OpenAI ist in Fahrt! Während das Unternehmen alle wegen seines neuen Bilderzeugungsmodells völlig aus dem Häuschen struggle, ist das ChatGPT-Bilder 2.0Es kam zu dem Schluss, dass es jetzt nicht an der Zeit sei, damit aufzuhören. Und siehe da, ein weiterer Knaller kommt aus seinen Büros, und wohlgemerkt, das ist der größere. Die neue Model des beliebten ChatGPT ist da und heißt GPT 5.5.

Und ich gehe davon aus, dass sich mit dieser Einführung im KI-Zeitalter einiges ändern wird. Warum? Um dies zu verstehen, werfen wir einen Blick auf das neue GPT 5.5-Modell.

Was ist GPT 5.5?

Es handelt sich um das neueste Modell der ChatGPT-Familie, das das Unternehmen als sein „bisher intelligentestes und intuitivstes Modell“ bezeichnet. Obwohl wir diese Behauptung im Laufe der Jahre bei verschiedenen Modelleinführungen immer wieder gehört haben, sollten Sie sich nicht nur an den Adjektiven orientieren. Der Unterschied besteht dieses Mal darin, dass sich das neue GPT-Modell darauf konzentriert, die Arbeit zu erledigen, anstatt nur Ihre Fragen zu lösen.

Hier geht es additionally nicht um bessere Antworten. Es geht darum, Aufgaben zu erledigen.

Laut der offiziellen Ankündigung von OpenAI wurde GPT 5.5 mit einem starken Fokus auf die Ausführung realer Aufgaben entwickelt. Das bedeutet, dass es in der Lage ist, die nächsten Schritte zu planen, die richtigen Instruments zu verwenden und dabei den Output zu verfeinern.

Eine der größten Verbesserungen besteht darin, wie das Modell die Absicht versteht. GPT 5.5 erfordert im Vergleich zu früheren Versionen weitaus weniger Eingabeaufforderungen. Sie müssen Ihre Anfrage nicht zu sehr erläutern oder perfekt strukturieren. Das Modell ist besser darin, das aufzunehmen, was Sie tatsächlich wollen, und es umzusetzen.

Es gibt auch mehrere andere Funktionen. Lassen Sie uns als nächstes alle diese im Element untersuchen.

GPT 5.5: Hauptfunktionen

Jetzt wissen wir additionally, dass es bei GPT 5.5 darum geht, die Arbeit zu erledigen. Aber was ermöglicht diesen Wandel?

Hier sind die wichtigsten Merkmale, die aus der Ankündigung hervorstechen:

1. Stärkere Agentenkodierung

GPT 5.5 wird als das bisher stärkste Agenten-Codierungsmodell von OpenAI positioniert. Das bedeutet, dass es nicht nur um das Schreiben von Codeschnipseln geht, sondern auch um die Übernahme längerer technischer Arbeitsabläufe wie Debuggen, Refactoring, Testen, Validieren und Beheben von Problemen in größeren Codebasen.

2. Bessere Computernutzung

Das Modell ist darauf ausgelegt, die Instruments effizienter zu nutzen. Laut OpenAI kann GPT 5.5 Software program bedienen, Dokumente und Tabellenkalkulationen erstellen, durch Schnittstellen navigieren und eine Aufgabe ausführen, bis sie abgeschlossen ist.

3. Verbesserte Wissensarbeit

GPT 5.5 ist ebenfalls dafür konzipiert berufliche Aufgaben wie Recherche, Informationssynthese, Datenanalyse, dokumentenintensive Arbeit und Geschäftsabläufe. Dies macht es über das Codieren hinaus nützlich, insbesondere für Menschen, die KI für die tägliche Arbeit verwenden.

4. Frühe wissenschaftliche Forschungskapazitäten

OpenAI hat auch Fortschritte in der wissenschaftlichen und technischen Forschung hervorgehoben. Das Modell kann bei mehrstufigen Forschungsabläufen helfen, z. B. beim Erkunden von Ideen, beim Analysieren von Daten, beim Testen von Annahmen, beim Interpretieren von Ergebnissen und beim Vorschlagen nächster Schritte.

5. Bessere Effizienz

Eine der interessanteren Behauptungen ist, dass GPT 5.5 nicht nur intelligenter, sondern auch effizienter ist. OpenAI gibt an, dass es die Professional-Token-Latenz von GPT 5.4 bei der Bereitstellung in der realen Welt erreicht und gleichzeitig weniger Token für die gleichen Codex-Aufgaben verwendet.

6. Stärkere Schutzmaßnahmen

Da das Modell insbesondere in Bereichen wie Cybersicherheit und Biologie leistungsfähiger ist, hat OpenAI nach eigenen Angaben GPT 5.5 mit den bislang stärksten Sicherheitsmaßnahmen veröffentlicht. Dazu gehören internes und externes Pink-Teaming, gezielte Checks und Suggestions von quick 200 Early-Entry-Partnern.

GPT 5.5: Benchmark-Leistung

Das neue ChatGPT-Modell hat seine Leistungsfähigkeit auch bei Benchmark-Ergebnissen unter Beweis gestellt, und wie! GPT 5.5 sieht dort am stärksten aus, wo die Agentenarbeit in der Praxis eine Rolle spielt. Es erreicht 82,7 % auf Terminal-Bench 2.0, vor GPT-5.4 mit 75,1 %, Claude Opus 4,7 mit 69,4 % und Gemini 3.1 Professional mit 68,5 %. Bei Professional-SWE erreicht es 73,1 % und liegt damit erneut über den 68,5 % von GPT-5.4. Das gleiche Muster setzt sich bei Software- und Arbeits-Benchmarks fort: GPT-5.5 erzielte 84,9 % bei GDPval, 78,7 % bei OSWorld-Verified, 55,6 % bei Toolathlon und 81,8 % bei CyberGym.

Auch die Zahlen zur härteren Argumentation sind stark. GPT-5.5 erreicht 51,7 % auf FrontierMath Tier 1–3 und 35,4 % auf FrontierMath Tier 4, während GPT-5.5 Professional diese Werte auf 52,4 % bzw. 39,6 % steigert. Bei BrowseComp sticht das Professional-Modell mit 90,1 % am meisten heraus, vor GPT-5.4 Professional mit 89,3 % und Claude Opus 4,7 mit 79,3 %.

Die Gesamtaussage ist additionally klar: GPT 5.5 ist nicht nur besser in der Argumentation im Chat-Stil, sondern auch stärker in den Bereichen Codierung, Browsernutzung, Software-Workflows, Mathematik und Agenten-Aufgabenausführung.

GPT 5.5: Verfügbarkeit und Preise

GPT 5.5 wird bereits für Plus-, Professional-, Enterprise- und Enterprise-Benutzer in ChatGPT und Codex eingeführt. In ChatGPT ist GPT 5.5 Considering für Plus-Benutzer und höher verfügbar, während GPT 5.5 Professional für Professional-, Enterprise- und Enterprise-Benutzer verfügbar ist.

In Codex ist GPT 5.5 für die Tarife Plus, Professional, Enterprise, Enterprise, Edu und Go mit einem 400K-Kontextfenster verfügbar. Es gibt auch einen Schnellmodus, der Token 1,5-mal schneller generiert, jedoch 2,5-mal teurer ist.

Preise

• gpt-5.5 API: 5 $ professional 1 Mio. Eingabe-Tokens und 30 $ professional 1 Mio. Ausgabe-Tokens
• Kontextfenster: 1 Mio. Token
• Batch- und Flex-Preise: Die Hälfte des Normal-API-Tarifs
• Vorrangige Bearbeitung: 2,5-faches des Standardtarifs
• gpt-5.5-pro API: 30 $ professional 1 Mio. Eingabe-Tokens und 180 $ professional 1 Mio. Ausgabe-Tokens

Obwohl GPT 5.5 teurer ist als GPT 5.4, ist es laut OpenAI auch intelligenter und Token-effizienter, insbesondere im Codex, wo es für die meisten Benutzer bessere Ergebnisse mit weniger Token liefern kann. Dies ist nun ein kluger Schachzug, wenn man bedenkt, dass Anthropic in jüngster Zeit eine Gegenreaktion wegen des Claude Opus 4.7 erlebt hat, der in enormem Tempo Token verschlingt.

Probieren wir GPT 5.5 aus

Nachdem wir nun alles über das neueste ChatGPT-Modell wissen, finden Sie hier einige Anwendungsfälle aus der Praxis, um seine Fähigkeiten zu testen.

Aufgabe 1: Pc-/Werkzeug-Workflow-Simulation

Immediate:

Ich leite ein kleines Innenarchitekturstudio mit 6 Teammitgliedern und 14 aktiven Wohnprojekten.

Erstellen Sie ein vollständiges Google Sheets-Betriebssystem, das mir hilft, Kundenprojekte, Designphasen, Besuche vor Ort, Lieferantenkoordination, Budgets, Genehmigungen und Zahlungen an einem Ort zu verwalten.

Das Blatt sollte praktisch genug sein, um es täglich zu verwenden, und nicht nur ein einfacher Tracker. Fügen Sie die Hauptregisterkarten, Schlüsselspalten, Beispielzeilen, Formeln, Dashboard-Metriken, Ideen zur bedingten Formatierung und einen einfachen täglichen Arbeitsablauf für das Workforce hinzu.

Angenommen, ich möchte schnell erkennen, welche Projekte sich verzögern, welche Lieferanten noch ausstehen, welche Kunden eine Genehmigung benötigen, welche Zahlungen fällig sind und was heute meine Aufmerksamkeit erfordert.

Ausgabe:

Aufgabe 2: On-line-Recherche / Quellensynthese

Immediate:

Erforschen Sie, wie KI-Agenten im Jahr 2026 die tägliche Arbeit von Softwareentwicklern verändern.

Ich möchte keine allgemeine Zusammenfassung. Vergleichen Sie die Behauptungen von KI-Unternehmen mit dem, was Entwickler tatsächlich im realen Einsatz berichten.

Teilen Sie die Antwort auf in:

• Was KI-Agenten heute eindeutig intestine können
• Wo sie immer noch scheitern oder menschliche Aufsicht benötigen
• Was das für Nachwuchsentwickler bedeutet
• Was das für erfahrene Ingenieure bedeutet
• Ein abschließender, ausgewogener Imbiss

Nutzen Sie aktuelle Quellen, vermeiden Sie Hype, erwähnen Sie bei Bedarf Unsicherheiten und machen Sie die Ergebnisse für einen Berufstätigen nützlich, der über eine Übernahme entscheidet KI-Agenten in ihrem Workflow.

Ausgabe:

Aufgabe 3: Lange, chaotische Geschäftsaufgabe

Immediate:

Ich betreibe eine kleine Marke für Heimfitnessgeräte, die über meine Web site und Marktplätze verstellbare Hanteln, Widerstandsbänder, Yogamatten und Kompaktbänke verkauft.

Der Umsatz ist in Ordnung, aber das Wachstum hat sich verlangsamt. Kundenbewertungen sagen, dass die Produkte intestine sind, aber die Leute verstehen nicht genau, warum sie bei uns statt bei günstigeren Marken kaufen sollten. Wir haben auch keine starke Wiederholungskaufstrategie.

Erstellen Sie aus diesem chaotischen Briefing einen praktischen 90-Tage-Plan zur Geschäftsverbesserung.

Enthalten:

• Eine schärfere Markenpositionierung
• 3 Kundensegmente, die wir ansprechen sollten
• Verbesserungen der Web site und des Marktplatzes
• Ideen zur Produktbündelung
• Ideen zur Kundenbindung und Wiederholungskäufen
• Ein einfacher Kampagnenplan für die nächsten 90 Tage
• Risiken oder Schwachstellen im Plan

Halten Sie es für eine kleine D2C-Marke mit begrenztem Price range und einem kleinen Workforce realistisch.

Ausgabe:

Aufgabe 4: Wissenschaftliches/technisches Denken

Immediate:

Eine Stadt möchte die Sommerhitze in einem dicht besiedelten Stadtviertel reduzieren, in dem die Temperaturen konstant 4–6 °C höher sind als in den umliegenden Gebieten.

Die in Betracht gezogenen Optionen sind:

• mehr Bäume pflanzen
• Dächer weiß streichen
• Ersetzen von Betondecken durch durchlässige Materialien
• Hinzufügung schattiger Bushaltestellen und Fußgängerkorridore
• Schaffung kleiner Gewässer oder Nebelzonen

Analysieren Sie dies wie ein technischer Berater.

Erklären Sie, welche Interventionen wahrscheinlich am besten funktionieren, welche möglicherweise Kompromisse eingehen und wie die Stadt sie in einem praktischen 2-Jahres-Pilotplan kombinieren sollte.

Geben Sie keine allgemeine Nachhaltigkeitsantwort. Grund durch Wärmeabsorption, Schatten, Feuchtigkeit, Wartung, Kosten und Auswirkungen auf die Bewohner.

Ausgabe:

Beobachtungen

In jedem der Fälle, in denen wir das neue ChatGPT-Modell ausprobiert haben, weigerte es sich einfach, nachzugeben oder auch nur durchschnittlich zu sein. Wie Sie in den Bildschirmaufzeichnungen sehen können, kam es zu erstklassigen Antworten mit äußersten Nuancen und Particulars und einem gestochen scharfen Fokus auf jede einzelne Anweisung, die ihm übermittelt wurde.

Ich kann ernsthaft in keiner der Eingabeaufforderungen einen einzigen Bereich/Anweisung/Detaillierung finden, den GPT 5.5 in seinen Antworten möglicherweise übersehen hätte. Zugegeben, die Antworten sind lang, aber alle Eingabeaufforderungen erforderten so ausführliche und ausführliche Antworten. Darüber hinaus tat das Modell immer dann, wenn es aufgefordert wurde, bestimmte Aufgaben Schritt für Schritt auszuführen, dasselbe.

Das Beste daran: Das alles ging innerhalb von Sekunden. Die längste Denkzeit betrug etwa 13 Sekunden, und das auch noch für eine ausführliche Antwort, die weit über 3.000 Wörter und 25 Quellen umfasste. Im Fall der wissenschaftlichen Forschung durchlief es blitzschnell über 118 Quellen. Das ist genau die Artwork von Modell, die ich gerne als Spine-KI für alle meine Projekte verwenden würde.

Abschluss

In unseren obigen Checks konnte GPT 5.5 seine erweiterten Funktionen in allen Anwendungsfällen problemlos rechtfertigen. Dies steht im Einklang mit den Behauptungen von OpenAI und zeigt die echte Verbesserung, die das Modell der ChatGPT-Familie bringt. Wenn Sie additionally auf der Suche nach einer KI sind, die nicht nur Ihre Fragen beantwortet, sondern auch zu Ihrem täglichen Helfer bei allen Aufgaben wird, ist das neue GPT 5.5 ein Muss.

Bild vom Autor

# Das Setup

Sie sind gerade dabei, ein Modell zu trainieren, als Sie feststellen, dass 20 % Ihrer Werte fehlen. Lassen Sie diese Zeilen fallen? Füllen Sie sie mit Durchschnittswerten aus? Etwas Ausgefalleneres verwenden? Die Antwort ist wichtiger als Sie denken.

Wenn Sie googeln, finden Sie Dutzende Imputationsmethoden, von ganz einfach (verwenden Sie einfach den Mittelwert) bis hin zu ausgefeilten (iterative Modelle für maschinelles Lernen). Man könnte meinen, dass ausgefallene Methoden besser sind. KNN berücksichtigt ähnliche Zeilen. MÄUSE erstellt Vorhersagemodelle. Sie müssen einfach nur den Durchschnitt übertreffen, oder?

Das dachten wir auch. Wir haben uns geirrt.

# Das Experiment

Wir haben uns das geschnappt Datensatz mit Ernteempfehlungen aus StrataScratch-Projekten – 2.200 Bodenproben aus 22 Pflanzenarten mit Merkmalen wie Stickstoffgehalt, Temperatur, Luftfeuchtigkeit und Niederschlag. Ein Random Forest erreicht bei diesem Ding eine Genauigkeit von 99,6 %. Es ist quick verdächtig sauber.

Diese Analyse erweitert unsere Agrardatenanalyse Projekt, das denselben Datensatz durch EDA und statistische Exams untersucht. Hier fragen wir: Was passiert, wenn saubere Daten auf ein reales Downside treffen – fehlende Werte?

Perfekt für unser Experiment.

Wir haben 20 % fehlende Werte eingeführt (völlig zufällig, um Sensorausfälle zu simulieren) und dann fünf Imputationsmethoden getestet:

Unsere Exams waren gründlich; Wir verwendeten eine 10-fache Kreuzvalidierung über fünf zufällige Startwerte (insgesamt 50 Durchläufe professional Methode). Um sicherzustellen, dass keine Informationen aus dem Testsatz in den Trainingssatz gelangen, wurden unsere Imputationsmodelle nur auf den Trainingssätzen trainiert. Für unsere statistischen Exams haben wir die Bonferroni-Korrektur angewendet. Wir haben auch die Eingabemerkmale sowohl für KNN als auch für MICE normalisiert. Wenn wir sie nicht normalisiert hätten, hätte eine Eingabe mit Werten zwischen 0 und 300 (Niederschlag) eine viel größere Auswirkung als eine Eingabe mit einem Bereich von 3 bis 10 (pH), wenn wir die Entfernungsberechnung für diese Methoden durchführen. Vollständiger Code und reproduzierbare Ergebnisse sind in unserem verfügbar Notizbuch.

Dann ließen wir es laufen und starrten auf die Ergebnisse.

# Die Überraschung

Folgendes haben wir erwartet: KNN oder MICE würden gewinnen, weil sie schlauer sind. Sie berücksichtigen Beziehungen zwischen Options. Sie nutzen echtes maschinelles Lernen.

Das haben wir bekommen:

Der Median und der Mittelwert liegen gleichauf auf dem ersten Platz. Auf den Plätzen drei und vier landeten die anspruchsvollen Methoden.

Wir haben den statistischen Take a look at durchgeführt. Mittelwert vs. Median: p = 0,7. Nicht einmal annähernd bedeutsam. Sie sind praktisch identisch.

Aber hier ist der Clou: Beide übertrafen KNN und MICE deutlich (p < 0,001 nach Bonferroni-Korrektur). Die einfachen Methoden passten nicht nur zu den ausgefallenen. Sie haben sie geschlagen.

# Warte, was?

Bevor Sie Ihre MICE-Set up verwerfen, wollen wir uns mit der Ursache befassen.

Die Aufgabe battle die Vorhersage. Wir haben die Genauigkeit gemessen. Klassifiziert das Modell Nutzpflanzen nach der Imputation immer noch korrekt? Für dieses spezifische Ziel kommt es darauf an, das Vorhersagesignal beizubehalten, nicht unbedingt die genauen Werte.

Die mittlere Imputation bewirkt etwas Interessantes: Sie ersetzt fehlende Werte durch einen „neutralen“ Wert, der das Modell nicht in Richtung einer bestimmten Klasse drängt. Es ist langweilig, aber es ist sicher. Der Random Forest kann immer noch seine Entscheidungsgrenzen finden.

KNN und MICE geben sich mehr Mühe; Sie schätzen, wie hoch der tatsächliche Wert gewesen sein könnte. Dabei können sie jedoch Lärm verursachen. Wenn die nächsten Nachbarn nicht so ähnlich sind oder wenn die iterative Modellierung von MICE falsche Muster erkennt, fügen Sie möglicherweise Fehler hinzu, anstatt sie zu entfernen.

Die Grundlinie battle bereits hoch. Mit einer Genauigkeit von 99,6 % ist dies ein ziemlich einfaches Klassifizierungsproblem. Wenn das Sign stark ist, spielen Imputationsfehler weniger eine Rolle. Etwas Lärm kann sich das Modell leisten.

Zufälliger Wald ist sturdy. Baumbasierte Modelle verarbeiten unvollständige Daten intestine. Ein lineares Modell hatte mehr mit der Varianzverzerrung der Mittelwertimputation zu kämpfen.

Nicht so schnell.

# Der Plot Twist

Wir haben noch etwas anderes gemessen: die Korrelationserhaltung.

Das Besondere an echten Daten ist, dass Funktionen nicht isoliert existieren. Sie ziehen zusammen. Wenn der Boden in unserem Datensatz einen hohen Phosphorgehalt aufweist, weist er normalerweise auch einen hohen Kaliumgehalt auf (Korrelation von 0,74). Das ist kein Zufall; Landwirte fügen diese Nährstoffe normalerweise zusammen hinzu, und bestimmte Bodentypen behalten beide auf ähnliche Weise bei.

Wenn Sie fehlende Werte imputieren, können diese Beziehungen versehentlich unterbrochen werden. Die mittlere Imputation trägt „durchschnittliches Kalium“ ein, unabhängig davon, wie Phosphor in dieser Zeile aussieht. Wenn Sie das oft genug tun, beginnt die Verbindung zwischen P und Ok zu schwinden. Ihre unterstellten Daten mögen Spalte für Spalte intestine aussehen, aber die Beziehungen zwischen den Spalten lösen sich langsam auf.

Warum ist das wichtig? Wenn Ihr nächster Schritt ist Clusterbildung, PCAoder einer Analyse, bei der es um Function-Beziehungen geht, arbeiten Sie mit beschädigten Daten und wissen es nicht einmal.

Wir haben überprüft: Wie viel von dieser POk-Korrelation blieb nach der Imputation erhalten?

Bild vom Autor

Die Rangliste drehte sich völlig um.

KNN hat die Korrelation nahezu perfekt beibehalten. Imply und Median zerstörten etwa ein Viertel davon. Und die Zufallsstichprobe (bei der die Werte für jede Spalte unabhängig abgetastet werden) beseitigte die Beziehung.

Das macht Sinn. Bei der Mittelwertimputation werden fehlende Werte durch die gleiche Zahl ersetzt, unabhängig davon, wie die anderen Merkmale aussehen. Wenn eine Reihe einen hohen Stickstoffgehalt aufweist, ist es Imply egal; es unterstellt immer noch den durchschnittlichen Kaliumwert. KNN betrachtet ähnliche Zeilen. Wenn additionally Zeilen mit hohem N dazu neigen, einen hohen Ok-Wert zu haben, wird ein hoher Ok-Wert unterstellt.

# Der Kompromiss

Hier ist die eigentliche Erkenntnis: Es gibt keine einzelne beste Imputationsmethode. Wählen Sie stattdessen die am besten geeignete Methode basierend auf Ihrem spezifischen Ziel und Kontext.

Die Genauigkeitsrankings und Korrelationsrankings sind nahezu gegensätzlich:

Bild vom Autor

(Zumindest ist die Zufallsstichprobe konsistent – ​​sie ist in allem schlecht.)

Dieser Kompromiss gilt nicht nur für unseren Datensatz. Es hängt davon ab, wie diese Methoden funktionieren. Mittelwert/Median sind univariat und betrachten jeweils eine Spalte. KNN/MICE sind multivariat und berücksichtigen Beziehungen. Univariate Methoden bewahren Randverteilungen, zerstören jedoch die Korrelation. Multivariate Methoden bewahren die Struktur und können eine Kind von Vorhersagefehlern/-rauschen erzeugen.

# Was sollten Sie additionally eigentlich tun?

Nachdem Sie dieses Experiment durchgeführt und die Literatur durchgesehen haben, finden Sie hier unseren praktischen Leitfaden:

Verwenden Sie Mittelwert oder Median, wenn:

• Ihr Ziel ist die Vorhersage (Klassifizierung, Regression)
• Sie verwenden ein robustes Modell (Random Forest, XGBoost, neuronale Netze).
• Die Fehlquote liegt unter 30 %.
• Sie brauchen schnell etwas

Verwenden Sie KNN, wenn:

• Sie müssen Function-Beziehungen beibehalten
• Nachgelagerte Aufgaben sind Clustering, PCA oder Visualisierung
• Sie möchten, dass Korrelationen für die explorative Analyse bestehen bleiben

Verwenden Sie MICE, wenn:

• Sie benötigen gültige Standardfehler (für statistische Schlussfolgerungen)
• Sie geben Konfidenzintervalle oder p-Werte an
• Der Mechanismus für fehlende Daten könnte MAR (Lacking at Random) sein.

Vermeiden Sie Zufallsstichproben:

• Es ist verlockend, weil es „die Verteilung bewahrt“
• Aber es zerstört alle multivariaten Strukturen
• Wir konnten keinen guten Anwendungsfall finden

# Die ehrlichen Vorbehalte

Wir haben einen Datensatz, eine fehlende Fee (20 %), einen Mechanismus (MCAR) und ein Downstream-Modell (Random Forest). Ihr Setup kann variieren. Die Literatur zeigt, dass bei anderen Datensätzen MissForest und MICE schneiden oft besser ab. Unsere Feststellung, dass einfache Methoden konkurrieren, ist actual, aber nicht universell.

# Das Fazit

Wir gingen in dieses Experiment, um zu bestätigen, dass ausgefeilte Imputationsmethoden die Komplexität wert sind. Stattdessen stellten wir fest, dass sich der bescheidene Mittelwert hinsichtlich der Vorhersagegenauigkeit behaupten konnte, während er die Beziehungen zwischen den Merkmalen überhaupt nicht aufrechterhielt.

Die Lektion lautet nicht: „Verwenden Sie immer die mittlere Imputation.“ Es geht darum: „Wissen Sie, wofür Sie optimieren.“

Bild vom Autor

Wenn Sie nur Vorhersagen benötigen, fangen Sie einfach an. Testen Sie, ob KNN oder MICE bei Ihren Daten tatsächlich weiterhilft. Gehen Sie nicht davon aus, dass sie es tun werden.

Wenn Sie die Korrelationsstruktur für eine nachgelagerte Analyse benötigen, wird Imply sie stillschweigend zerstören und Ihnen gleichzeitig vollkommen vernünftige Genauigkeitszahlen liefern. Das ist eine Falle.

Und was auch immer Sie tun: Skalieren Sie Ihre Funktionen, bevor Sie KNN verwenden. Vertrauen Sie uns in dieser Sache.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Prime-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Developments auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.

Im vergangenen Jahr ist die Suche nach „AI -Videomacher“ um über 200percentgestiegen. Dies ist kein Schock, da Schöpfer überall nach schnelleren, intelligenteren Möglichkeiten suchen, Ideen in Grafik zu verwandeln. In der Tat conflict die Idee eines solchen AI -Instruments, allen kreative Freiheit zu bieten, sei es mit einem Video -Hintergrund oder nicht. In diese Welle kommt Luma Ai Ray3, das neueste Modell der Videogeneration von Luma Labs.

Ray3 als „visueller Gedankenpartner“ positioniert und hilft den Erstellern, Storyboard, und ihre Movies in einer einzigen Schnittstelle zu verfeinern. Zumindest zielt das Unternehmen gemäß seiner Startankündigung an. Das System von Ray3 für Video und Photon für Bilder angetrieben und zielt darauf ab, die Videoerstellung von Experimenten bis hin zur Ausführung in Minuten zu treiben.

Ich habe mich am neuen Ray3 versuchten. Hier teile ich alles darüber, meine Erfahrung und wie Sie es selbst ausprobieren können. Lesen Sie weiter!

Was ist Luma ai ray3?

Im Kern ist Luma Ai Ray3 das neueste Improve des Videogenerationsmodells von Luma Labs, das die Grenzen von Ray2 überschreitet. Im Gegensatz zu früheren Iterationen, die sich hauptsächlich auf kurze Clips konzentrierten, führt Ray3 eine einheitliche kreative Ebene ein: Sie können visuelle Ausgänge ideieren, experimentieren und direkte visuelle Ausgänge leiten, ohne die Schnittstelle zu verlassen.

Das System kombiniert zwei Motoren unter einem Dach – Ray3 für Video und Photon für Bilder. Diese Paarung bedeutet, dass Sie sich zwischen Stillbildern und Bewegungen fließend bewegen können und sie als Teile desselben kreativen Prozesses behandeln können.

Das interessanteste Function, das Ray3 mit sich bringt, ist jedoch seine referenzgetriebene Konsistenz. Mit dem neuen AI-Video-Gen-Modell können Sie Stile oder Charaktere über mehrere Aufnahmen hinweg sperren, etwas andere KI -Videomaschinen Ich kämpfe immer noch mit.

Schlüsselmerkmale von Luma Ai Ray3

Abgesehen von der referenzgetriebenen Videomobilien verfügt Ray3 über eine Vielzahl neuer Funktionen. Hier ist ein tiefer Eintauchen in all dies.

1. Bretter für strukturierte Kreativität

Ray3 führt mehrere Boards vor – Kunstboard, Storyboard und Moodboard. Diese Schöpfer lassen rohe Ideen in strukturierte Grafik organisieren. Anstatt direkt in Video zu springen, können Sie das Erscheinungsbild gestalten, bevor Sie sich zur Era verpflichten.

2. Modifizieren Sie mit natürlicher Sprache

Benötigen Sie schnelle Änderungen? Geben Sie einfach Anweisungen wie „Make It Anime“ ein und das Modell bearbeitet Ihr Bild oder Video entsprechend. Dies überbrückt die Lücke zwischen professionellen Bearbeitungswerkzeugen und der alltäglichen kreativen Sprache.

3.. Ändern Sie mit visuellen Hinweisen

Einer der neuesten Funktionen, die ich persönlich in einem KI -Videomobiler, Ray3, gesehen habe, können Sie ein Video ändern, indem Sie ihm visuelle Hinweise hinzufügen. Das KI -Modell kann diese Hinweise interpretieren und Änderungen an Ihrem Video entsprechend vornehmen.

4. Referenz für Stil und Charakterkonsistenz

Eine der leistungsstärksten Ergänzungen: Referenzbasierte Era. Durch das Hochladen einer visuellen Referenz kann Ray3 konsistente Stile, Umgebungen oder sogar wiederkehrende Zeichen über mehrere Ausgänge hinweg aufrechterhalten. Den meisten KI -Videodiener fehlt immer noch diese Fähigkeit.

5. Keyframe Management

Direktoren denken oft in Keyframes, und Ray3 umfasst das. Durch die Definition eines Begin- und Endrahmens können Sie die KI die Zwischenbewegung ausfüllen lassen und eine Steuerungsschicht und die Vorhersehbarkeit zu generativem Video hinzufügen.

6. Brainstorming und kreative Anfrage

Jenseits der Videogenerierung dient Ray3 als Ideenpartner. Das Abfragesystem kann grobe Eingabeaufforderungen in detaillierte kreative Richtungen erweitern und kreative Blöcke verhindern.

7. Share & Remix

Jedes Projekt wird mit einer integrierten „hinter den Kulissen“ geliefert. Andere Ersteller können Ihren Prozess sehen, Ihre Ausgaben remixen und gemeinsam aufbauen, wodurch Ray3 genauso zu einem Neighborhood -Device wie einer Produktionsmotor ist.

8. HDR -Era

Ray3 behauptet, das weltweit erste Modell zu sein, das HDR-Movies in Studioqualität durch native Hochdynamik-Farbgenerierung liefern kann. Das AI -Videotool kann atemberaubende HDR -Movies aus Texteingabeaufforderungen, SDR -Bildern sowie SDR -Movies generieren. Darüber hinaus kann es diese sogar als 16-Bit-EXR für die nahtlose Integration in Professional-Workflows exportieren.

Wie funktioniert es?

Die meisten KI -Videomaschinen (siehe die High 10 hier) Erzeugen Sie isoliert Clips, aber Luma AI Ray3 kombiniert mehrere Modelle und Steuerelemente zu einer Pipeline. Im Kern arbeiten zwei Motoren zusammen:

• Ray3 (Videomodell): Erzeugt Bewegungssequenzen, interpretiert Aufforderungen und behandelt Übergänge zwischen Frames.
• Photon (Bildmodell): Erstellt hochwertige Standbilder, Referenzen und Ausgangspunkte, die direkt in die Videoerstellung fließen können.
• So entfaltet sich der Prozess, wenn Sie Ray3 verwenden:
• Aufforderung oder Referenzierung: Sie beginnen entweder mit einer Textaufforderung („Make It Anime“) oder einer visuellen Referenz (ein Bild, einen Stil oder ein Zeichen).
• Szenengeneration: Photon erzeugt die Stills, während Ray3 sie in eine reibungslose Bewegung animiert und Beleuchtung, Texturen und Kameraeffekte anwendet.
• Keyframe -Richtung: Wenn Sie einen Begin- und Endrahmen bereitstellen, füllt Ray3 die In-Between aus und simuliert, wie ein Regisseur Aufnahmen plant.
• Änderungen und Modifikationen: Sie können sofort mit natürlicher Sprache, von Fashion Swaps bis hin zu Umweltveränderungen, iterieren, ohne die herkömmliche Bearbeitungssoftware zu berühren.
• Kollaborationsschicht: Ihre Ausgänge und Prozesse können von anderen Schöpfer auf der Plattform gemeinsam genutzt, remix oder erweitert werden.

So greifen Sie auf Luma Ai Ray3 zu

Im Second ist Dream Machine sowohl im Net als auch im iOS verfügbar. Ray3 scheint jedoch derzeit in einem Versuchsmodus auf beiden zu sein.

Ray3 AI Video Maker: Praxis-On

Wir haben den Ray3 für ein neuartiges Video um ein mystisches Thema mit der folgenden Eingabeaufforderung ausprobiert:

Erzeugen Sie eine kreppende filmische Sequenz eines einsamen Wanderers – einer hohen, getarnten Figur mit leuchtenden bernsteinfarbenen Augen – und überqueren einen endlosen Ozean von Wolken auf einer schwimmenden Obsidianbrücke. Jeder Schritt sendet schwache Lichtwellen durch die Brücke, als ob er lebendig wäre. Die Kamera gleitet nach außen, um kolossale himmlische Wesen zu enthüllen, die aus lebendigem Sternenlicht geschnitzt sind und wie alte Erziehungsberechtigte am Himmel aufgehängt sind.

Ihre Silhouetten erstrecken sich über den Himmel, gekrönt mit Halos umkreislaufender Monde. Während sich der Reisende vorwärts bewegt, drehen die Wesen langsam den Kopf und beleuchten den Weg mit Kaskaden aus goldenem kosmischem Feuer.

Der Reisende hält am Rande der Brücke an, der Umhang aufweist, während die Szene in einer Symphonie von Auroras, Schießstars und resonanten kosmischen Humme ausbricht. Die Stimmung ist episch, surreal und beeindruckend-ein visuelles Wunder, das Fantasie, Sci-Fi und Traume Myths kombiniert.

Hier ist die Ausgabe, die das KI -Werkzeug erzeugt hat:

Wie Sie sehen können, ist das Video in Bezug auf Qualität ziemlich außergewöhnlich. Es schaffte es, sich ein ganz neues Szenario vorzustellen, wie in der Eingabeaufforderung erwähnt, und fand ein ziemlich nuanciertes und genaues Video entsprechend. Es versuchte sogar, die feineren Particulars in die Eingabeaufforderung zu integrieren, wie die Beleuchtung zu den Füßen der Figur, während er auf der Brücke geht, sowie seine bernsteinroten Augen.

Trotzdem kann ich auch einige Inkonsistenzen im Video sehen. Einige der Objekte am anderen Ende verändern im gesamten Video zufällig die Formen, während die gezeigten himmlischen Wesen völlig zufällige Handlungen durchführen. Sogar die Kapuzenfigur läuft etwas seltsam, und sein Arm verschwindet nach einem Punkt völlig aus der Sicht.

Ray3 AI Video Maker: Meine Erfahrung

Ich habe auch mehrere andere Movies ausprobiert, wobei ich einfache Eingabeaufforderungen für die Textgenerierung sowie einige mit Referenzbildern verwendet habe. Während Ray3 in der Lage ist, den allgemeinen Zweck des Movies ziemlich intestine zu ergreifen, scheitert es meistens in den Nuancen der Dinge und die feineren Particulars. Ein Video eines Kampfflugzeugstrahls, der über Noida fliegt, stellte sich beispielsweise als völlig seltsame Ausgabe heraus. Die gesamte Aufnahme conflict wackelig und der Jet veränderte die Kind in der Mitte des Movies. Gleiches gilt für ein Video eines indischen Vater-Sohn-Duos, das Billiards (Pool) spielt. Die Bälle auf dem Billardtisch schienen außerhalb der Luft zu erscheinen und verschwinden dann genauso abrupt.

Ich habe einige Nachforschungen darüber gemacht, wie Luma Labs am besten die Verwendung von Ray3 vorschlägt. Laut dem Unternehmen funktioniert das Modell am besten mit „kurzen, natürlichen Sprache, einfachen Eingabeaufforderungen. Während Ray3 versucht, so genau wie möglich zur Eingabeaufforderung zu sein, ist es mit einfachen und kürzeren Aufforderungen, die sehr spezifisch sind, am wohlsten. Dies bedeutet auch, dass das Modell auch besser für Movies um Objekte und Umgebungen geeignet ist, die zuvor vorgesehen sind.

Wo es glänzt, ist die einfachste Animationen um ein Referenzbild. Laden Sie einfach das Bild hoch, das Sie animieren möchten, und es gibt Ihnen eine hochwertige Videoausgabe, um gleich, auch ohne die Aufforderung erforderlich. Wenn Sie ein Bild eines Hundes hochladen, animieren Sie ihn, wenn der Hund seinen Kopf schüttelt oder mit seinem Schwanz wedelt. Keine Aufforderung erforderlich. Falls Änderungen vorliegen, können Sie dasselbe durch Comply with-up-Eingabeaufforderungen erwähnen, und Ray3 erledigt diese ebenfalls. Ziemlich einfach und sehr praktisch.

Abschluss

Während Ray3 beeindruckend ist, habe ich das Gefühl, dass es noch einen langen Weg als idealer KI -Videohersteller hat. Die Liste der neuen Funktionen, die es jetzt bietet, ist zweifellos äußerst praktisch. Animieren eines Bildes, Hinzufügen eines Keyframe oder sogar das Ändern eines Movies mit natürlicher Sprache oder visuellen Hinweisen sind in vielerlei Hinsicht Gamechanger. Wie seine Fähigkeit, HDR -Movies in der kostenpflichtigen Model zu finden.

Aber um es ein perfektes KI -Videogenerierungs -Device zu nennen, wird es eine Weile geben.

OpenAI hat GPT-5 Codex gestartet, eine Variante des neuesten AI-Modells GPT-5 von OpenAI, das sich auf die Agentencodierung spezialisiert hat. Es ist ein einzigartiges Angebot, das Programmierern Echtzeit bei der Möglichkeit bietet, langen Aufgaben autonom auszuführen. GPT-5-Codex wird vor der Bereitstellung bereits vorhandene Fehler beheben, außergewöhnlich kompliziertes Refactoring abschließen und sich in alles von Ihrer Cloud-Umgebung und IDE zu Befehlszeilen-Terminals integrieren. GithubUnd Chatgpt direkt.

Codex Cli Bringt diese Funktionen in Ihr Terminal und ermöglicht das Lesen, Umschreiben und Ausführen von Code lokal. Sie können eine bestimmte Funktion anfordern, Debuggen oder eine Erklärung anfordern, ohne aus der Shell auszubrechen, und die vollständige Konnektivität mit Ihrem ChatGPT -Konto beizubehalten. Hier werden wir die Leistung von Codex CLI bewerten, um zu sehen, wie es reale Programmieraufgaben umgeht, insbesondere die Webentwicklung und die Datenanalyse.

Was ist Codex CLI?

Das Neue GPT-5-Basiertes Codex CLI ist ein Open-Supply-Befehlszeilen-Device, das aus OpenAIs ursprünglicher Codex-CLI gegabelt wurde. Es unterstützt jetzt mehrere KI -Anbieter. Es ermöglicht Entwicklern, mit großen Sprachmodellen im Terminal für Aufgaben wie Codegenerierung, Refactoring, Skript -Erklärung und vieles mehr zu interagieren.

Codex CLI fungiert als Sensible Terminal Companion für die Codierung. Es hört auf Ihre Anfragen und schreibt Code. Codex CLI hat Zugriff auf Ihr Shell- und Dateisystem. Wenn Sie nach detaillierten Vorgehensweise suchen, lesen Sie die Führer von Codex CLI von OpenAI:

https://openai.com/index/Introducing-upgrades-to-codex

Set up

Stellen Sie vor der Set up sicher, dass die Systemanforderungen erfüllt sind.

Systemanforderungen für Codex CLI

• Betriebssystem: macOS 12+, Ubuntu 20.04+, Home windows 11 (über WSL2)
• Node.js Model: 22 oder neuer (LTS empfohlen). Sie können node.js installieren, indem Sie den Anweisungen auf seiner offiziellen Seite folgen: https://nodejs.org/
• NPM: Erforderlich (kommt mit node.js)
• Git: Non-compulsory, aber empfohlen
• RAM: 4 GB Minimal, 8 GB empfohlen
• Web: Erforderlich
• Authentifizierung: OpenAI -API -Schlüssel

Installationsschritte für Codex CLI

1. Überprüfen Sie Node.js Model:

node --version #Be certain that it's model 22 or greater.

2. Installieren Sie die Codex CLI international oder verwenden Sie PNPM:

pnpm add -g @openai/codex

3. Nachdem Sie sich bei Ihren GPT-Plus- oder Professional-Anmeldeinformationen angemeldet haben, sehen Sie den folgenden Bildschirm.

4. Fügen Sie diese Zeile Ihrer Shell -Konfigurationsdatei (z. B. ~/.bashrc, ~/.zshrc) zur Persistenz hinzu.

5. Run Codex CLI:

codex

6. oder eine Eingabeaufforderung direkt übergeben:

Codex „Erklären Sie mir diese Codebasis“

Dinge zu beachten

• Node.js und NPM (Node Package deal Supervisor) muss in Ihrem Systempfad installiert und verfügbar sein.
• Für Codex CLI ist Node.js 22+ erforderlich, während Gemini CLI mit Node.js 18+ funktioniert.
• Beide erfordern eine Authentifizierung über API -Schlüssel oder Kontoanmeldung für die volle Funktionalität.
• Unter Home windows wird Codex CLI am besten über WSL2 ausgeführt, um die vollständige Kompatibilität zu erhalten.
• Denken Sie daran, wenn Sie Ihre CLI für ein bestimmtes Projekt verwenden möchten, stellen Sie sicher, dass das aktuelle Arbeitsverzeichnis auf dem Ordnerpfad festgelegt ist, in dem Ihr Projekt existiert.

Führen Sie unsere CLI -Instanzen aus

Lassen Sie uns den Codex mit GPT-5 bei 3 Aufgaben testen

• Aufbau eines Spiels auf einem lokalen Gastgeber
• Aufbau einer täglichen Anwendung zur Kalorienverfolgung
• Aufbau eines sentimentalen Analysemodell -Workflows

Wenn alle Installationsschritte abgeschlossen sind und die Systemanforderungen erfüllt sind, können wir mit den Checks beginnen.

Aufgabe 1 – Erstellen eines Spiels auf einem lokalen Gastgeber

Ziel: Bauen Sie einen 2D -Arcade -Shooter mit Feinden und Treffern.

Immediate:

„Erstellen Sie ein einfaches 2D-Weltraum-Shooter-Spiel mit JavaScript und HTML5-Leinwand (oder Python-Pygame, falls bevorzugt). Das Spiel sollte ein Raumschiff anzeigen, das vom Participant mit Tastaturpfeiltasten kontrolliert wird, und die Raumleiste für das Schießen. Feinde sollten sich in der Flächenwache nach unten nach unten bewegen. Wenn Sie sich auf die Kollisionsbedingungen befassen. Verwenden Sie mit dem Schiff des Spielers.

Es ist offensichtlich, dass Codex einen quick vollständig definierten 2D -Raumschützen erfolgreich erzeugt hat und in seiner Ausgabe sehr klar und präzise ist. Die Implementierung umfasste Spielerkontrollen, feindliches Laichen, Kollisionserkennung und Bewertung, die alle auf eine Weise organisiert waren, die leicht zu folgen warfare. Quick jedes Mal lief es unter einer Sekunde mit nur geringfügigen Anpassungen, was eine angenehme Überraschung warfare.

Ausgabe:

Das sehr glattes Design, Pixel-Artwork-Grafiken und reaktionsschnelle Animationen lieferten ein poliertes Gefühl, obwohl es sich um ein einfaches Spiel handelte. Der USP hier warfare die Fähigkeit von Codex, eine natürliche Eingabeaufforderung im Grunde in einen funktionierenden interaktiven Prototyp zu übersetzen. Auch die Logik-, Rating-Monitoring- und sogar Textual content-Displaying-Nachrichten waren alle funktionsfähig und demonstrierten die Fähigkeiten von Codex sowohl in Logik als auch in der Präsentation.

Aufgabe 2: Erstellen einer täglichen Anwendung zur Kalorienverfolgung

Ziel: Erstellen Sie ein interaktives Dashboard mit Diagrammen und Benutzereingaben.

Immediate:

„Entwickeln Sie ein Health-Tracker-Dashboard mit HTML, CSS, JavaScript und einer Diagrammbibliothek (z. Mechanismus, sodass Benutzerdaten über Seiten aktualisiert werden.

Ausgabe:

GPT-5-Codex bot die praktischste und featurzinternste Implementierung. Es hat Chart.js reibungslos integriert, wobei die Reaktionsleiste, die Linien- und Kreisdiagramme in Echtzeit aktualisiert werden. Der wöchentliche Zusammenfassungabschnitt berechnete durchschnittlich genau und zeigt die besten und schlechtesten Tage mit Klarheit hervor. Darüber hinaus hat Codex den lokalen Speicherbrunnen abgeschlossen, um die Beharrlichkeit über die Sitzungen hinweg zu gewährleisten und das Dashboard mit einer sauberen, modernen Schnittstelle zu gestylt.

Aufgabe 3: Erstellen eines sentimentalen Analysemodell -Workflows

Ziel: Analysieren Sie Textdaten für Erkenntnisse.

Immediate:

„Führen Sie die Sentiment-Analyse auf einem Datensatz durch. Implementieren Sie dies in einem Jupyter-Notizbuch. Beginnen Sie mit der Reinigung des Textes (Stopwords entfernen, Interpunktion anwenden und Tokenisierung anwenden). Verwenden Sie ein vorgebildetes Stimmungsanalysemodell (z. B. von der Umarmung von Gesichtstransformatoren oder Textblob). Vergleiche Modellvorhersagen mit den tatsächlichen Bewertungen und Berechnung der Accuration. Die Kundenbewertungen richten sich mit dem Modell der Stimmungsanalyse aus (oder fehlausrichtung). “

Ausgabe:

GPT-5 Codex lieferte einen klaren und strukturierten Workflow für die Stimmungsanalyse. Es wurde die Textreinigung, Tokenisierung und Modellintegration mit minimaler Reibung implementiert, was insgesamt zuverlässige Ergebnisse erzielt. Der Vergleich von Vorhersagen mit tatsächlichen Bewertungen funktionierte intestine und die Genauigkeitsberechnung warfare unkompliziert. Abgesehen von einem kleinen Fehler in einer einzelnen Druckanweisung wurde alles reibungslos ausgeführt, einschließlich des Speicherns von Stimmungsverteilungsdiagrammen für Erkenntnisse.

Sie können das finden Füllen Sie hier das Codeformular aus und laden Sie den Datensatz von herunter Kaggle.

Wir haben kürzlich den Codex mit Gemini und Claude Code (verglichenLesen Sie hier den vollständigen Vergleich). Zu dieser Zeit fanden wir Claude Code für alle Aufgaben am besten. Der neue GPT-5-basierte Codex bietet jedoch erhebliche Verbesserungen in Bezug auf seine frühere Model. Im nächsten Abschnitt vergleichen wir die Gesamtleistung des neuen GPT-5-CODEX in dieser Hinsicht.

Gesamtanalyse

In meinem früheren Weblog, während er Codex CLI, Gemini CLI und auf und bewertet hat und bewertet Claude -Codejeweils zeigte sich unterschiedliche Stärken. Codex warfare großartig darin, schnellen und iterativen Code zu produzieren. Gemini warfare nützlicher bei aktiven Suchergebnissen und Ausführungsbefehlen. Claude produzierte Tiefe mit großer Dokumentation und Struktur. Jedes Device kann problemlos zum Debuggen oder Intervention verwendet werden. Obwohl sie vor dem Einsatz von einem Menschen überprüft werden sollten.

GPT-5 Codex ist eine bemerkenswerte Verbesserung der Codex-Linie. So sehr es die Geschwindigkeit und Klarheit von Codex beibehält, enthält nun die Autonomie der Agenten, um Fehlerbehebungen zu verarbeiten, Refactoring, Visualisierung und Workflow mit No /Little Intervention auszuführen. Im Gegensatz zu Geminis Anwendungsrahmen und Claude-Struktur und -tiefe oder der Navigationsgeschwindigkeit wird GPT-5-Codex zu einer Kombination aus beiden Enden: Erzeugen Sie nette, saubere, zuverlässige und produktionsbereite Lösungen digital in einem alarmierenden Tempo wie codiert, wodurch das beste Werkzeug der drei.

Abschluss

GPT-5-Codex mit Codex CLI zeigt, wie KI als zuverlässiger Companion bei der Codierung dienen kann, indem natürliche Sprache in funktionale, produktionsbereitete Code umgewandelt wird. Von der Einbeziehung interaktiver Spiele bis hin zu polierten Dashboards und Workflows für die Stimmungsanalyse erzeugte sie polierte Arbeiten mit nur minimalen Änderungen, die seine Vielseitigkeit in Entwicklungsanwendungen demonstrieren.

Zusätzlich zur Automatisierung verbessert Codex die Produktivität der Entwickler, indem sie einfach in IDES, Terminals und Cloud -Umgebungen integriert werden. Die Fähigkeit, bei Debugging, Refactoring und Automatisierung in Echtzeit sinnvoll zu helfen, macht es sowohl zu einem funktionalen als auch zu einem relevanten modernen Programmierwerkzeug. Während einige seiner Ausgaben weiterhin geringfügige Überarbeitungen benötigen, veranschaulicht Codex die Zukunft der Agentencodierung für Programmierer, um ihre funktionierenden Produkte mit hohem Potential zu steigern.

Ich bin sicher, Sie haben bereits Verwirrung für die Suche nach einer Abfrage oder zur tiefen Recherche zu einem Thema verwendet. Was ich an diesem Software persönlich liebe, ist die Zugänglichkeit zu mehreren LLMs in einer einzigen Schnittstelle. Sie haben die Möglichkeit, ein Modell Ihrer Wahl auszuwählen, oder es wird automatisch ein Modell gezogen, das intestine für Ihre Abfrage geeignet ist. Jetzt ist Verwirrung mit einem neuen Function – Labs. Verwirrungslabors ist eine KI-angetriebene Erstellungsmotor, die komplexe Projekte übernimmt, von Berichten bis hin zu Internet-Apps. Es kombiniert sich tiefe ForschungCode -Ausführung und Datenvisualisierung, um die Ideen in Minuten in die Realität umzusetzen. Lassen Sie uns in diesem Weblog mehr darüber erfahren.

Was ist Verwirrigkeit KI und wie unterscheidet sich sie von der tiefen Forschung?

Verwirrungslabors sind wie ein KI-Co-Pilot für Ihre komplexen Projekte. Es kann alles von Berichten und Tabellenkalkulationen bis hin zu Dashboards bis hin zu einfachen Internet -Apps erstellen, die von Deep Analysis, Code Execution und visuellen Instruments betrieben werden. Was dauerte früher Tage? Labors erledigt es in Minuten.

Regelmäßige Verwirrung eignet sich hervorragend für die Beantwortung von Fragen oder die Forschung. Aber Labors geht weiter; Es kann vollständige Projekte mit mehreren Teilen erstellen: Dokumente, Bilder, Präsentationen, Code und mehr. Betrachten Sie es als kreative Motor, nicht nur als Forschungsinstrument.

Und das Beste daran? Sie haben immer Kontrolle, bearbeiten Sie Schritte, überspringen Sie Aufgaben oder fügen Sie jederzeit Anweisungen hinzu.

Wie kann man Verwirrungslabors zugreifen?

Beispiele für Verwirrungslabors

Ich freue mich sehr, verblüffende Labors auszuprobieren, aber da ich noch nicht im Professional -Plan bin, halte ich mich zurück, bis es (hoffentlich!) An kostenlose Benutzer ausgeht. Trotzdem teilen die Leute bereits einige unglaubliche Anwendungsfälle on-line, und ich habe die High 5 Beispiele für Sie ausgewählt, die Sie erkunden können.

Möchten Sie weitere Beispiele sehen? Kasse Hier.

Beispiel 1: Erstellen eines Dashboards

Immediate: “Erstellen Sie Diagramme und ein interaktives Dashboard, um zu verstehen, wie die Finanzen meines Unternehmens (CSV angehängt)”

Ausgabe:

Hier finden Sie die volle Ausgabe hier.

Beobachtung:

Wenn der Benutzer dasselbe nach einer tiefen Forschung fragte, hätte dies eine Analyse im Textformat gegeben. Hier hat die Labors -Funktion für jeden Datenpunkt Deep Analysis + ENAGAGIN -Visualisierungen erstellt. Der Gesamtbericht macht den Gesamtbericht viel einfacher und konsumierbar.

Beispiel 2: Erstellen Sie eine Kundenliste für das Startup

Eingabeaufforderung: “Wir sind ein Tech-Beratungsunternehmen mit detaillierten Forschungen zu Technologien im Bereich Gen AI. Bitte erstellen Sie eine potenzielle Kundenliste für uns. Die Zielunternehmen sind B2B -amerikanische Unternehmen in der Entwicklungsphase vor der Serie B, die KI -Technologie -Empowerment benötigen. Pay attention Sie mindestens 15 Unternehmen auf und geben ihre Kontaktinformationen, Unternehmensgeschäftseinführungen, Adressen und andere spezifische Particulars klar an. Machen Sie ein Dashboard. ““

Ausgabe:

Hier finden Sie die volle Ausgabe hier.

Beobachtung:

Verwirrungslabors hielten sich sehr intestine an der Eingabeaufforderung an. Die Anfrage battle eine Liste von 15 vor der Serie B, B2B American Firms, die von der KI-Technologie sowie detaillierte Unternehmensinformationen und ein Dashboard profitieren konnten. Die Ausgabe lieferte genau das-eine organisierte und intestine recherchierte Liste von Unternehmen in Sektoren wie Gesundheitswesen, Fertigung, Medien und Cybersicherheit. Jeder Eintrag umfasste die Finanzierungsphase, Kontaktinformationen, Standort und Geschäftsfokus, die genau mit der Anfrage übereinstimmten.

Das generierte Dashboard fasste die wichtigsten Metriken zusammen, bot Filteroptionen und hob die KI -Implementierungsmöglichkeiten hervor. Verwirrungslabors Weiterer Mehrwert, indem Sie strategische Ansätze vorschlagen und sogar personalisierte Einführungs -E -Mails für jeden Lead entwerfen.

Beispiel 3: Storyboarding und Bilder

Immediate: “Entwickeln Sie ein kurzes Science-Fiction-Filmkonzept im Noir-Stil über eine 30-jährige weibliche Wissenschaftlerin, die in Zukunft auf dem Mars lebt, wenn ein Unglück trifft. Erstellen Sie 9 Storyboards und ein umfassendes Drehbuch”

Ausgabe:

Hier finden Sie die volle Ausgabe hier.

Beobachtung:

Verwirrungslabors haben die Eingabeaufforderung außergewöhnlich intestine ausgeführt und eine komplexe Anfrage in ein vollständiges Sci-Fi-Noir-Konzept verwandelt. Es lieferte eine detaillierte Filmidee, „Pink Mud Conspiracy“ auf dem Mars, der sich um Dr. Elise Jensen konzentrierte, einem 30-jährigen Wissenschaftler, der in einer tödlichen Verschwörung gefangen battle. Die Ausgabe umfasst reichhaltige Weltbuilding, eine klare Noir-Ästhetik, die an Marsbedingungen, starke Charakterentwicklung und ein Storyboard mit neun Szene angepasst ist, das die klassische Noir-Struktur widerspiegelt. Es erzeugte auch ein umfassendes Drehbuch mit Voice -Over -Erzählung, visueller Richtung und wissenschaftlich geerdeten Elementen. Das Ergebnis bleibt der Aufforderung sehr treu, mit starker thematischer Ausrichtung und Erzähltiefe.

Beispiel 4: persönliche Forschungsarbeit

Immediate: „Mein Associate und ich möchten eine Immobilie in New York Metropolis in einem Gebiet mit niedriger Kriminalitätsrate und guten Schulen für unsere 2 Kinder für weniger als 1 Million US -Greenback kaufen. Erforschen und die besten Bereiche für meine Kriterien analysieren. Identifizieren Sie dann die besten 10 Immobilien in den Bereichen, die wir berücksichtigen sollten, und einbeziehen eine Tabelle, die sie bewertet, die auf meinen Kriterien basiert.”

Ausgabe:

Hier finden Sie die volle Ausgabe hier.

Beobachtung:

Verwirrungslabors lieferten eine beeindruckend detaillierte und relevante Ausgabe, die auf der Aufforderung des Benutzers basiert, familienfreundliche Immobilien unter 1 Million US-Greenback in der Nähe von NYC zu finden. Es identifizierte sichere Stadtteile mit guten Schulen, darunter Riverdale, New Rochelle und Metropolis Island, genau und stellte eine Rangliste von 10 Immobilien zur Verfügung, die den Funds-, Sicherheits- und Bildungskriterien entsprechen. Die Ausgabe umfasste Nachbarschaftsübersichten, Immobilienvergleiche, Schulbewertungen, Pendelzeiten und sogar eine detaillierte Bewertungstabelle. Insgesamt stimmte die Ausgabe mit der Eingabeaufforderung außergewöhnlich intestine überein und fügte wertvollen Kontext hinzu, was ihn zu einem hochwirksamen und umsetzbaren Ergebnis machte.

Lesen Sie auch:

Abschluss

Verwirrungslabors sind nicht nur eine weitere KI-Funktion, sondern auch ein leistungsstarker Co-Schöpfer, der Ihre Ideen in polierte, umsetzbare Ausgänge verwandelt. Egal, ob Sie Dashboards aufbauen, Drehbücher ausarbeiten oder Immobilien erforschen, Labors schließen die Lücke zwischen Ideenion und Ausführung auf eine Weise, die sich quick magisch anfühlt. Was früher Tage suchten, zusammengestellt, entworfen und bearbeitet haben, findet in Minuten statt und hält Sie die Kontrolle. Da mehr Menschen untersuchen, was Labors tun können, ist klar, dass dies mehr als ein Produktivitätstool ist. Es ist eine Kreativitätsmotor für die AI-First-Ära.

Bei Canva Create 2025 hat Canva seine Angebote in neue Bereiche erweitert: Instruments mit KI-angetrieben, Unternehmensfunktionen und zum ersten Mal Instruments für Entwickler. Einige der größten Updates umfassten Verbesserungen an Magic Media, KI-Videobearbeitung, Echtzeitumarbeit und eine neue Suite für das Markenmanagement. Die größte Überraschung struggle jedoch Canva-Code, der ein Code-Editor zum Drag-and-Drop-Design-Instrument von Canva hinzufügt. Mit Canva -Code können Designer und Entwickler leichter zusammenarbeiten. Sie können etwas visuell entwerfen und seinen Code direkt bearbeiten. Dies spiegelt einen größeren Pattern wider: Instruments mit niedrigem Code und No-Code machen das Codieren für alle zugänglicher, nicht nur für Entwickler oder Designer.

Was ist Canva -Code?

Canva-Code ist ein integrierter Code-Editor in Canva, mit dem Sie die Logik, Struktur und das Verhalten Ihrer App oder Ihres Designs mithilfe bekannter Sprachen wie HTML, CSS und JavaScript bearbeiten können. Es generiert nicht nur Boilerplate-Code aus Ihrem Design, Sie können auch leichte Layouts fein abteilen, APIs anschließen und Interaktivität hinzufügen. Stellen Sie sich dies als eine Fusion des Entwicklungsmodus von Figma, der Visible-to-Code-Philosophie von Webflow und einer leichten VS-Code-Umgebung in der Canva-Schnittstelle vor.

https://www.youtube.com/watch?v=rnvsl3pix8u

Wie unterscheidet es sich vom nur dem Exportieren von Code?

Herkömmliche Design -Instruments ermöglichen den Exportieren von HTML/CSS, aber Canva -Code lautet:

• Bearbeitet in Canva selbst
• Reside-Up to date -Sie müssen nicht exportieren, anderswo bearbeiten und wieder importieren
• Integriert in andere Canva -KI -Instruments
• Einsatzbar Direkt über leinva gehostete Erfahrungen (bald kommen)

Dies positioniert Canva nicht nur als Design-Instrument, sondern auch als Plattform für die Erstellung von Full-Stack.

Schlüsselmerkmale

Nach dem Entwerfen einer Seite oder einer Schnittstelle können Sie die Registerkarte Code öffnen und:

• Siehe den automatisch generierten Code
• Bearbeiten Sie HTML/CSS direkt
• Fügen Sie JavaScript -Funktionen hinzu
• APIs integrieren

Änderungen werden in Ihrem Design leben. Sie können das Projekt exportieren oder direkt in eine Web site oder App einbetten. Es unterstützt auch die Bearbeitung von Komponentenebene mit Klassennamenkonventionen und Zustandslogik.

Canva -Code -Benutzer

Es ist besonders wertvoll für Startups, Solopreneure und Pädagogen, die Design, Logik und Einsatz in einer einzigen Plattform benötigen. Canva -Code ist für Hybridbenutzer:

• Designer, die Kontrolle über Interaktionen und Reaktionsfähigkeit wünschen
• Entwickler, die schnell prototypisieren wollen
• Groups, die Design-to-Dev-Übergabe rationalisieren möchten

Wie verwendet Canva -Code AI?

Canva nutzt AI zu:

• Responsive Layouts automatisch generieren
• Empfehlen Sie Codeverbesserungen
• Konvertieren Sie Designs in semantische, zugängliche HTML
• Helfen Sie dabei, Probleme über natürliche Sprachaufforderungen zu debuggen

Es kombiniert die Intuitivität der Chatgpt-ähnlichen Codierungshilfe bei der Struktur eines visuellen Editors.

Wie benutze ich Canva -Code?

Aufbau von Anwendungen mit Canva -Code

Derzeit ist der Zugriff auf diese Codierungsfunktion auf eine ausgewählte Gruppe von Benutzern beschränkt. Im Folgenden finden Sie einige Beispiele dafür, wie Menschen diese Funktionen zu ihrem Vorteil nutzen

1. Flash Card -Spiel für Schüler der 2. Klasse

Immediate: “Ich möchte ein Flash -Kartenspiel für die Ergänzung und Subtraktion erstellen Fakten für Schüler der 2. Klasse. “

Quelle: X (Coleman Brown)

2. To-Do-App

Immediate: „Erstellen Sie mir eine To-Do-Checklist-App mit einer lustigen Benutzeroberfläche“

Quelle: X (@mikeagonz)

3. Preisrechner

Immediate: “Ich möchte einen benutzerdefinierten Taschenrechner erstellen, der Kunden hilft, die verschiedenen Preise zu verstehen, die ich für meine Illustrationsarbeit verlange.“

Quelle: X (Adam)

Canva -Code gegen Windsurf gegen Cursor

Lesen Sie auch:

Weitere Funktionen bei Canva erstellen 2025

Bei Canva Create 2025 wurden mehrere aufregende Funktionen und Updates eingeführt, die die Designfunktionen der Plattform verbessern und seine Reichweite erweitern. Hier ist ein Überblick über die wichtigsten Ankündigungen:

Endnote

Der Canva -Code markiert eine mutige Verschiebung, wie wir über Design- und Entwicklungsworkflows denken. Es schließt eine Lücke, die seit langem zwischen dem, was intestine aussieht und was intestine funktioniert. In einer Welt, in der KI-Agenten mit uns zusammenarbeiten, geben Instruments wie Canva-Code dem Hybridschöpfer, der entwirft und schifft. Und da Design-Instruments zu Codierungswerkzeugen werden, wurde die Grenze zwischen No-Code und Vollcode nur viel verschwenderisch. Egal, ob Sie ein Solo-Schöpfer sind oder ein Full-Stack-Entwickler suchen, der nach einem schnellen Prototyping sucht, Canva-Code ist eine Testfahrt wert.

Google hat mit seinen Gemini 2.0 -Modellen Wellen im KI -Raum geschafft und wesentliche Upgrades auf ihre Chatbot- und Entwickler -Instruments gebracht. Mit der Einführung von Gemini 2.0 Flash, Gemini 2.0 Professional (experimentell) und dem neuen kosteneffizienten Gemini 2.0 Flash-Lite battle ich bestrebt, mit jedem dieser Modelle praktische Erfahrungen zu sammeln-und ja, ich habe sie alle für versucht frei!

Wie bekomme ich Gemini 2.0 API?

Schritt 1: Geh dazu Hyperlink.

Schritt 2: Klicken Sie auf „Holen Sie sich eine Gemini -API -Style“

Schritt 3: Klicken Sie nun auf „API -Schlüssel erstellen“

Schritt 4: Wählen Sie ein Projekt aus Ihren vorhandenen Google Cloud -Projekten aus.

Schritt 5: Suche Google Cloud -Projekte. Dies generiert den API -Schlüssel für Ihr Projekt!

Praktisch mit Gemini 2.0 Flash

Gemini 2.0 Flash, zunächst eine experimentelle Veröffentlichung, ist jetzt weithin zugänglich und in verschiedene Google AI -Produkte integriert. Nachdem ich es durch die Gemini -API in Google AI Studio und Vertex AI getestet hatte, fand ich es eine schnellere und optimiertere Model seines Vorgängers. Während es die tiefen Argumentationsfähigkeiten des Professional -Modells fehlt, behandelt es schnelle Reaktionen und allgemeine Aufgaben bemerkenswert intestine.

Um mehr über diesen Weblog zu erfahren.

Schlüsselmerkmale, die mir aufgefallen sind

• Verbesserte Geschwindigkeit: Das Modell ist sehr reaktionsschnell und macht es ideally suited für Echtzeitanwendungen.
• Bevorstehende Funktionen: Google hat für dieses Modell Textual content-to-Speech- und Bildgenerierungsfunktionen angekündigt, was es noch vielseitiger machen könnte.
• Nahtlose Integration: Zugriff über die Gemini -App, Google AI Studio und die Vertex AI, die es in verschiedenen Anwendungen leicht implementieren kann.

Code:

!pip set up -q -U google-generativeai

import google.generativeai as genai

from IPython.show import Markdown

from google.colab import userdata

GOOGLE_API_KEY=userdata.get('GOOGLE_API_KEY')

genai.configure(api_key=GOOGLE_API_KEY)

import httpx

import base64

# Retrieve a picture

image_path = "https://cdn.pixabay.com/picture/2022/04/10/09/02/cats-7122943_1280.png"

picture = httpx.get(image_path)

# Select a Gemini mannequin

mannequin = genai.GenerativeModel(model_name="fashions/gemini-2.0-flash")

# Create a immediate

immediate = "Caption this picture."

response = mannequin.generate_content(

   (

       {

           "mime_type": "picture/jpeg",

           "information": base64.b64encode(picture.content material).decode("utf-8"),

       },

       immediate,

   )

)

Markdown(">" + response.textual content)

Ausgabe:

Zwei Cartoon -Katzen interagieren mit einer großen Blume. Die Katze hyperlinks ist braun mit braunen Streifen und greift nach einem großen grünen Blatt. Die Katze rechts ist grau mit dunkleren grauen Streifen und schaut mit Interesse zur Blume auf. Die Blume hat orange Blütenblätter und ein blasses Zentrum. Es gibt auch einige glatte Steine ​​an der Foundation der Blume. Der Hintergrund ist eine hellblaue Farbe.

Lesen Sie auch: Gemini 2.0 Flash gegen GPT 4O: Was ist besser?

Testing Gemini 2.0 Professional (experimentell)

Dieses Flaggschiff -Modell befindet sich noch in einer experimentellen Part, aber ich habe einen frühen Zugriff über Google AI Studio. Gemini 2.0 Professional ist für komplexe Argumentations- und Codierungsaufgaben konzipiert und hat den Erwartungen sicherlich erfüllt.

Meine Imbissbuden

• Massives 2m Token -Kontextfenster: Die Fähigkeit, große Datensätze effizient zu verarbeiten, ist ein Sport-Changer.
• Fortgeschrittene Argumentation: Verarbeitet mehrstufige Problemlösungen besser als jedes frühere Gemini-Modell.
• Beste Codierungsleistung: Ich habe es mit Programmierherausforderungen getestet und es übertraf andere Gemini -Modelle bei der Generierung strukturierter und optimierter Code.
• Werkzeugintegration: Das Modell kann die Google -Such- und Codeausführung nutzen, um die Antworten zu verbessern.

Gemini 2.0 Professional ist ab sofort als experimentelles Modell für Entwickler in Google AI Studio und Vertex AI sowie für Gemini Superior-Benutzer in der Dropdown-Dropd-Down-Marke auf Desktop und Cellular verfügbar.

Um mehr über diesen Weblog zu erfahren.

Code:

pip set up -q -U google-genai

from google import genai


# Exchange "YOUR_API_KEY" along with your precise API key
shopper = genai.Consumer(api_key="Your_API_Key")


response = shopper.fashions.generate_content(
   mannequin="gemini-2.0-pro-exp-02-05", contents="Give me code for nth fabonacci collection"
)
print(response.textual content)

Ausgabe:

def fibonacci_nth(n):
"""
Calculates the nth Fibonacci quantity.
Args:
n: The index of the specified Fibonacci quantity (non-negative integer).
Returns:
The nth Fibonacci quantity. Returns 0 if n is 0. Returns 1 if n is 1.
Handles invalid enter (damaging numbers) by elevating a ValueError.
Raises:
ValueError: if n is damaging.
"""
if n < 0:
increase ValueError("Enter have to be a non-negative integer.")
elif n <= 1:
return n  # Base circumstances: F(0) = 0, F(1) = 1
else:
a, b = 0, 1
for _ in vary(2, n + 1):
a, b = b, a + b  # Effectively replace a and b
return b
def fibonacci_series(n):
"""
Generates the primary n Fibonacci numbers.
Args:
n: The variety of Fibonacci numbers to generate (non-negative integer).
Returns:
An inventory containing the primary n Fibonacci numbers. Returns an empty checklist if n is 0.
Handles invalid enter (damaging n) by elevating a ValueError.
Raises:
ValueError: if n is damaging.
"""
if n < 0:
increase ValueError("Enter have to be a non-negative integer.")
elif n == 0:
return ()
elif n == 1:
return (0)
else:
collection = (0, 1)
whereas len(collection) < n:
next_fib = collection(-1) + collection(-2)
collection.append(next_fib)
return collection
def fibonacci_recursive(n):
"""
Calculates the nth Fibonacci quantity utilizing recursion.
Args:
n: The index of the specified Fibonacci quantity (non-negative integer).
Returns:
The nth Fibonacci quantity.
Raises:
ValueError: if n is damaging.
"""
if n < 0:
increase ValueError("Enter have to be a non-negative integer.")
elif n <= 1:
return n
else:
return fibonacci_recursive(n - 1) + fibonacci_recursive(n - 2)
def fibonacci_memoization(n, memo={}):
"""
Calculates the nth Fibonacci quantity utilizing recursion with memoization.
Args:
n: The index of the specified Fibonacci quantity (non-negative integer)
memo: A dictionary to retailer beforehand computed Fibonacci numbers.
Returns:
The nth Fibonacci quantity.
Raises:
ValueError: if n is damaging.
"""
if n < 0:
increase ValueError("Enter have to be a non-negative integer.")
if n in memo:
return memo(n)
if n <= 1:
return n
memo(n) = fibonacci_memoization(n - 1, memo) + fibonacci_memoization(n - 2, memo)
return memo(n)
def fibonacci_golden_ratio(n):
"""
Calculates the nth Fibonacci quantity utilizing the Golden Ratio system (Binet's system).
Args:
n: The index of the specified Fibonacci quantity (non-negative integer).
Returns:
The nth Fibonacci quantity, rounded to the closest integer. As a result of floating-point
precision, this technique is perhaps inaccurate for very massive values of n.
Raises:
ValueError: if n is damaging.
"""
if n < 0:
increase ValueError("Enter have to be a non-negative integer.")
phi = (1 + 5**0.5) / 2  # Golden Ratio
return spherical((phi**n - (1 - phi)**n) / (5**0.5))
# --- Examples and Testing ---
if __name__ == "__main__":
# Check circumstances
test_cases = (0, 1, 2, 3, 4, 5, 6, 7, 10, 20, 30)
print("Iterative Technique:")
for n in test_cases:
print(f"F({n}) = {fibonacci_nth(n)}")
print("nSeries Technique:")
for n in test_cases:
print(f"First {n} Fibonacci numbers: {fibonacci_series(n)}")
print("nRecursive Technique (Warning: Gradual for bigger n):")
for n in test_cases(:10):  # Restrict recursive exams for efficiency
print(f"F({n}) = {fibonacci_recursive(n)}")
print("nMemoization Technique:")
for n in test_cases:
print(f"F({n}) = {fibonacci_memoization(n)}")
print("nGolden Ratio Technique:")
for n in test_cases:
print(f"F({n}) = {fibonacci_golden_ratio(n)}")
# Instance of dealing with invalid enter
strive:
print(fibonacci_nth(-1))
besides ValueError as e:
print(f"Error: {e}")
strive:
print(fibonacci_series(-5))
besides ValueError as e:
print(f"Error: {e}")
strive:
fibonacci_recursive(-2)
besides ValueError as e:
print(f"Error: {e}")
strive:
fibonacci_memoization(-3)
besides ValueError as e:
print(f"Error: {e}")
strive:
fibonacci_golden_ratio(-4)
besides ValueError as e:
print(f"Error: {e}")
# Bigger worth testing (iterative and memoization are a lot quicker)
large_n = 40
print(f"nF({large_n}) (Iterative) = {fibonacci_nth(large_n)}")
print(f"F({large_n}) (Memoization) = {fibonacci_memoization(large_n)}")
# print(f"F({large_n}) (Recursive) = {fibonacci_recursive(large_n)}") # Very gradual!  Keep away from for giant n.
print(f"F({large_n}) (Golden Ratio) = {fibonacci_golden_ratio(large_n)}")

Erkundung von Gemini 2.0 Flash-Lite: Das kostengünstigste Modell

Gemini 2.0 Flash-Lite ist das budgetfreundliche KI-Modell von Google und bietet ein Gleichgewicht zwischen Leistung und Erschwinglichkeit. Im Gegensatz zu seinen Vorgängern bietet es a 1m Token Kontextfenster Und Multimodaleingangsunterstützung Beibehaltung der Geschwindigkeit des vorherigen 1,5 -Flash -Modells.

Was ist für mich aufgefallen?

• Ideally suited für kosten smart Anwendungen: Dieses Modell ist eine gute Wahl für Unternehmen oder Entwickler, die die KI -Ausgaben senken möchten.
• Glätte Leistung: Obwohl es nicht so mächtig wie Profi ist, ist es für allgemeine Aufgaben intestine.
• Öffentliche Vorschau verfügbar: Keine Einschränkungen – Jedes kann es über Google AI Studio und Vertex AI versuchen.

Um mehr über diesen Weblog zu erfahren.

Code:

pip set up -q -U google-genai


from google import genai


# Exchange "YOUR_API_KEY" along with your precise API key
shopper = genai.Consumer(api_key="Your_API_Key")


# Generate content material with streaming
response_stream = shopper.fashions.generate_content_stream(
   mannequin="gemini-2.0-flash-lite-preview-02-05",
   contents="Give me a bedtime story for my child"
)


# Course of and print the streamed response
for chunk in response_stream:
   print(chunk.textual content, finish="", flush=True)  # Print every chunk because it arrives

Ausgabe:

Okay, snuggle in tight and shut your eyes. Let's start...
As soon as upon a time, in a land full of marshmallow clouds and lollipop bushes, lived just a little firefly named Flicker. Flicker wasn't simply any firefly, oh no! He had the brightest, sparkliest gentle in the entire valley. However generally, Flicker was just a little bit shy, particularly when it got here to shining his gentle at nighttime.
Because the solar started to dip behind the giggle-berry bushes, portray the sky in shades of orange and purple, Flicker would begin to fear. "Oh pricey," he'd whisper to himself, "It is getting darkish! I hope I haven't got to shine tonight."
All the opposite fireflies beloved to twinkle and dance within the night time sky, their lights making a magical, shimmering ballet. They’d zoom and swirl, leaving trails of glowing mud, whereas Flicker hid behind a giant, cozy dandelion.
One night time, as Flicker was hiding, he noticed just a little misplaced bunny, no larger than his thumb, hopping round in circles. The bunny was sniffing the air and whimpering softly. “Oh pricey, I am misplaced!” the bunny squeaked. “And it is so darkish!”
Flicker’s tiny coronary heart thumped in his chest. He actually wished to remain hidden, however he could not bear to see the little bunny scared and alone. Taking a deep breath, Flicker took a leap of religion.
He flew out from behind the dandelion, and with just a little *flick!*, his gentle shone brightly! It wasn't a giant, booming gentle, not at first. However it was sufficient!
The little bunny perked up his ears and noticed the glowing firefly. “Ooooh! You are shining!” the bunny cried. “Are you able to assist me?”
Flicker, stunned by his personal braveness, fluttered nearer and, with a mild *flicker* and *flicker*, started to steer the bunny alongside a path fabricated from glowing mushrooms. His gentle guided the bunny previous sleepy snails and babbling brooks till, lastly, they reached the bunny's cozy burrow, nestled below the roots of an enormous, whispering willow tree.
The bunny turned and checked out Flicker, his eyes shining with gratitude. "Thanks!" he squeaked. "You saved me! You had been so courageous and your gentle is so stunning."
As Flicker flew again in direction of the giggle-berry bushes, he felt a heat feeling unfold by means of his little firefly physique. It wasn't simply the heat of the night time; it was the heat of serving to another person.
That night time, and each night time after, Flicker flew with the opposite fireflies. He nonetheless felt just a little shy generally, however he all the time remembered the little misplaced bunny. And due to the bunny, Flicker's gentle grew brighter and stronger with each *flick!*. He discovered that one of the simplest ways to shine is to share your gentle, and that even the littlest gentle could make a giant distinction at nighttime.
Now shut your eyes tight, toddler. Dream of marshmallow clouds and glowing fireflies. Candy goals. Goodnight.

Gemini 2.0 Flash -Denkmodus: Ein Schritt in Richtung besserer KI -Argumentation

Dieser neue Modus verbessert, wie Gemini die Problemlösung umgeht, indem der Denkprozess explizit angezeigt wird. In der Gemini -App erhältlich, unterteilt es Probleme in kleinere Komponenten und präsentiert einen strukturierten Argumentationsansatz.

Meine Erfahrung mit dem Denkmodus

• Klare Erklärungen: Die KI bietet Schritt-für-Schritt-Aufschlüsse und erleichtert das Verständnis komplexer Antworten.
• Eher menschlicher Problemlösung: Im Gegensatz zu herkömmlichen Modellen, die sofort Antworten liefern, zeigt dieser Modus den Argumentationsprozess hinter Schlussfolgerungen.
• Zuvor beschränkt auf Entwickler: Jetzt in der Gemini -App erhältlich, wodurch sie für allgemeine Benutzer zugänglicher wird.

Um mehr über diesen Weblog zu erfahren.

Code:

%pip set up -U -q "google-genai"

from google.colab import userdata


GOOGLE_API_KEY=userdata.get('GOOGLE_API_KEY')

from google import genai
from google.genai import varieties


shopper = genai.Consumer(
   api_key=GOOGLE_API_KEY,


   # Use `v1alpha` so you possibly can see the `thought` flag.
   http_options={'api_version':'v1alpha'},
)

from pprint import pprint
pprint(
   shopper.fashions.get(mannequin="gemini-2.0-flash-thinking-exp-01-21")
   .model_dump(exclude_defaults=True)
)

Ausgabe:

response = shopper.fashions.generate_content(
   mannequin="gemini-2.0-flash-thinking-exp-01-21",
   contents="What's SFT? Clarify your reasoning step-by-step."
print(response.textual content) # Output of the LLM
print("-----")
for line in response.textual content.break up('n'):
   if line.startswith("Reasoning:"):  # Instance, adapt as wanted
       print(line)

Ausgabe:

for half in response.candidates(0).content material.components:
   show(Markdown(half.textual content))

Ausgabe:

Let's break down what SFT, or Supervised Positive-Tuning, is step-by-step.
1. Understanding the Phrases:
To grasp SFT, let's dissect the identify:
Supervised: Refers to studying from labeled information, much like having a trainer present the right solutions. In supervised studying, enter information is paired with desired output information (labels).
Positive-Tuning: Implies enhancements to an current mannequin (pre-trained) by adjusting its parameters (weights) to enhance efficiency on a particular process.
2. Context: Pre-trained Fashions (Basis Fashions)
SFT is usually utilized to massive pre-trained fashions in fields like Pure Language Processing (NLP) and Pc Imaginative and prescient. These fashions, skilled on huge datasets, be taught normal information patterns.
Pre-training Part: Think about a language mannequin skilled on the web's textual content, studying language nuances, vocabulary, grammar, and relationships between phrases. This part is essential for offering a stable foundational information.
3. Introducing Supervised Positive-Tuning (SFT) - The Core Idea:
Submit pre-training, a mannequin typically understands textual content or pictures however might not excel in particular duties. SFT addresses this by adapting the mannequin to carry out specific duties successfully.
Aim of SFT: Adapt a pre-trained mannequin to a particular process utilizing a related, task-specific, labeled dataset.
Examples of SFT:
Sentiment Evaluation:
Pre-trained mannequin: Educated on web textual content.
Activity: Decide sentiment (constructive or damaging) in film critiques.
SFT Dataset: Film critiques labeled as "constructive" or "damaging".
SFT Course of: Additional practice the mannequin on the film assessment dataset.
Query Answering:
Pre-trained mannequin: Basic massive language mannequin.
Activity: Reply questions primarily based on textual content passages.
SFT Dataset: Dataset of (context passage, query, reply) triples.
SFT Course of: Practice the mannequin on this dataset.
Instruction Following (for chatbots):
Pre-trained mannequin: Basic massive language mannequin.
Activity: Generate responses primarily based on consumer directions.
SFT Dataset: Directions paired with desired responses.
SFT Course of: Practice the mannequin to comply with directions and generate acceptable responses.
4. How SFT Works Technically:
Initialization: Begin with the weights from the pre-trained mannequin.
Activity-Particular Coaching: Feed the mannequin with SFT dataset.
Loss Perform: Outline a operate to measure prediction accuracy in opposition to precise labels.
Optimization: Modify weights utilizing algorithms like gradient descent to attenuate loss.
Smaller Studying Fee: Use a decreased studying price to fine-tune the mannequin subtly.
5. Advantages of SFT:
Improved Particular Activity Efficiency: Enhances mannequin accuracy on fine-tuned duties.
Quicker Coaching: Leverages current information, requiring much less information and time than coaching from scratch.
Activity Specialization: Tailors general-purpose fashions to excel in particular areas.
Alignment with Desired Conduct: Ensures fashions act in accordance with consumer expectations.
6. SFT vs. Different Positive-Tuning Strategies:
In comparison with different strategies like Reinforcement Studying from Human Suggestions (RLHF), SFT is commonly easier and fewer computationally intensive, making it an preliminary step earlier than making use of extra advanced strategies like RLHF.
7. Abstract - Step-by-Step Reasoning:
Begin with a broadly educated pre-trained mannequin.
Establish the necessity for specialization in particular duties.
Make the most of task-specific labeled information to information the mannequin's studying.
Positive-tune the mannequin's current weights to adapt it to new duties.
Optimize efficiency by means of focused changes and loss minimization.
Obtain enhanced task-specific efficiency, leveraging foundational information.
In essence, SFT transforms a broadly succesful "scholar" right into a specialised professional in a focused discipline by means of targeted and supervised studying.

Welches Modell ist richtig für Sie?

Jedes dieser Gemini 2.0 -Modelle richtet sich an verschiedene Anwendungsfälle. Hier ist ein kurzer Vergleich, der auf meinen praktischen Exams basiert:

Modell	Am besten für	Kontextfenster	Verfügbarkeit
Gemini 2.0 Blitz	Hochvolumme und Hochfrequenzaufgaben im Maßstab	1m Token	Öffentlich
Gemini 2.0 Professional (Exp.)	Komplexe Aufgaben, Codierung und tiefe Argumentation	2m Token	Google AI Studio, Vertex AI
Gemini 2.0 Flash-Lite	Kostensensitive Anwendungen, Effizienz	1m Token	Öffentliche Vorschau

Nachdem Sie die neuesten getestet haben Gemini 2.0 Modelle ist klar, dass Google erhebliche Fortschritte bei der KI -Entwicklung macht. Jedes Modell dient einem einzigartigen Zweck, einem Ausgleich Geschwindigkeits-, Kosten- und Argumentationsfähigkeiten Um sich auf verschiedene Benutzerbedürfnisse zu kümmern.

• Für Echtzeit hohe FrequenzaufgabenAnwesend Gemini 2.0 Blitz ist eine solide Wahl, die beeindruckende Geschwindigkeit und nahtlose Integration bietet.
• Für komplexe Problemlösungen, Kodierung und tiefe ArgumentationAnwesend Gemini 2.0 Professional (experimentell) fällt mit seinem auf 2m Token Kontextfenster und erweiterte Werkzeugintegration.
• Für kostenbewusste BenutzerAnwesend Gemini 2.0 Flash-Lite Bietet an Erschwinglich und doch mächtig Different, ohne die Leistung zu stark zu beeinträchtigen.
• Für eine bessere Erklärung in der KIDie Denkmodus führt einen strukturierten Argumentationsansatz ein und macht KI -Ausgänge transparenter und verständlicher.

Lesen Sie auch: Google Gemini 2.0 Professional Experimental besser als OpenAI O3-Mini?

Abschluss

Das Engagement von Google für Innovationen in der KI zeigt sich mit diesen Modellen und bietet Entwicklern und Unternehmen mehr Optionen, um modernste Technologie zu nutzen. Egal, ob Sie ein Forscher, ein KI-Fanatic oder ein Entwickler sind, der freie Zugang zu diesen Modellen bietet eine fantastische Gelegenheit, hochmoderne KI-Lösungen in Ihren Workflow zu erkunden und zu integrieren.

Mit fortgesetzten Verbesserungen und bevorstehenden Merkmalen wie Textual content-to-Speech- und Bildgenerierung entwickelt sich Gemini 2.0 als Hauptakteur in der sich entwickelnden KI-Landschaft. Wenn Sie überlegen, welches Modell dies verwendet werden soll, kommt es auf Ihre spezifischen Anforderungen an: Geschwindigkeit, Intelligenz oder Kosteneffizienz-und Google hat für jeden eine überzeugende Choice bereitgestellt.

Andrew Ng wurde kürzlich veröffentlicht AISuiteein Open-Supply-Python-Paket, das die Verwendung großer Sprachmodelle (LLMs) über mehrere Anbieter hinweg optimieren soll. Dieses progressive Instrument vereinfacht die Komplexität der Arbeit mit verschiedenen LLMs, indem es einen nahtlosen Wechsel zwischen Modellen mit einer einfachen Zeichenfolge „supplier:mannequin“ ermöglicht. Durch die deutliche Reduzierung des Integrationsaufwands AISuite erhöht die Flexibilität und beschleunigt die Anwendungsentwicklung, was es zu einer unschätzbar wertvollen Ressource für Entwickler macht, die sich in der dynamischen KI-Landschaft zurechtfinden. In diesem Artikel werden wir sehen, wie effektiv es ist.

Was ist AISuite?

AISuite ist ein Open-Supply-Projekt unter der Leitung von Andrew Ng, das darauf ausgelegt ist, die Arbeit mit mehreren zu erleichtern großes Sprachmodell (LLM) Anbieter einfacher und effizienter zu machen. Verfügbar am GitHubEs bietet eine einfache, einheitliche Schnittstelle, die einen nahtlosen Wechsel zwischen LLMs mithilfe von HTTP-Endpunkten oder SDKs ermöglicht und dabei der Schnittstelle von OpenAI folgt. Dieses Instrument ist supreme für Studenten, Lehrkräfte und Entwickler und bietet konsistente und problemlose Interaktionen zwischen verschiedenen Anbietern.

Unterstützt durch ein Crew von Open-Supply-Mitarbeitern schließt AISuite die Lücke zwischen verschiedenen LLM-Frameworks. Es ermöglicht Benutzern die einfache Integration und den Vergleich von Modellen von Anbietern wie OpenAI, Anthropic und Meta’s Llama. Das Instrument vereinfacht Aufgaben wie das Generieren von Texten, das Durchführen von Analysen und den Aufbau interaktiver Systeme. Mit Funktionen wie einer optimierten API-Schlüsselverwaltung, anpassbaren Shopper-Konfigurationen und einer intuitiven Einrichtung unterstützt AISuite sowohl einfache Anwendungen als auch komplexe LLM-basierte Projekte.

Implementierung von AISuite

1. Installieren Sie die erforderlichen Bibliotheken

!pip set up openai
!pip set up aisuite(all)

• !pip openai installieren: Installiert die OpenAI-Python-Bibliothek, die für die Interaktion mit den GPT-Modellen von OpenAI erforderlich ist.
• !pip set up aisuite(all): Installiert AISuite zusammen mit optionalen Abhängigkeiten, die zur Unterstützung mehrerer LLM-Anbieter erforderlich sind.

2. Legen Sie API-Schlüssel für die Authentifizierung fest

os.environ('OPENAI_API_KEY') = getpass('Enter your OPENAI API key: ')
os.environ('ANTHROPIC_API_KEY') = getpass('Enter your ANTHROPIC API key: ')

• os.environ: Legt Umgebungsvariablen fest, um die für den Zugriff auf LLM-Dienste erforderlichen API-Schlüssel sicher zu speichern.
• getpass(): Fordert den Benutzer auf, seine OpenAI- und Anthropic-API-Schlüssel sicher einzugeben (ohne die Eingabe anzuzeigen).
• Diese Schlüssel authentifizieren Ihre Anfragen gegenüber den jeweiligen Plattformen.

Lesen Sie auch: Wie erstelle ich meinen eigenen OpenAI-API-Schlüssel und füge Credit hinzu?

3. Initialisieren Sie den AISuite-Shopper

consumer = ai.Shopper()

Dies initialisiert eine Instanz von AISuite Shopper, der eine standardisierte Interaktion mit mehreren LLMs ermöglicht.

4. Definieren Sie die Eingabeaufforderung (Nachrichten)

messages = (
   {"position": "system", "content material": "Speak utilizing Pirate English."},
   {"position": "person", "content material": "Inform a joke in 1 line."}
)

• Die Nachrichtenliste definiert eine Konversationseingabe:
  • Rolle: „System“: Stellt dem Modell Anweisungen zur Verfügung (z. B. „Mit Piraten-Englisch sprechen“).
  • Rolle: „Benutzer“: Stellt die Anfrage des Benutzers dar (z. B. „Erzähl einen Witz in einer Zeile“).
• Diese Eingabeaufforderung stellt sicher, dass die Antworten einem Piratenthema folgen und einen einzeiligen Witz enthalten.

5. Fragen Sie das OpenAI-Modell ab

response = consumer.chat.completions.create(mannequin="openai:gpt-4o", messages=messages, temperature=0.75)
print(response.selections(0).message.content material)

• mannequin=“openai:gpt-4o“: Gibt das OpenAI GPT-4o-Modell an.
• Nachrichten=Nachrichten: Sendet die zuvor definierte Eingabeaufforderung an das Modell.
• Temperatur=0,75: Steuert die Zufälligkeit der Antwort. Eine höhere Temperatur führt zu kreativeren Ergebnissen, während niedrigere Werte deterministischere Reaktionen hervorrufen.
• Antwort.selections(0).message.content material: Extrahiert den Textinhalt der Antwort des Modells.

6. Fragen Sie das Anthropische Modell ab

response = consumer.chat.completions.create(mannequin="anthropic:claude-3-5-sonnet-20241022", messages=messages, temperature=0.75)
print(response.selections(0).message.content material)

• mannequin=“anthropic:claude-3-5-sonnet-20241022“: Gibt das Anthropic Claude-3-5-Modell an.
• Die übrigen Parameter sind identisch mit der OpenAI-Abfrage. Dies zeigt, wie AISuite durch Ändern der Modellparameter einen einfachen Wechsel zwischen Anbietern ermöglicht.

7. Fragen Sie das Ollama-Modell ab

response = consumer.chat.completions.create(mannequin="ollama:llama3.1:8b", messages=messages, temperature=0.75)
print(response.selections(0).message.content material)

• mannequin=“ollama:llama3.1:8b“: Gibt das Ollama Llama3.1-Modell an.
• Auch hier sind die Parameter und die Logik konsistent und zeigen, wie AISuite eine einheitliche Schnittstelle für alle Anbieter bietet.

Ausgabe

Why did the pirate go to high school? To enhance his "arrrrrrr-ticulation"!
Arrr, why do not pirates take a bathe earlier than they stroll the plank? As a result of
they're going to simply wash up on shore later! 
Why did the scurvy canine's parrot go to the physician? As a result of it had a fowl
mood, savvy?

Erstellen Sie einen Chat-Abschluss

!pip set up openai
!pip set up aisuite(all)
os.environ('OPENAI_API_KEY') = getpass('Enter your OPENAI API key: ')
from getpass import getpass
import aisuite as ai
consumer = ai.Shopper()
supplier = "openai"
model_id = "gpt-4o"
messages = (
   {"position": "system", "content material": "You're a useful assistant."},
   {"position": "person", "content material": "Give me a tabular comparability of RAG and AGENTIC RAG"},
)
response = consumer.chat.completions.create(
   mannequin=f"{supplier}:{model_id}",
   messages=messages,
)
print(response.selections(0).message.content material)

Ausgabe

Actually! Beneath is a tabular comparability of Retrieval-Augmented Technology
(RAG) and Agentic RAG.
| Characteristic                | RAG                                             |
Agentic RAG                                        |
|------------------------|-------------------------------------------------|-
---------------------------------------------------|
| Definition             | A framework that mixes retrieval from exterior
paperwork with technology. | An extension of RAG that includes actions
based mostly on exterior interactions and dynamic decision-making. |
| Parts             | - Retrieval System (e.g., a search engine or
doc database) <br> - Generator (e.g., a language mannequin) | - Retrieval
System <br> - Generator <br> - Agentic Layer (action-taking and interplay
controller) |
| Performance          | Retrieves related paperwork and generates
responses based mostly on prompted inputs mixed with the retrieved data.
| Provides the potential to take actions based mostly on interactions, corresponding to
interacting with APIs, controlling units, or dynamically gathering extra
data. |
| Use Instances              | - Information-based query answering <br> -
Content material summarization <br> - Open-domain dialogue techniques | - Autonomous
brokers <br> - Interactive techniques <br> - Resolution-making purposes <br> -
Techniques requiring context-based actions |
| Interplay            | Restricted to the enter retrieval and output
technology cycle. | Can work together with exterior techniques or interfaces to
collect knowledge, execute duties, and alter the surroundings based mostly on goal
features. |
| Complexity             | Typically easier because it combines retrieval with
technology with out taking actions past producing textual content. | Extra complicated due
to its skill to work together with and modify the state of exterior
environments. |
| Instance of Software | Answering complicated questions by retrieving elements of
paperwork and synthesizing them into coherent solutions. | Implementing a
digital assistant able to performing duties like scheduling appointments
by accessing calendars, or a chatbot that manages customer support queries
by means of actions. |
| Flexibility            | Restricted to the out there retrieval corpus and
technology mannequin capabilities. | Extra versatile as a result of action-oriented
interactions that may adapt to dynamic environments and situations. |
| Resolution-Making Skill| Restricted decision-making based mostly on static retrieval
and technology. | Enhanced decision-making by means of dynamic interplay and
adaptive habits. |
This comparability outlines the foundational variations and capabilities
between conventional RAG techniques and the extra superior, interaction-capable
Agentic RAG frameworks.

Jedes Modell verwendet einen anderen Anbieter

1. Bibliotheken installieren und importieren

!pip set up aisuite(all)
from pprint import pprint as pp

• Installiert die aisuite-Bibliothek mit allen optionalen Abhängigkeiten.
• Importiert eine Fairly-Printing-Funktion (pprint), um die Ausgabe für eine bessere Lesbarkeit zu formatieren. Eine benutzerdefinierte pprint-Funktion ist definiert, um eine benutzerdefinierte Breite zu ermöglichen.

2. API-Schlüssel einrichten

import os
from getpass import getpass
os.environ('GROQ_API_KEY') = getpass('Enter your GROQ API key: ')

Fordert den Benutzer auf, seine Daten einzugeben GROQ-API-Schlüsseldie in der Umgebungsvariablen GROQ_API_KEY gespeichert ist.

3. Initialisieren des AI-Shoppers

import aisuite as ai
consumer = ai.Shopper()

Initialisiert einen KI-Shopper mithilfe der aisuite-Bibliothek, um mit verschiedenen Modellen zu interagieren.

4. Chat-Abschlüsse

messages = (
    {"position": "system", "content material": "You're a useful agent, who solutions with brevity."},
    {"position": "person", "content material": 'Hello'},
)
response = consumer.chat.completions.create(mannequin="groq:llama-3.2-3b-preview", messages=messages)
print(response.selections(0).message.content material)

Ausgabe

How can I help you?

• Definiert einen Chat mit zwei Nachrichten:
  • A Systemmeldung das den Ton oder das Verhalten der KI vorgibt (prägnante Antworten).
  • A Benutzernachricht als Eingabe.
• Sendet die Nachrichten an das KI-Modell groq:llama-3.2-3b-preview und gibt die Antwort des Modells aus.

5. Funktion zum Senden von Abfragen

def ask(message, sys_message="You're a useful agent.",
         mannequin="groq:llama-3.2-3b-preview"):
    consumer = ai.Shopper()
    messages = (
        {"position": "system", "content material": sys_message},
        {"position": "person", "content material": message}
    )
    response = consumer.chat.completions.create(mannequin=mannequin, messages=messages)
    return response.selections(0).message.content material
ask("Hello. what's capital of Japan?")

Ausgabe

'Hey. The capital of Japan is Tokyo.'

• ask ist eine wiederverwendbare Funktion zum Senden von Abfragen an das Modell.
• Akzeptiert:
  • Nachricht: Die Anfrage des Benutzers.
  • sys_message: Optionale Systemanweisung.
  • Modell: Gibt das KI-Modell an.
• Sendet die Eingabe und gibt die Antwort der KI zurück.

6. Verwendung mehrerer APIs

os.environ('OPENAI_API_KEY') = getpass('Enter your OPENAI API key: ')
os.environ('ANTHROPIC_API_KEY') = getpass('Enter your ANTHROPIC API key: ')

print(ask("Who's your creator?"))
print(ask('Who's your creator?', mannequin="anthropic:claude-3-5-sonnet-20240620"))
print(ask('Who's your creator?', mannequin="openai:gpt-4o"))

Ausgabe

I used to be created by Meta AI, a number one synthetic intelligence analysis
group. My information was developed from a big corpus of textual content, which
I take advantage of to generate human-like responses to person queries.
I used to be created by Anthropic.
I used to be developed by OpenAI, a corporation that focuses on synthetic
intelligence analysis and deployment.

• Fordert den Benutzer dazu auf OpenAI Und Anthropisch API-Schlüssel.
• Sendet eine Anfrage („Wer ist Ihr Ersteller?“) an verschiedene Modelle:
  • groq:Lama-3.2-3b-Vorschau
  • anthropisch:claude-3-5-sonett-20240620
  • openai:gpt-4o
• Druckt die Antwort jedes Modells und zeigt, wie verschiedene Systeme dieselbe Abfrage interpretieren.

7. Abfragen mehrerer Modelle

fashions = (
    'llama-3.1-8b-instant',
    'llama-3.2-1b-preview',
    'llama-3.2-3b-preview',
    'llama3-70b-8192',
    'llama3-8b-8192'
)
ret = ()
for x in fashions:
    ret.append(ask('Write a brief one sentence clarification of the origins of AI?', mannequin=f'groq:{x}'))

• Es wird eine Liste verschiedener Modellkennungen (Modelle) definiert.
• Durchläuft jedes Modell und fragt es ab mit:
  • Schreiben Sie eine kurze Erklärung in einem Satz über die Ursprünge der KI?
• Speichert Antworten in der Liste ret.

8. Modellantworten anzeigen

for idx, x in enumerate(ret):
    pprint(fashions(idx) + ': n ' + x + ' ')

• Durchläuft die gespeicherten Antworten.
• Formatiert und druckt den Namen des Modells zusammen mit seiner Antwort und erleichtert so den Vergleich der Ausgaben.

Ausgabe

('llama-3.1-8b-instant: n'
 ' The origins of Synthetic Intelligence (AI) date again to the 1956 Dartmouth '
 'Summer time Analysis Mission on Synthetic Intelligence, the place a gaggle of '
 'laptop scientists, led by John McCarthy, Marvin Minsky, Nathaniel '
 'Rochester, and Claude Shannon, coined the time period and laid the inspiration for '
 'the event of AI as a definite area of examine. ')
('llama-3.2-1b-preview: n'
 ' The origins of Synthetic Intelligence (AI) date again to the mid-Twentieth '
 'century, when the primary laptop applications, which mimicked human-like '
 'intelligence by means of algorithms and rule-based techniques, have been developed by '
 'famend mathematicians and laptop scientists, together with Alan Turing, '
 'Marvin Minsky, and John McCarthy within the Nineteen Fifties. ')
('llama-3.2-3b-preview: n'
 ' The origins of Synthetic Intelligence (AI) date again to the Nineteen Fifties, with '
 'the Dartmouth Summer time Analysis Mission on Synthetic Intelligence, led by '
 'laptop scientists John McCarthy, Marvin Minsky, and Nathaniel Rochester, '
 'marking the beginning of AI as a proper area of analysis. ')
('llama3-70b-8192: n'
 ' The origins of Synthetic Intelligence (AI) will be traced again to the Nineteen Fifties '
 'when laptop scientist Alan Turing proposed the Turing Take a look at, a way for '
 'figuring out whether or not a machine might exhibit clever habits equal '
 'to, or indistinguishable from, that of a human. ')
('llama3-8b-8192: n'
 ' The origins of Synthetic Intelligence (AI) will be traced again to the '
 'Nineteen Fifties, when laptop scientists DARPA funded the event of the primary AI '
 'applications, such because the Logical Theorist, which aimed to simulate human '
 'problem-solving talents and study from expertise. ')

Modelle geben unterschiedliche Antworten auf die Frage nach den Ursprüngen der KI und spiegeln ihre Trainings- und Argumentationsfähigkeiten wider. Zum Beispiel:

• Einige Modelle verweisen auf die Dartmouth Summer time Analysis Mission zu KI.
• Andere erwähnen Alan Turing oder früh DARPA-finanzierte KI-Programme.

Hauptmerkmale und Imbissbuden

• Modularität: Das Skript verwendet wiederverwendbare Funktionen (ask), um die Abfrage effizient und anpassbar zu gestalten.
• Multi-Modell-Interaktion: Zeigt die Fähigkeit zur Interaktion mit verschiedenen KI-Systemen, darunter GROQ, OpenAI und Anthropic.
• Vergleichende Analyse: Erleichtert den Vergleich der Antworten verschiedener Modelle, um Einblicke in deren Stärken und Voreingenommenheiten zu erhalten.
• Echtzeiteingaben: Unterstützt die dynamische Eingabe von API-Schlüsseln und gewährleistet so eine sichere Integration.

Dieses Skript ist ein hervorragender Ausgangspunkt für die Erkundung verschiedener KI-Modellfunktionen und das Verständnis ihres einzigartigen Verhaltens.

Abschluss

AISuite ist ein unverzichtbares Werkzeug für jeden, der sich in der Welt großer Sprachmodelle zurechtfindet. Es ermöglicht Benutzern, das Beste mehrerer KI-Anbieter zu nutzen und gleichzeitig die Entwicklung zu vereinfachen und Innovationen zu fördern. Sein Open-Supply-Charakter und sein durchdachtes Design unterstreichen sein Potenzial als Eckpfeiler der modernen KI-Anwendungsentwicklung.

Es beschleunigt die Entwicklung und erhöht die Flexibilität, indem es einen nahtlosen Wechsel zwischen Modellen wie OpenAI, Anthropic und Meta mit minimalem Integrationsaufwand ermöglicht. AISuite ist supreme für einfache und komplexe Anwendungen und unterstützt modulare Arbeitsabläufe, API-Schlüsselverwaltung und Echtzeitvergleiche mehrerer Modelle. Seine Benutzerfreundlichkeit, Skalierbarkeit und die Fähigkeit, anbieterübergreifende Interaktionen zu optimieren, machen es zu einer unschätzbar wertvollen Ressource für Entwickler, Forscher und Lehrkräfte und ermöglichen die effiziente und progressive Nutzung verschiedener LLMs in einer sich entwickelnden KI-Landschaft.

Wenn Sie on-line nach einem Kurs für generative KI suchen, dann erkunden Sie: GenAI Pinnacle-Programm

Häufig gestellte Fragen

Einführung

Jeder weiß, wie beliebt Roast-Movies auf YouTube sind, aber wurden Sie schon einmal von einer KI geröstet? Heute bin ich kopfüber in die Welt von AI Wordware Roast eingetaucht, und ich kann Ihnen sagen, es warfare eine urkomische, egozerstörende Erfahrung. Es ist wie ein virtueller Stand-up-Comic mit dem Witz eines erfahrenen Komikers und der Präzision einer Maschine, der sich über alles lustig macht, von meinem Modegeschmack bis zu meiner fragwürdigen Wahl des Frühstücksmüslis. Wenn Sie denken, Ihre Freunde seien brutal ehrlich, warten Sie, bis Sie diesen digitalen Roast-Meister treffen!

Warum ist Wordware AI so beliebt geworden?

Haben Sie jemals gedacht, dass KI Sie anhand Ihres Twitter-Profils verunglimpfen kann? Nein, richtig. Genau das macht Wordware AI und hat damit das Web im Sturm erobert.

Warum additionally ist dieses Instrument so beliebt geworden?

Die Magie liegt in der einzigartigen Mischung aus Humor, messerscharfer Selbstwahrnehmung und der faszinierenden Anziehungskraft der KI-Technologie.

Die Leute haben schon immer gern gelacht, besonders wenn es darum geht, sich über sich selbst lustig zu machen. Der AI Roast liefert eine heitere und doch aufschlussreiche Betrachtung der Artwork und Weise, wie sich Benutzer on-line präsentieren, oft mit urkomisch treffenden Seitenhieben. Es ist, als würde man in einen Spiegel schauen, der nicht nur Ihr Spiegelbild zeigt, sondern auch einen Witz über Ihre Wahl des Profilbilds macht.

Der Reiz von künstliche Intelligenz fügt eine weitere Ebene der Faszination hinzu. Benutzer sind fasziniert von der Idee eines KI-Agenten, der nicht nur ihren Kommunikationsstil versteht, sondern ihn auch in eine Unterhaltungsquelle verwandeln kann. Diese Mischung aus Unterhaltung und intellektueller Anregung ist unwiderstehlich.

Die Resonanz warfare überwältigend positiv. Social-Media-Feeds sind überflutet mit Screenshots dieser Roasts, begleitet von Gelächter und Erstaunen über den scharfsinnigen Humor der KI. Viele Nutzer erhalten neue Einblicke in ihre Twitter-Gewohnheiten, was zu Momenten der Selbstreflexion über ihre Social-Media-Nutzung führt.

Lesen Sie auch: Mehr als nur Hype: Die praktischen Anwendungen generativer KI in der Industrie.

Wie können Sie Wordware AI ausprobieren?

Lesen Sie auch: Anwendungen der künstlichen Intelligenz und Datenwissenschaft

Versuchen wir, einige beliebte Twitter-Konten zu rösten

Hinweis: Alle Roasts von Wordware AI dienen nur zum Spaß und sollen ein Lächeln hervorrufen. Bitte genießen Sie sie in dem Geist, in dem sie vermittelt werden!

Hier sind einige bekannte Persönlichkeiten aus aller Welt. Bevor wir mit der Kritik fortfahren, sehen wir uns an, was Wordware AI über Analytics Vidhya sagt:

1. Analytics Vidhya

Ausgabe: Oh, schau mal, es ist Analytics Vidhya, das selbsternannte „Subsequent-Gen-Information-Science-Ökosystem“, das so innovativ ist wie ein Buttermesser. Deine Tweets lesen sich wie ein verzweifelter KI-Chatbot, der versucht, den Turing-Take a look at zu bestehen. Du bist so durstig nach Engagement, dass du wahrscheinlich einen Toaster retweeten würdest, wenn darin maschinelles Lernen erwähnt würde. Deine „Analyse“ ist ungefähr so ​​tief wie eine Pfütze in der Sahara. Glückwunsch, dass du das Web-Äquivalent zu dem einen Sort in der Klasse bist, das immer die Hand hebt, aber nichts Sinnvolles zu sagen hat. Wenn du weniger Zeit damit verbringen würdest, jedes Tech-Schlagwort unter der Sonne mit Hashtags zu versehen, hättest du vielleicht tatsächlich Zeit, einige originelle Erkenntnisse zu entwickeln. Aber hey, zumindest bist du konsequent – ​​konsequent langweilig, meine ich.

2. Narendra Modi

Ausgabe: Ah, der großartige Narendra Modi. Ihre Tweets sind so sorgfältig kuratiert wie Ihr Bart. Sie sprechen mehr über „Reichtumsschöpfer“ als über die tatsächliche Vermögensverteilung. Ihr „Mann Ki Baat“ sollte in „Monologue Ki Baat“ umbenannt werden. Und vergessen wir nicht, Sie sind so vernarrt in Akronyme, dass es mich überrascht, dass Sie Indien noch nicht in „Unbelievable Narendra’s Creating India Alliance“ (INDIA) umbenannt haben.

3. Donald Trump

Ausgabe: Ah, der Mann, der die Präsidentschaft in eine Actuality-TV-Present verwandelt hat. Ihre Tweets lesen sich wie der Wutanfall eines Kleinkindes, geschrieben von einem Gebrauchtwagenhändler. Sie haben den Wortschatz eines Fünftklässlers, aber das Ego von tausend Sonnen. Es ist beeindruckend, wie Sie es geschafft haben, die Feststelltaste in eine politische Strategie zu verwandeln. Vielleicht sollten Sie das nächste Mal die Rechtschreibprüfung verwenden, bevor Sie im ganzen Web herumspuken.

4. Andrew Tete

Ausgabe: Ah, der selbsternannte „High G“, der denkt, dass es ein Charakterzug ist, laut und aufdringlich zu sein. Ihre Tweets lesen sich wie die eines 14-Jährigen, der gerade Proteinshakes und Frauenfeindlichkeit entdeckt hat. Es ist beeindruckend, wie Sie es geschafft haben, aus toxischer Männlichkeit eine Marke zu machen, aber seien wir ehrlich – Ihr „Alphamännchen“-Slogan ist ungefähr so ​​authentisch wie der Haaransatz, an dem Sie verzweifelt festhalten.

5. Joe Biden

Ausgabe: Oh, schau mal, da ist Opa Joe, der twittert, als hätte er das Feuer entdeckt. Deine Tweets lesen sich, als hätte ein Glückskeks ein Geschichtsbuch bekommen – vage, belehrend und sie lassen alle schneller einschlafen als deine Reden. Vielleicht sollte dein Slogan statt „Kein Blödsinn“ „Keine Persönlichkeit“ lauten. Zumindest ist dein Social-Media-Spiel so beständig wie deine Haarimplantate.

6. Elon Musk

Ausgabe: Additionally intestine, Elon, lass uns mit diesem Roast loslegen – hoffentlich explodiert er nicht wie einige deiner Raketen auf der Startrampe. Dein Twitter-Feed ist wie ein Cybertruck-Prototyp: voller gebrochener Versprechen und scharfer Kanten, die wahrscheinlich nicht da sein sollten. Du bist so besessen vom Mars, aber hast du bedacht, dass selbst ein karger, lebloser Planet deine Persönlichkeit ein bisschen zu viel finden könnte? Deine Versuche, Humor zu machen, sind ungefähr so ​​erfolgreich wie die ersten Begins von Falcon 1, und deine Tanzbewegungen lassen Mark Zuckerberg wie einen TikTok-Influencer aussehen. Aber hey, zumindest ist dein Ego groß genug, um seine eigene Anziehungskraft zu haben – vielleicht ist das dein geheimer Plan zur Kolonisierung des Weltraums.

7. Priyanka Chopra

Ausgabe: Oh, schau mal, da ist Priyanka Chopra, die Königin des bescheidenen Prahlens. Deine Tweets sind so sorgfältig kuratiert, dass es mich wundert, dass du keinen Social-Media-Supervisor für deinen Hund eingestellt hast. Hast du zwischen dem Kommentieren von Naturdokumentationen und dem Besuch von schicken Galas überhaupt Zeit, dich daran zu erinnern, dass du eigentlich Schauspielerin sein solltest? Dein Feed ist wie ein Meisterkurs in Promi-Selbstgefälligkeit, gespickt mit gerade genug „Anliegen“, um dein PR-Group bei Laune zu halten. Aber hey, zumindest „träumst“ und „erreichst“ du etwas … hauptsächlich über dich selbst.

8. Rahul Gandhi

Ausgabe: Ach, die ewige Jugend der indischen Politik! Wir versuchen immer noch, uns von dem Familiennamen zu lösen, oder? Ihre Tweets lesen sich wie eine Mischung aus einem Motivationsredner und einem Verschwörungstheoretiker. Wenn Sie weniger Zeit damit verbringen würden, poetische Metaphern über Chakravyuhs zu erfinden und sich mehr auf die eigentliche Politik konzentrieren würden, könnten Sie vielleicht endlich nicht mehr der beliebteste politische Praktikant der Nation sein.

Angesichts dieser Antworten von Wordware AI bin ich außerdem der Meinung, dass die Sorge über die Verbreitung von Falschinformationen in der Gesellschaft berechtigt ist. Ich bin jedoch auch optimistisch, dass wir mit fortschreitenden Fortschritten in der KI robustere Systeme zur Erkennung und Eindämmung von Falschinformationen entwickeln werden, was letztendlich zu einer besser informierten und anspruchsvolleren Öffentlichkeit führen wird.

Lesen Sie auch: Eine kurze Einführung in die KI-Ethik.

Abschluss

Die Erkundung der Röstfunktionen von Wordware AI warfare eine unterhaltsame und aufschlussreiche Reise. Diese KI-Instrument ist zu einer Sensation geworden und bietet eine einzigartige Mischung aus Humor und Selbstreflexion. Seine Popularität ist ein Beweis für das menschliche Verlangen nach Lachen und die Faszination für künstliche Intelligenz. Indem Wordware AI sich über unsere Social-Media-Personas lustig macht, bietet es einen heiteren und doch scharfen Spiegel, der sowohl unsere Macken als auch unsere gemeinsame Menschlichkeit offenbart.

In einer Zeit, in der digitale Interaktionen oft unpersönlich wirken, bringen die personalisierten Roasts einen Hauch von Humor und Nähe. Es geht um das Lachen und die subtilen Einblicke in unsere On-line-Präsenz. Egal, ob Sie ein Gelegenheitsnutzer oder eine Persönlichkeit des öffentlichen Lebens sind, die Roasts von Wordware AI erinnern uns daran, dass ein wenig Selbstironie die digitale Welt angenehmer machen kann.

Wenn Sie additionally noch nie versucht haben, sich von einer KI auf die Schippe nehmen zu lassen, sollten Sie es einmal versuchen. Es ist eine urkomische Erfahrung, die Ihnen vielleicht eine neue Perspektive auf Ihre On-line-Präsenz eröffnet. Und denken Sie daran: Es ist alles nur Spaß!

Hinweis: Alle Roasts von Wordware AI dienen nur zum Spaß und sollen ein Lächeln hervorrufen. Bitte genießen Sie sie in dem Geist, in dem sie vermittelt werden!

Lesen Sie auch: High 15 Anwendungen der künstlichen Intelligenz (KI) im Jahr 2024