeren Ergebnissen bei 52% der komplexen Aufforderungen für dichte Kreditvereinbarungen im Vergleich zu anderen Modellen.

– Hebbia, KI -Wissensplattformunternehmen für Recht und Finanzierung

Beispiel einer guten Aufforderung:
„Was sind die drei Hauptgründe, warum das Römische Reich gefallen ist?“

Beispiel einer schlechten Aufforderung:
„Erklären Sie in einer langen und strukturierten Reaktion die wirtschaftlichen, sozialen, politischen und militärischen Gründe im Fall des Römischen Reiches auf die umfassendste Weise.“

Vermeiden Sie Überladen mit Anweisungen

Im Gegensatz zu einigen traditionellen Aufforderungstechniken rät OpenAI davon, Modelle zu unterweisen, „Schritt für Schritt zu denken“ oder „ihre Argumentation zu erklären“. Solche Richtlinien können versehentlich die Leistung des Modells behindern. Wenn das Modell seinen Argumentationsprozess auf natürliche Weise generieren kann, liefert stattdessen häufig kohärentere und genauere Ergebnisse.

Beispiel einer guten Aufforderung:
„Was ist die Ableitung von x² + 3x – 5?“

Beispiel einer schlechten Aufforderung:
„Berechnen Sie die Ableitung von X² + 3x – 5 und erklären Sie jeden einzelnen Schritt, als ob Sie ein Lehrbuch für einen Anfänger ohne vorherige mathematische Kenntnisse schreiben würden.“

Nutzen Sie Graben für Klarheit

Durch die Einbeziehung von Grenzwerten wie Anführungszeichen oder Klammern kann die Struktureingaben effektiv strukturiert werden. Diese Praxis beschreibt verschiedene Teile der Eingabeaufforderung, verringert die Mehrdeutigkeit und leitet das Modell, um jedes Section angemessen zu interpretieren und auf jedes Section zu reagieren. Klare Strukturierung stellt sicher, dass das Modell die Eingabeaufforderung wie beabsichtigt verarbeitet, was zu genaueren Ausgängen führt.

Beispiel einer guten Aufforderung:
„Analysieren Sie den Satz:“ Der schnelle braune Fuchs springt über den faulen Hund. “ Was ist das Thema und was ist das Verb? “

Beispiel einer schlechten Aufforderung:
„Analysieren Sie diesen Satz: Der schnelle braune Fuchs springt über den faulen Hund. Identifizieren Sie das Subjekt und das Verb, erklären Sie jedoch auch, warum sie wie innerhalb der Satzstruktur funktionieren. “

Null-Shot-Aufforderung als erster Ansatz

OpenAI empfiehlt, mit Null-Shot-Aufforderung zu beginnen, wobei das Modell ohne Beispiele eine Aufgabe erhält. Argumentationsmodelle funktionieren häufig unter diesen Bedingungen intestine und liefern genaue Antworten, ohne dass Beispiele für veranschaulichende Beispiele erforderlich sind. Wenn die anfängliche Ausgabe nicht den Erwartungen entspricht, kann das Einbeziehen einiger Beispiele (nur wenige Aufforderung) dazu beitragen, die Antworten des Modells zu verfeinern.

Beispiel einer guten Aufforderung:
„Übersetze ‚Ich liebe es, in Französisch zu lernen.“

Beispiel einer schlechten Aufforderung:
„Wenn ich den Satz“ Ich liebe es zu lernen „und ich ihn in eine andere Sprache übersetzen möchte, können Sie mir zeigen, wie es in Französisch übersetzt werden würde?“

Achten Sie auf schnelle technische Techniken

Während eine schnelle Engineering die Modellleistung verbessern kann, sind bestimmte Techniken möglicherweise nicht vorteilhaft für Argumentationsmodelle. Zum Beispiel liefert die Anweisung des Modells, „Schritt für Schritt Schritt für Schritt zu denken“ möglicherweise nicht immer das gewünschte Ergebnis und kann manchmal die Leistung beeinträchtigen. Es ist entscheidend, das spezifische Verhalten von Argumentationsmodellen zu verstehen und Strategien entsprechend anzupassen.

Beispiel einer guten Aufforderung:
„Lösen: 12x + 5 = 41“

Beispiel einer schlechten Aufforderung:
„Lassen Sie uns die Gleichung 12x + 5 = 41 lösen. Bitte denken wir Schritt für Schritt nach und erläutern Sie jede Berechnung auf einfachste Weise, um sicherzustellen, dass kein Schritt übersprungen wird.“

Nutzen Sie die Anpassungsfähigkeit des Modells

Die aktualisierte Modellspezifikation von OpenAI betont die Anpassbarkeit ihrer Modelle. Benutzer werden ermutigt, mit unterschiedlichen Aufforderungstrategien zu experimentieren, um herauszufinden, was für ihre spezifischen Anwendungsfälle am besten funktioniert. Diese Flexibilität ermöglicht eine maßgeschneiderte Interaktion, sodass das Modell die Erwartungen und Anforderungen der Benutzer besser übereinstimmt.

Dieses Bild ist a Foundationsplan für ein Gebäude, das strukturelle Elemente wie Fundamente, Pfeiler, Balken und Crawlspace -Bereiche zeigt. Der Das Zeichnen umfasst Dimensionen, Anmerkungen, Symbole und Abkürzungen verwendet in architektonischen Blaupausen.

Schlüsselkomponenten in der Zeichnung

• Crawlspace -Bereiche:
  • „Conditioned Crawlspace“ (Hauptraum in den Innenraum) und „Veranda -Crawlspace“ (separater Bereich).
  • Inklusive CMU (Betonmauerwerk) Innenwände Und Backstein äußeres Wythe für strukturelle Integrität.
  • Verwendung starre Isolierung für thermische Effizienz.
• Strukturelemente:
  • Betonpfeiler (12 -Zoll -Durchmesser) Grundlagen unterstützen.
  • 4 × 4 Pt (druckbehandelte) Holzpfosten dienen als strukturelle Stützen in Crawlspace und Veranda.
  • Glulamstrahlen (4 × 12) Wird für die geladene Kapazität verwendet.
  • Balken Bei unterschiedlichem Abstand (2 × 8 und 2 × 12) stützen Sie Bodenbeläge.
• Abkürzungen und Materialschlüssel:
  • Der Abkürzungen Tabelle erklärt häufig verwendete Symbole im Plan.
  • A Materialreferenztabelle Listet verschiedene Komponenten (Holz, Stahl, druckbehandelte Elemente) zusammen mit ihren Abmessungen und Funktionen auf.

Beispiel einer guten Aufforderung:
„Fassen Sie die wichtigsten Erkenntnisse des IPCC -Klimaberichts 2023 in drei Aufzählungszeichen zusammen.“

Beispiel einer schlechten Aufforderung:
„Geben Sie mir einen Überblick über den IPCC -Klimabericht von 2023, erklären Sie seine Bedeutung, warum es wichtig ist, was die wichtigsten Punkte sind und warum die politischen Entscheidungsträger sich darum kümmern sollten.“

Endnote

Durch die Befolgung dieser Richtlinien können Benutzer die Macht der Argumentationsmodelle von OpenAI effektiv nutzen, um komplexe Probleme anzugehen und genaue, intestine strukturierte Lösungen zu erhalten. Das Verständnis der Nuancen des schnellen Engineering für O1 und O3-Mini ermöglicht es Benutzern, ihre einzigartigen Fähigkeiten zu nutzen und optimale Ergebnisse in verschiedenen Bereichen zu erzielen, von rechtlicher Analyse bis hin zu Forschung und Strategie

Referenz:

Bleiben Sie mit den neuesten Ereignissen der KI -Welt auf dem Laufenden mit Analytics Vidhya Information!