Wenn Sie mit gearbeitet haben DeepSeek OCRwissen Sie bereits, dass es beim Extrahieren von Textual content und beim Komprimieren von Dokumenten effizient warfare. Wo es oft zu kurz kam, warfare die Lesereihenfolge und das Format von Seiten, mehrspaltigen PDFs, dichten Tabellen und gemischten Inhalten, die noch bereinigt werden mussten. DeepSeek OCR 2 ist die Antwort von DeepSeek auf diese Lücke. Anstatt sich nur auf die Komprimierung zu konzentrieren, lenkt dieses Replace die Aufmerksamkeit darauf, wie Dokumente tatsächlich gelesen werden. Erste Ergebnisse zeigen eine sauberere Struktur, eine bessere Reihenfolge und weitaus weniger Layoutfehler, insbesondere bei realen Geschäfts- und technischen Dokumenten. Lassen Sie uns alle neuen Funktionen von DeepSekk OCR 2 erkunden!

Hauptfunktionen und Verbesserungen von DeepSeek OCR 2

• DeepEncoder V2-Architektur für logische Lesereihenfolge anstelle starrer Abtastung von oben nach unten
• Verbessertes Layoutverständnis auf komplexen Seiten mit mehrspaltigem Textual content und dichten Tabellen
• Leichtes Modell mit 3 Milliarden Parametern, das größere Modelle bei strukturierten Dokumenten übertrifft
• Verbesserter Imaginative and prescient-Encoder, der die ältere Architektur durch ein sprachmodellgesteuertes Design ersetzt
• Höhere Benchmark-Leistung mit 91,09 Punkten bei OmniDocBench v1.5, eine Verbesserung um 3,73 Prozentpunkte gegenüber der Vorgängerversion
• Unterstützung umfassender Formate, einschließlich Bildern, PDFs, Tabellen und mathematischen Inhalten
• Open Supply und fein abstimmbar, was die Anpassung an domänenspezifische Anwendungsfälle in allen Branchen ermöglicht

Die DeepEncoder V2-Architektur

Herkömmliche OCR-Systeme verarbeiten Bilder mithilfe eines auf festen Rastern basierenden Scannens, was häufig die Lesereihenfolge und das Layoutverständnis einschränkt. DeepSeek OCR 2 verfolgt einen anderen Ansatz, der auf dem visuellen Kausalfluss basiert. Der Encoder erfasst zunächst eine globale Ansicht der Seite und verarbeitet dann Inhalte in einer strukturierten Reihenfolge mithilfe lernbarer Abfragen. Dies ermöglicht eine versatile Handhabung komplexer Layouts und verbessert die Konsistenz der Lesereihenfolge.

Zu den wichtigsten architektonischen Elementen gehören:

• Twin-Consideration-Design, das die Format-Wahrnehmung von der Lesereihenfolge trennt
• Visuelle Token, die den ganzseitigen Kontext und die räumliche Struktur kodieren
• Kausale Abfragetokens, die die sequentielle Inhaltsinterpretation steuern
• Sprachmodellgesteuerter Imaginative and prescient-Encoder, der Ordnungsbewusstsein und Raumbezug bietet
• Argumentationsorientierte Encoderfunktion, die über die grundlegende Merkmalsextraktion hinausgeht
• Decoderstufe, die codierte Darstellungen in die endgültige Textausgabe umwandelt

Der architektonische Ablauf unterscheidet sich von der früheren Model, die auf einem festen, nicht-kausalen Imaginative and prescient-Encoder basierte. DeepEncoder V2 ersetzt dies durch einen auf Sprachmodellen basierenden Encoder und lernbare kausale Abfragen, wodurch eine globale Wahrnehmung gefolgt von einer strukturierten, sequentiellen Interpretation ermöglicht wird.

Leistungsbenchmarks

DeepSeek OCR 2 zeigt eine starke Benchmark-Leistung. Auf OmniDocBench v1.5 erreicht es eine Punktzahl von 91,09 und setzt damit einen neuen Stand der Technik beim Verständnis strukturierter Dokumente. Die deutlichsten Verbesserungen ergeben sich bei der Genauigkeit der Lesereihenfolge, was die Wirksamkeit der aktualisierten Architektur widerspiegelt.

Im Vergleich zu anderen Imaginative and prescient-Language-Modellen bewahrt DeepSeek OCR 2 die Dokumentstruktur zuverlässiger als generische Lösungen wie GPT-4 Imaginative and prescient. Seine Genauigkeit ist mit spezialisierten kommerziellen OCR-Systemen vergleichbar und positioniert es als starke Open-Supply-Various. Berichtete Ergebnisse der Feinabstimmung deuten auf eine Reduzierung der Zeichenfehlerrate um bis zu 86 % für bestimmte Aufgaben hin. Erste Bewertungen zeigen auch eine verbesserte Handhabung von gedrehtem Textual content und komplexen Tabellen, was seine Eignung für anspruchsvolle OCR-Arbeitslasten untermauert.

Lesen Sie auch: DeepSeek OCR vs. Qwen-3 VL vs. Mistral OCR: Welches ist das Beste?

Wie kann ich auf DeepSeek OCR 2 zugreifen und es verwenden?

Sie können DeepSeek OCR 2 mit ein paar Codezeilen verwenden. Das Modell ist auf der erhältlich Umarmender Gesichtshub. Sie benötigen eine Python-Umgebung und eine GPU mit etwa 16 GB VRAM.

Bei HuggingFace Areas ist jedoch eine Demo für DeepSeek OCR 2 verfügbar – Finden Sie es hier.

Testen wir OCR 2.

Aufgabe 1: Dokumente mit dichtem Textual content und vielen Tabellen

Ergebnis:

DeepSeek OCR 2 eignet sich intestine für gescannte Dokumente mit vielen Texten. Der extrahierte Textual content ist präzise, ​​lesbar und folgt der korrekten Lesereihenfolge, selbst bei dichten Absätzen und nummerierten Abschnitten. Tabellen werden in strukturiertes HTML mit konsistenter Reihenfolge konvertiert, ein häufiger Fehlerpunkt bei herkömmlichen OCR-Systemen. Obwohl geringfügige Formatierungsredundanzen vorhanden sind, bleiben Inhalt und Format insgesamt erhalten. Dieses Beispiel demonstriert die Zuverlässigkeit des Modells bei komplexen Richtlinien- und Rechtsdokumenten und unterstützt das Verständnis auf Dokumentebene über die einfache Textextraktion hinaus.

Aufgabe 2: Verrauschte Bilder mit niedriger Auflösung

Ergebnis:

Dieses Beispiel verdeutlicht sowohl die Stärken als auch die Grenzen von DeepSeek OCR 2 bei extrem verrauschten Finanztabellendaten mit niedriger Auflösung. Das Modell identifiziert wichtige Überschriften und Quelltext korrekt und erkennt den Inhalt als tabellarisch, wodurch eine tabellenbasierte Ausgabe anstelle von reinem Textual content erstellt wird. Allerdings bleiben strukturelle Probleme bestehen, darunter doppelte Zeilen, unregelmäßige Zellenausrichtung und gelegentlich falsche Zellenzusammenführung, wahrscheinlich aufgrund dichter Layouts, kleiner Schriftgrößen und schlechter Bildqualität.

Während die meisten numerischen Werte und Beschriftungen genau erfasst werden, ist für den Produktionseinsatz eine Nachbearbeitung erforderlich. Insgesamt deuten die Ergebnisse auf eine starke Erkennung von Layoutabsichten hin, wobei stark überfüllte Finanztabellen weiterhin ein herausfordernder Grenzfall bleiben.

Wann sollte DeepSeek OCR 2 verwendet werden?

• Bearbeitung komplexer Dokumente wie wissenschaftliche Arbeiten, technische Dokumentationen und Zeitungen
• Konvertieren gescannter und digitaler Dokumente in strukturierte Formate, einschließlich Markdown
• Extrahieren strukturierter Informationen aus Geschäftsdokumenten wie Rechnungen, Verträgen und Finanzberichten
• Umgang mit layoutintensiven Inhalten, bei denen die Erhaltung der Struktur von entscheidender Bedeutung ist
• Domänenspezifische Dokumentenverarbeitung durch Feinabstimmung für medizinische, juristische oder spezielle Terminologie
• Datenschutzrelevante Arbeitsabläufe werden durch die lokale Bereitstellung vor Ort ermöglicht
• Sichere Dokumentenverarbeitung für Behörden und Unternehmen ohne Cloud-Datenübertragung
• Branchenübergreifende Integration in moderne KI- und Dokumentenverarbeitungspipelines

Lesen Sie auch: Die 8 besten OCR-Bibliotheken in Python zum Extrahieren von Textual content aus Bildern

Abschluss

DeepSeek OCR 2 stellt einen klaren Fortschritt in der Dokumenten-KI dar. Die DeepEncoder V2-Architektur verbessert die Format-Verarbeitung und Lesereihenfolge und behebt damit Einschränkungen früherer OCR-Systeme. Das Modell erreicht eine hohe Genauigkeit und bleibt dabei leicht und kosteneffizient. Als vollständig Open-Supply-System ermöglicht es Entwicklern, Workflows zum Dokumentverständnis zu erstellen, ohne auf proprietäre APIs angewiesen zu sein. Diese Model spiegelt einen umfassenderen Wandel in der OCR von der Extraktion auf Zeichenebene hin zur Interpretation auf Dokumentebene wider und kombiniert Imaginative and prescient und Sprache für eine strukturiertere und zuverlässigere Verarbeitung komplexer Dokumente.

Häufig gestellte Fragen

Das Warten ist vorbei. Vorhänge werden gezogen. Und Sam Altman ist für die nächste große OpenAI -Veröffentlichung geeignet. Ihre Vermutung ist richtig! Es ist die mit Spannung erwartete Sora 2. Aus offensichtlichen Gründen wird Audiofunktionen geliefert. Aber ist das nur es? Nun, nein! Erforschen wir alles, was wir über Sora 2 bisher wissen.

Sora 1 bis Sora 2: Die Reise

Als Sora 1 im Februar 2024 gestartet wurde, struggle es wie der „Chatgpt“ -Second für Video. Zum ersten Mal zeigten die Modelle für Videogenerierung die Beständigkeit von Objekten und einfache physische Argumentation. Es fühlte sich an, als würde KI die bewegende Welt „verstehen“.

Jetzt, mit Sora 2, zielt Openai viel höher. Viele nennen es den GPT-3,5-Second des Movies: ein Punkt, an dem sich die Technologie von beeindruckend zu transformativ verändert. Das neue Modell baut auf großem Maßstab auf Videotraining, Vorausbildung und Nachtraining auf, wodurch Video näher an die Simulation der Realität heranrückt.

Wie kann ich Sora 2 zugreifen?

Sie können Sora 2 hauptsächlich über zwei Kanäle zugreifen: die dedizierte Sora iOS -App und die Sora -Web site unter Sora.com. Der anfängliche Rollout beginnt in den USA und Kanada mit einer raschen Growth für andere Länder.

• Freier Zugang (mit Grenzen): Großzügige Zulagen für Videogenerierung, berechnet Einschränkungen.
• Chatgpt Professional -Benutzer: Früher Zugriff auf Sora 2 Professional, eine höherwertige Model.
• API -Zugang: Geplant für Entwickler, die Sora in Apps und Workflows integrieren möchten.
• Sora 1 Turbo: Bleibt verfügbar, und vergangene Kreationen sind in Ihrer Bibliothek erhalten.

Was ist neu in Sora 2?

Nun, OpenAI hat das Spiel der Videogenerierung mit Sora 2 auf ein ganz neues Stage gebracht. In diesem Abschnitt werden wir nur über die wichtigsten Funktionen sprechen, die sie in ihrer Sora 2 -Model hinzugefügt haben.

Physik, Realismus und „besser scheitern“

Einer der größten Verbesserungen in Sora 2 ist die verbesserte körperliche Genauigkeit. Frühere Modelle bogen oft in die Realität um, um Aufforderungen zu „funktionieren“. Wenn Sie beispielsweise nach einem Basketballspieler gefragt haben, haben ältere Modelle den Ball möglicherweise in den Reifen teleportiert: Auch wenn die Bewegung unmöglich struggle.

Mit Sora 2 verhält sich die Welt viel natürlicher. Wenn ein Spieler vermisst wird, erholt sich der Ball vom Rückenbrett. Wenn jemand einen Flip versucht, sich der Schwerkraft, des Gleichgewichts und der sogar Fehler realistisch auswirken. Diese sogenannten „Fehler“ sind keine Störungen mehr. Sie haben das Gefühl, dass das Modell Agenten in einer realen Umgebung, Fehlern und allem simuliert.

Beispiel:

Immediate: “Eine Gruppe von Leuten, die Volleyball spielen “

Integriertes Audio

Sora 2 geht nicht nur um Video: Es geht auch um Sound. Zum ersten Mal kann das Modell Dialog, synchronisierte Soundeffekte und realistische Hintergrund -Klanglandschaften erzeugen.

Stellen Sie sich eine schneebedeckte Mountain -Expedition vor: Sie können den Frost auf den Kletterjacken sehen, ihre angespannten Atemzüge hören und zuhören, während sie gegen den Wind schreien: Jede Stimme deutlich, natürlich und passend in die Szene gelegt. Oder stellen Sie sich einen Schlacht im Anime-Stil vor: Schwerter stießen mit feurigen Effekten zusammen, begleitet von einem perfekt zeitgesteuerten Audio, das die Aktion zum Leben erweckt.

Beispiel:

Immediate: “Intensiver Anime -Kampf zwischen einem Jungen mit einem Schwert aus blauem Feuer und einem bösen Dämon“

Setzen Sie sich in die Szene

Das vielleicht am meisten diskutierte Merkmal von Sora 2 ist die neue „Kameen“. Mit nur einer kurzen Video-und-Audio-Aufnahme zur Überprüfung können Benutzer sich in jede von Sora generierte Szene mit hoher Treue sowohl im Aussehen als auch in der Stimme hochladen. Möchten Sie in einer Motion-Sequenz im Marvel-Stil spielen? Oder haben Sie Ihr Haustier einer Fantasiewelt angeschlossen? Mit Cameos können Sie. Diese Funktion verwandelt Sora von nur einem kreativen Software in ein soziales Erlebnis.

Beispiel:

Immediate: “Bigfoot ist wirklich freundlich zu ihm, ein bisschen zu nett, wie seltsam nett. Bigfoot will rumhängen, aber er will zu viel hängen”

Die neue Sora IOS -App basiert auf dem. In der App können Sie:

• Movies erstellen und teilen.
• Remixen gegenseitig Generationen.
• Erforschen Sie neue Inhalte in einem anpassbaren Feed.
• Sterne in Szenen mit Freunden über Kameen.

Endnote

Ich freue mich sehr, die Sora 2 -App in die Hände zu bekommen und es selbst auszuprobieren. Nach dem Aussehen kann ich sicher sagen, dass es die Welt der Videogenerierung endgültig verändern wird. Es würde tremendous Spaß machen, es mit zu vergleichen Veo 2 sowie. Bleiben Sie auf dem neuesten Stand des Analytics Vidhya -Blogs.

Lassen Sie mich vorerst Ihre Gedanken im Kommentarbereich unten wissen.

Hinweis: Alle im Weblog verwendeten Movies wurden von OpenAIs entnommen Weblog.

KI -Modelle werden von Tag zu Tag schlauer – es werden besser geprägt, schneller laufen und längere Kontexte als je zuvor umgehen. Der QWEN3-Subsequent-80B-A3B macht diesen Sprung mit effizienten Trainingsmustern, einem hybriden Aufmerksamkeitsmechanismus und einer ultrasparigen Mischung von Experten nach vorne. Fügen Sie Stabilitätsfokussierte hinzu, und Sie erhalten ein Modell, das schneller, zuverlässiger und stärker auf den Benchmarks ist. In diesem Artikel werden wir die Architektur, die Schulungseffizienz und die Leistung bei den Anweisungen und Denkanforderungen untersuchen. Wir werden uns auch Upgrades in der Handhabung des lang Kontext, der Mehrfachgefahr-Vorhersage und der Inferenzoptimierung ansehen. Schließlich zeigen wir Ihnen, wie Sie auf das Gesicht zugreifen und auf die nächste API von Qwen 3 verwenden.

Verständnis der Architektur von QWEN3-Subsequent-80B-A3B

QWEN3-NEXT Verwendet eine zukunftsgerichtete Architektur, die die Recheneffizienz, den Rückruf und die Trainingsstabilität in Einklang bringen. Es spiegelt tiefgreifende Experimente mit hybriden Aufmerksamkeitsmechanismen, ultra-sparsamer Mischungen der Experten und der Skalierung von Experten und Inferenzoptimierungen wider.

Lassen Sie uns seine Schlüsselelemente Schritt für Schritt aufschlüsseln:

Hybride Aufmerksamkeit: Gated Deltanet + Gated Achtung

Die traditionelle Aufmerksamkeit für skalierte Dot-Produkte ist sturdy, aber aufgrund der quadratischen Komplexität rechenintensiv. Lineare Aufmerksamkeits skaliert besser, kämpft aber mit dem langfristigen Rückruf. QWEN3-NEXT-80B-A3B verfolgt einen hybriden Ansatz:

• 75% der Schichten Verwenden Sie Gated Deltanet (lineare Aufmerksamkeit) für eine effiziente Sequenzverarbeitung.
• 25% der Schichten Verwenden Sie die Commonplace -Gated -Aufmerksamkeit für einen stärkeren Rückruf.

Diese 3: 1 -Mischung verbessert die Inferenzgeschwindigkeit und bewahrt die Genauigkeit des Kontextlernens. Zusätzliche Verbesserungen umfassen:

1. Größere Abmessungen mit Gated Head (256 gegenüber 128).
2. Teilweise Rotationseinbettungen, die auf 25% der Positionsabmessungen angewendet wurden.

Extremely-Sparse-Mischung aus Experten (MOE)

Qwen3-Subsequent implementiert einen sehr spärlichen Moe Design: 80B Gesamtparameter, aber bei jedem Inferenzschritt nur ~ 3b aktiviert. Experimente zeigen, dass der globale Lastausgleich durchweg einen Trainingsverlust verursacht, wodurch sich die Gesamt -Expertenparameter verringert und aktivierte Experten konstant halten. Qwen3-Subsequent schiebt MOE-Design auf eine neue Skala:

• Insgesamt 512 Experten mit 10 Routed + 1 Shared Knowledgeable wurden professional Schritt aktiviert.
• Trotz von 80B Gesamtparametern sind nur ~ 3b professional Inferenz aktiv und steigern ein hervorragendes Gleichgewicht zwischen Kapazität und Effizienz.
• Eine globale Strategie für das Ladungsausgleich sorgt für die Nutzung von Experten und minimiert die Kapazität der Verschwendung und verringert gleichzeitig den Schulungsverlust, wenn die Anzahl der Experten wächst.

Dieses spärliche Aktivierungsdesign ermöglicht es dem Modell, massiv zu skalieren, ohne proportional zu erhöhen.

Trainingsstabilitätinnovationen

Skalierungsmodelle führen häufig versteckte Fallstricke wie explodierende Normen oder Aktivierungssenken ein. QWEN3-Subsequent befasst sich mit mehreren Stabilitätsmechanismen mit mehreren Stabilität:

• Das Ausgangsgating bei Aufmerksamkeit beseitigt Probleme mit geringer Rang und Aufmerksamkeitssenkeneffekte.
• Null-zentriertes RMSNORM ersetzt QK-Norm, wodurch außer Kontrolle geratene Normgewichte verhindert werden.
• Gewichtsverfall bei Normparametern vermeidet ein unbegrenztes Wachstum.
• Die ausgewogene Initialisierung von Router gewährleistet von Anfang an eine faire Auswahl an Experten und verringert das Trainingsgeräusch.

Diese sorgfältigen Anpassungen machen sowohl kleine Exams als auch groß angelegte Schulungen erheblich zuverlässiger.

Multi-Token-Vorhersage (MTP)

QWEN3-NEXT Integriert ein nationales MTP-Modul in eine hohe Akzeptanzrate für die spekulative Decodierung sowie Optimierungen mit mehrstufigen Inferenzverzögerungen. Mit einem mehrstufigen Trainingsansatz übereinstimmt das Coaching und die Schlussfolgerung, um die Nichtübereinstimmung zu verringern und die reale Leistung zu verbessern.

Schlüsselvorteile:

• Eine höhere Akzeptanzrate für die spekulative Decodierung, was bedeutet – eine schnellere Inferenz.
• Das mehrstufige Coaching richtet Coaching und Inferenz aus und reduziert die BPRED-Nichtübereinstimmung.
• Verbesserter Durchsatz mit der gleichen Genauigkeit, very best für die Produktionsnutzung.

Warum ist es wichtig?

Durch das Zusammenweben von hybriden Aufmerksamkeit, die Extremely-Sparse-Moe-Skalierung, die robusten Stabilitätskontrollen und die multi-gepflegere Vorhersage etabliert sich QWEN3-Subsequent-80B-A3B als Modell der neuen Technology. Es ist nicht nur größer, es ist auch intelligenter, wie es Berechnung zuweist, die Trainingsstabilität verwaltet und die Effizienz der Inferenz -Effizienz im Maßstab liefert.

Effizienz vor dem Coaching und Inferenzgeschwindigkeit

QWEN3-NEXT-80B-A3B zeigt die phänomenale Effizienz bei Voraussetzungen und erheblichen Durchsatzgeschwindigkeitsergebnissen bei der Schlussfolgerung für langkontexte Aufgaben. Durch die Gestaltung der Corpus -Architektur und die Anwendung von Merkmalen wie Sparsity und hybride Aufmerksamkeit reduzieren sie die Berechnung der Kosten und maximieren gleichzeitig den Durchsatz sowohl in der Pre -Fill (Kontextaufnahme) als auch in der Dekodierung (Technology).

Trainiert mit einer gleichmäßig abgetasteten Untergruppe von 15 Billionen Token aus dem ursprünglichen 36T-gepflegten Korpus von Qwen3.

• Nutzt <80% der GPU-Stunden im Vergleich zu QWEN3-30A-3B und nur 9,3% der Berechnungskosten von QWEN3-32B, während beide übertreffen.
• Inferenz beschleunigt von seiner Hybridarchitektur (Gated Deltanet + Gated Achtung):
  • Vorab-Stufe: Bei 4K-Kontextlänge ist der Durchsatz quick 7x höher als QWEN3-32B. Abgesehen von 32 km ist es schneller über 10x.

• Decodes -Stufe: Im 4K -Kontext ist der Durchsatz quick 4x höher. Sogar über 32 km hält es immer noch einen 10 -fachen Geschwindigkeitsvorteil.

Basismodellleistung

Während QWEN3-NEXT-80B-A3B-Base im Vergleich zu QWEN3-32B-Foundation nur etwa 1/10, wie viele Nicht-Embedding-Parameter, aktiviert, übereinstimmt oder übertrifft es QWEN3-32B auf nahezu allen Benchmarks und übertrifft QWEN3-30B-A3B. Dies zeigt die Parametereffizienz: weniger aktivierte Parameter, aber genauso fähig.

Nach der Ausbildung

Nachdem zwei abgestimmte Varianten von Qwen33-Subsequent-80B-A3B: Unterricht und Denken unterschiedliche Stärken aufweisen, insbesondere für Anweisungen, Argumentation und ultra-lange Kontexte.

Modellleistung anweisen

QWEN3-NEXT-80B-A3B-Instruct zeigt beeindruckende Gewinne gegen frühere Modelle und schließt die Lücke in Richtung größerer Modelle, insbesondere wenn es um lange Kontextaufgaben und -anweisungen geht.

• Überschreitet QWEN3-30B-A3B-Instruct-2507 und Qwen3-32B-Non-Dinking in zahlreichen Benchmarks.
• In vielen Fällen tauscht es quick Schläge mit Flaggschiff QWEN3-235B-A22B-Instruct-2507 aus.
• Über Lineal, ein Maßstab für ultraange Kontextaufgaben, schlägt QWEN3-NEXT-80-B-Instruct Qwen3-30b-A3B-Instruct-2507 unter allen Längen, obwohl es weniger Aufmerksamkeitsschichten hat und Qwen3-235b-A222b-Instruct-2507-Länge auf 256 okay bis zu. Dies wurde für ultra-lange Kontextaufgaben verifiziert und zeigt den Nutzen des Hybriddesigns (Gated Deltanet & Gated Achtung) für lange Kontextaufgaben.

Denkmodellleistung

Die „Denken“ -Model hat die Fähigkeiten zur Begründung (z. B., z. B. Kette der Gedanken und ausgefeiltere Inferenz), auf die auch QWEN3-NEXT-80B-A3B übertrifft.

• Übertrifft die teurere QWEN3-30B-A3B-Dinking-2507 und QWEN3-32B-Pondering mehrmals über mehrere Benchmarks.
• Übertrifft die teurere QWEN3-30B-A3B-Dinking-2507 und QWEN3-32B-Pondering mehrmals über mehrere Benchmarks.
• Kommt dem Flaggschiff QWEN3-235B-A22B-Dinking-2507 in Schlüsselmetriken, obwohl sie so wenige Parameter aktiviert haben.

Zugriff auf Qwen3 als nächstes mit API

Um QWEN3-NEXT-80B-A3B Ihren Apps kostenlos zur Verfügung zu stellen, können Sie die Hub-Face-Hub über die OpenAI-kompatible API verwenden. Hier erfahren Sie, wie es geht und was jedes Stück bedeutet.

Nach der Anmeldung müssen Sie sich mit dem Umarmungsgesicht authentifizieren, bevor Sie das Modell verwenden können. Befolgen Sie dazu diese Schritte

• Gehen Sie zu Huggingface.co und melden Sie sich an oder melden Sie sich an, wenn Sie kein Konto haben.
• Klicken Sie zunächst auf Ihr Profil (oben rechts). Dann „Einstellungen“ → „Zugriff auf Token“.
• Sie können ein neues Token erstellen oder einen vorhandenen verwenden. Geben Sie ihm entsprechende Berechtigungen nach dem, was Sie brauchen, z. B. Lesen und Inferenz. Dieses Token wird in Ihrem Code verwendet, um Anforderungen zu authentifizieren.

Praktisch mit QWEN3 Nächste API

Sie können implementieren QWEN3-NEXT-80B-A3B kostenlos mit dem OpenAI-kompatiblen Kunden von Sugging Face. Das folgende Beispiel für Python zeigt, wie Sie sich mit Ihrem Umarmungs -Gesichts -Token authentifizieren, eine strukturierte Eingabeaufforderung senden und die Antwort des Modells erfassen können. In der Demo füttern wir ein Fabrikproduktionsproblem in das Modell, drucken die Ausgabe und speichern sie in einer Markdown-Datei-eine schnelle Möglichkeit, QWEN3-NEXT in reale Argumentation und Problemlösungsworkflows zu integrieren.

import os
from openai import OpenAI

consumer = OpenAI(
    base_url="https://router.huggingface.co/v1",
    api_key="HF_TOKEN",
)

completion = consumer.chat.completions.create(
    mannequin="Qwen/Qwen3-Subsequent-80B-A3B-Instruct:novita",
    messages=(
        {
            "function": "person",
            "content material": """
A manufacturing unit produces three forms of widgets: Kind X, Kind Y, and Kind Z.

The manufacturing unit operates 5 days every week and produces the next portions every week:
- Kind X: 400 models
- Kind Y: 300 models
- Kind Z: 200 models

The manufacturing charges for every kind of widget are as follows:
- Kind X takes 2 hours to supply 1 unit.
- Kind Y takes 1.5 hours to supply 1 unit.
- Kind Z takes 3 hours to supply 1 unit.

The manufacturing unit operates 8 hours per day.

Reply the next questions:
1. What number of complete hours does the manufacturing unit work every week?
2. What number of complete hours are spent on producing every kind of widget per week?
3. If the manufacturing unit needs to extend its output of Kind Z by 20% with out altering the work hours, what number of further models of Kind Z will should be produced per week?
"""
        }
    ),
)

message_content = completion.selections(0).message.content material
print(message_content)

file_path = "output.txt"
with open(file_path, "w") as file:
    file.write(message_content)

print(f"Response saved to {file_path}")

• Base_url = ”https://router.huggingface.co/v1 ″: Gibt dem Routing-Endpunkt von OpenAi-kompatiblem Shopper das Face-Umarmungsend.
• api_key = ”hf_token”: Ihr persönliches Umarmungs -Gesichts -Zugangs -Token. Dies autorisiert Ihre Anfragen und ermöglicht die Abrechnung/Nachverfolgung unter Ihrem Konto.
• mannequin = ”QWEN/QWEN3-NEXT-80B-A3B-ISTRUCT: Novita”: Gibt an, welches Modell Sie verwenden möchten. „QWEN/QWEN3-NEXT-80B-A3B-Instruct“ ist das Modell; „: Novita“ ist ein Anbieter/Varianten -Suffix.
• Messages = (…): Dies ist das Commonplace -Chat -Format: eine Liste von Nachrichtendiktieren mit Rollen („Benutzer“, „System“ usw.). Sie senden das Modell, worauf Sie antworten sollen.
• Fertigstellung.Selections (0) .Message: Sobald das Modell antwortet, extrahieren Sie so den Inhalt dieser Antwort.

Modellantwort

QWEN3-NEXT-80B-A3B-Instruct hat alle drei Fragen korrekt beantwortet: Die Fabrik funktioniert 40 Stunden professional Woche, die Gesamtproduktionszeit beträgt 1850 Stunden und eine Erhöhung der Ausgabe vom Typ Z fügt 40 Einheiten professional Woche hinzu.

Abschluss

QWEN3-NEXT-80B-A3B zeigt, dass große Sprachmodelle Effizienz, Skalierbarkeit und starke Argumentation ohne schwere Berechnungstkosten erreichen können. Das hybride Design, die spärliche MOE und die Trainingsoptimierungen machen es sehr praktisch. Es liefert genaue Ergebnisse in der numerischen Argumentation und der Produktionsplanung, was sich für Entwickler und Forscher als nützlich erweist. Mit freiem Zugang zum Umarmungsgesicht ist Qwen eine solide Wahl für Experimente und angewandte KI.

LLMs sind nicht mehr auf ein Frage-Antwort-Format beschränkt. Sie bilden nun die Grundlage für intelligente Anwendungen, die bei realen Problemen in Echtzeit helfen. In diesem Zusammenhang ist Kimi K2 ein Mehrzweck-LLM, das weltweit bei AI-Nutzern sehr beliebt ist. Während jeder seine leistungsstarken agierenden Fähigkeiten kennt, sind sich nicht viele sicher, wie er auf der API funktioniert. Hier testen wir Kimi K2 in einem realen Produktionsszenario über einen API-basierten Workflow, um zu bewerten, ob Kimi K2 sein Versprechen eines großen LLM entspricht.

Lesen Sie auch: Möchten Sie das beste Open-Supply-System finden? Lesen Sie hier unsere Vergleichsbewertung zwischen Kimi K2 und Lama 4.

Was ist Kimi K2?

Kimi K2 ist ein hochmodernes Open-Supply-Großsprachmodell, das von Moonshot AI erstellt wurde. Es beschäftigt a Mischung aus Experten (MOE) Architektur und hat 1 Billionen Gesamtparameter (32 Milliarden professional Token aktiviert). Kimi K2 umfasst insbesondere zukunftslokende Anwendungsfälle für fortschrittliche Agenten-Intelligenz. Es ist nicht nur in der Lage, natürliche Sprache zu erzeugen und zu verstehen, sondern auch autonom komplexe Probleme zu lösen, Werkzeuge zu nutzen und mehrstufige Aufgaben über eine breite Palette von Domänen zu erledigen. Wir haben in einem früheren Artikel alles über seine Benchmark-, Leistung und Zugangspunkte ausführlich behandelt: Kimi K2 Das beste Open-Supply-Agentenmodell.

Modellvarianten

Es gibt zwei Varianten von Kimi K2:

• Kimi-K2-Base: Das Naked-Bones-Modell, ein guter Ausgangspunkt für Forscher und Bauherren, die die volle Kontrolle über Feinabstimmung und benutzerdefinierte Lösungen haben möchten.
• Kimi-K2-Instruktur: Das nachgebildete Modell, das am besten für ein Drop-In-, Allzweck-Chat- und Agentenerlebnis geeignet ist. Es ist ein Reflex-Modell ohne tiefes Denken.

Mischungsmischung (MEE) Mechanismus

Fraktionsberechnung: Kimi K2 aktiviert nicht alle Parameter für jede Eingabe. Stattdessen leitet Kimi K2 jeden Token in 8 seiner 384 spezialisierten „Experten“ (plus ein gemeinsamer Experte), was im Vergleich zum MOE -Modell und dichten Modellen mit vergleichbarer Größe eine signifikante Rücknahme der Berechnung professional Inferenz darstellt.

Expertenspezialisierung: Jeder Experte in der MOE ist auf verschiedene Wissensbereiche oder Argumentationsmuster spezialisiert, was zu reichhaltigen und effizienten Outputs führt.

Spärmer Routing: Kimi K2 nutzt Good Gating, um relevante Experten für jedes Token zu leiten, was sowohl enorme Kapazitäten als auch recheninternen machbare Inferenz unterstützt.

Aufmerksamkeit und Kontext

Massives Kontextfenster: Kimi K2 hat eine Kontextlänge von bis zu 128.000 Token. Es kann extrem lange Dokumente oder Codebasen in einem einzigen Move verarbeiten, ein beispielloses Kontextfenster, das die meisten Legacy -LLMs weit überschreitet.

Komplexe Aufmerksamkeit: Das Modell verfügt über 64 Aufmerksamkeitsköpfe professional Schicht, sodass es komplizierte Beziehungen und Abhängigkeiten über die Reihenfolge der Token verfolgt und nutzen kann, die typischerweise bis zu 128.000 sind.

Schulungsinnovationen

Muonclip Optimierer: Um ein stabiles Coaching in dieser beispiellosen Skala zu ermöglichen, entwickelte Moonshot AI einen neuen Optimierer namens Muonclip. Es begrenzt die Skala der Aufmerksamkeitslogiten, indem es bei jedem Replace die Abfrage- und Schlüsselgewichtsmatrizen neu skaliert, um die excessive Instabilität (dh explodierende Werte) zu vermeiden, die in groß angelegten Modellen üblich sind.

Datenskala: Kimi K2 wurde auf 15,5 Billionen Token vorgebracht, was das Wissen und die Fähigkeit des Modells zur Verallgemeinerung entwickelt.

Wie kann man Kimi K2 zugreifen?

Wie bereits erwähnt, kann auf Kimi K2 auf zwei Arten zugegriffen werden:

Net/Anwendungsschnittstelle: Kimi kann sofort für den Gebrauch aus dem zugegriffen werden Offizieller Net -Chat.

API: Kimi K2 kann entweder mit der API von Collectively API oder Moonshot in Ihren Code integriert werden, die agierischen Workflows und die Verwendung von Instruments unterstützt.

Schritte, um einen API -Schlüssel zu erhalten

Um Kimi K2 durch eine API zu leiten, benötigen Sie einen API -Schlüssel. Hier erfahren Sie, wie man es bekommt:

Mondshot -API:

• Melden Sie sich an oder melden Sie sich bei der Mondshot -AI -Entwicklerkonsole an.
• Gehen Sie in den Abschnitt „API Keys“.
• Klicken Sie auf „API -Style erstellen“, geben Sie einen Namen und ein Projekt an (oder lassen Sie es standardmäßig hinterlassen) und speichern Sie Ihren Schlüssel für die Verwendung.

Zusammen ai api:

• Registrieren Sie sich oder melden Sie sich bei Collectively AI an.
• Suchen Sie den Bereich „API -Keys“ in Ihrem Dashboard.
• Generieren Sie einen neuen Schlüssel und zeichnen Sie ihn für die spätere Verwendung auf.

Lokale Set up

Laden Sie die Gewichte aus dem Umarmen oder Github herunter und führen Sie sie lokal mit VllM, Tensorrt-LlM oder Sglang aus. Befolgen Sie einfach diese Schritte.

Schritt 1: Erstellen Sie eine Python -Umgebung

Verwenden Sie Conda:

conda create -n kimi-k2 python=3.10 -y

conda activate kimi-k2

Verwenden von Venv:

python3 -m venv kimi-k2

supply kimi-k2/bin/activate

Schritt 2: Installieren Sie die erforderlichen Bibliotheken

Für alle Methoden:

pip set up torch transformers huggingface_hub

vllm:

pip set up vllm

Tensorrt-Llm:

Folgen Sie dem Beamten (Tensorrt-Llm Set up Dokumentation) (erfordert Pytorch> = 2.2 und CUDA == 12.x; für alle Systeme nicht installierbar).

Für Sglang:

pip set up sglang

Schritt 3: Modellgewichte herunterladen

Vom umarmen Gesicht:

Mit Git-LFS:

git lfs set up

git clone https://huggingface.co/moonshot-ai/Kimi-K2-Instruct

Oder mit Huggingface_hub:

from huggingface_hub import snapshot_download

snapshot_download(

repo_id="moonshot-ai/Kimi-K2-Instruct",

local_dir="./Kimi-K2-Instruct",

local_dir_use_symlinks=False,

)

Schritt 4: Überprüfen Sie Ihre Umgebung

Um sicherzustellen, dass Cuda, Pytorch und Abhängigkeiten bereit sind:

import torch

import transformers

print(f"CUDA Out there: {torch.cuda.is_available()}")

print(f"CUDA Units: {torch.cuda.device_count()}")

print(f"CUDA Model: {torch.model.cuda}")

print(f"Transformers Model: {transformers.__version__}")

Schritt 5: Führen Sie Kimi K2 mit Ihrem bevorzugten Backend aus

Mit vllm:

python -m vllm.entrypoints.openai.api_server 

--model ./Kimi-K2-Instruct 

--swap-space 512 

--tensor-parallel-size 2 

--dtype float16

Passen Sie die Tensor-Parallel-Größe und DTYPE anhand Ihrer {Hardware} an. Ersetzen Sie durch quantisierte Gewichte, wenn Sie Int8- oder 4-Bit-Varianten verwenden.

Praktisch mit Kimi K2

In dieser Übung werden wir einen Blick darauf werfen, wie große Sprachmodelle wie Kimi K2 im wirklichen Leben mit echten API -Aufrufen arbeiten. Ziel ist es, seine Wirksamkeit in Bewegung zu testen und zu prüfen, ob es eine starke Leistung liefert.

Aufgabe 1: Erstellen eines 360 ° -Berichtungsgenerators mit Langgraph und Kimi K2:

In dieser Aufgabe erstellen wir einen 360-Grad-Berichtsgenerator mit der Langgraph Framework und der Kimi K2 LLM. Die Anwendung ist ein Präsent, wie agenten -Workflows choreografiert werden können, um Informationen durch die Verwendung von API -Interaktionen automatisch abzurufen, zu verarbeiten und zusammenzufassen.

Code -Hyperlink: https://github.com/sjsoumil/tutorials/blob/major/kimi_k2_hands_on.py

Codeausgabe:

Die Verwendung von Kimi K2 mit Langgraph kann einige leistungsstarke, autonome multi-stufige Agenten-Workflows ermöglichen, da Kimi K2 so konzipiert ist, dass Multi-Step-Aufgaben wie Datenbankabfrage, Berichterstattung und Dokumentverarbeitung unter Verwendung von Instrument-/API-Integrationen autonom zerlegt werden. Temperieren Sie Ihre Erwartungen für einige Reaktionszeiten einfach.

Aufgabe 2: Erstellen eines einfachen Chatbots mit Kimi K2

Code:

from dotenv import load_dotenv
import os
from openai import OpenAI


load_dotenv()
OPENROUTER_API_KEY = os.getenv("OPENROUTER_API_KEY")
if not OPENROUTER_API_KEY:
   elevate EnvironmentError("Please set your OPENROUTER_API_KEY in your .env file.")


shopper = OpenAI(
   api_key=OPENROUTER_API_KEY,
   base_url="https://openrouter.ai/api/v1"
)


def kimi_k2_chat(messages, mannequin="moonshotai/kimi-k2:free", temperature=0.3, max_tokens=1000):
   response = shopper.chat.completions.create(
       mannequin=mannequin,
       messages=messages,
       temperature=temperature,
       max_tokens=max_tokens,
   )
   return response.decisions(0).message.content material


# Dialog loop
if __name__ == "__main__":
   historical past = ()
   print("Welcome to the Kimi K2 Chatbot (sort 'exit' to stop)")
   whereas True:
       user_input = enter("You: ")
       if user_input.decrease() == "exit":
           break
       historical past.append({"function": "consumer", "content material": user_input})
       reply = kimi_k2_chat(historical past)
       print("Kimi:", reply)
       historical past.append({"function": "assistant", "content material": reply})

Ausgabe:

Obwohl das Modell multimodal conflict, hatte die API-Aufrufe nur die Möglichkeit, textbasierte Eingabe/Ausgabe bereitzustellen (und die Texteingabe hatte eine Verzögerung). Die Schnittstelle und der API -Anruf handeln additionally ein wenig anders.

Meine Bewertung nach dem Handpunkt

Der Kimi K2 ist ein Open-Supply- und großes Sprachmodell, was bedeutet, dass es kostenlos ist, und dies ist ein großes Plus für Entwickler und Forscher. Für diese Übung habe ich mit einem Openrouter -API -Schlüssel auf Kimi K2 zugegriffen. Während ich zuvor über die benutzerfreundliche Weboberfläche auf das Modell zugegriffen habe, habe ich es vorgezogen, die API für mehr Flexibilität zu verwenden und einen benutzerdefinierten agentischen Workflow in Langgraph zu erstellen.

Während des Testens des Chatbots wurden die Antwortzeiten, die ich mit den API-Aufrufen erlebt habe, merklich verzögert, und das Modell kann jedoch nicht multimodale Funktionen (z. B. Bild oder Dateiverarbeitung) über die API wie möglich unterstützen. Unabhängig davon hat das Modell intestine mit Langgraph zusammengearbeitet, was es mir ermöglichte, eine vollständige Pipeline für die Erzeugung von dynamischen 360 ° -Berichten zu entwerfen.

Während es nicht erdschüttelnd conflict, zeigt es, wie Open-Supply-Modelle holen sich schnell die proprietären Führer wie Openai und Gemini ein, und sie werden die Lücken mit Modellen wie Kimi K2 weiter schließen. Es ist eine beeindruckende Leistung und Flexibilität für ein kostenloses Modell, und es zeigt, dass die Messlatte bei multimodalen Funktionen mit Open-Supply-LLMs höher wird.

Abschluss

Kimi K2 ist eine großartige Choice in der Open-Supply-LLM-Landschaft, insbesondere für agierende Workflows und eine einfache Integration. Während wir einige Einschränkungen wie langsamere Reaktionszeiten über API und mangelnde Multimodalitätsunterstützung begegnen, bietet es einen großartigen Ort, um intelligente Anwendungen in der realen Welt zu entwickeln. Außerdem ist es ein großer Vorteil, diesen Fähigkeiten nicht zu bezahlen, der Entwicklern, Forschern und Begin-ups hilft. Wenn sich das Ökosystem weiterentwickelt und reift, werden Modelle wie Kimi K2 schnell fortgeschrittene Fähigkeiten gewinnen, da sie die Lücke zu proprietären Unternehmen schnell schließen. Insgesamt ist Kimi K2 eine mögliche Choice, die Ihre Zeit und Experimente wert ist, wenn Sie über Open-Supply-LLMs für den Produktionsgebrauch in Betracht ziehen.

Häufig gestellte Fragen

Es ist über einen Monat her, seit Veo 3 der Welt eingeführt wurde, und seitdem habe ich diesen Gen Ai Marvel ausprobieren. Jetzt ist das Warten vorbei! Google hat Veo 3 weltweit an alle Profi -Benutzer veröffentlicht, und ich habe auch einen kostenlosen Weg gefunden, um darauf zuzugreifen. Schließlich gibt es immer einen „freien“ Weg. In diesem Weblog werden wir verschiedene Aufgaben untersuchen, die mit VEO 3, dem Schreiben der Eingabeaufforderungen erledigt werden können, damit Sie das Beste aus VEO 3 und schließlich auf unterschiedliche Weise herausholen können, wie Sie darauf zugreifen können. Ich hoffe du bist aufgeregt, denn ich bin es in Sily, ich bin.

Was ist VEO 3?

Veo 3 ist ein Traum eines Videosschöpfers, der in der Decke der generativen KI gepackt ist. Es handelt sich um eine AI-Videogeneratoranwendung, mit der Benutzer acht Sekunden lang, hochwertige Movies generieren können. Es bietet 4K -Ausgänge mit einem tiefen Verständnis der Physik, einer besseren Einhaltung und einer verbesserten kreativen Kontrolle.

All dies magazine erstaunlich klingen – aber vertrau mir, das Beste kommt noch.

VEO 3 -Movies kommen auch mit Audio. Sie können dem Video, das Sie generieren möchten, Soundeffekte, Umgebungsgeräusche und sogar Dialog hinzufügen. Sie müssen nicht einmal etwas zusätzliches tun, um diese Audios zu erhalten, und beschreiben Sie es einfach in der gleichen Eingabeaufforderung, und es wird mit dem Video nativ erzeugt.

Um die Funktionen von VEO 3 ausführlich zu lesen, können Sie sich auf den Weblog beziehen: Ist Veo 3 den Hype wert?

Veo 3 kommt in zwei Versionen:

• Veo 3: Es handelt sich um ein hochmodernes Modellgenerierungsmodell, das mit dem Google AI Extremely-Plan für 250 US-Greenback professional Monat geliefert wird.
• Veo 3 schnell: Ein speedoptimiertes hochwertiges Videogenerierungsmodell, das großartige Videoausgaben mit einer besseren Geschwindigkeit bietet. Das Modell verfügt über einen Google Professional AI -Plan für 20 US -Greenback professional Monat.

Lassen Sie mich Ihnen nun sagen, wie Sie darauf zugreifen können (kostenlos).

Wie kann man VEO 3 kostenlos zugreifen?

Google hat dafür gesorgt, dass Veo 3 zu Recht hinter Paywalls eingeschlossen bleibt. Das Generieren solcher Movies ist ziemlich ressourcenintensiv, und wenn ein solches Instrument der Öffentlichkeit kostenlos zur Verfügung gestellt wird, würde es den GPUs von Google schneller ausbrennen als der Ghibli-Pattern, um die Server von AI zu öffnen. Bevor Sie jedoch Geld für ein Gen -AI -Instrument ausgeben, sollten Sie seine Nützlichkeit validieren, und diese Validierung stammt aus dem Check. Um Ihnen dabei zu helfen, VEO 3 zu testen, bevor Sie sich entscheiden, dass es Ihr Geld (und die Zeit) wert ist, werde ich Sie auf die freie Weise führen.

Geheimnis: Der Gemini Professional -Plan ist für einen Monat kostenlos – für alle Benutzer!

Alles, was Sie tun müssen, ist:

1. Gehen Sie zu https://gemini.google.com/app
2. Klicken Sie auf der rechten Seite der Seite auf „Anmelden“. Geben Sie Ihre Google Mail -Anmeldeinformationen ein, um loszulegen.
3. Klicken Sie nun auf der rechten Seite Ihres Bildschirms auf „Improve“.
4. Klicken Sie auf „Angebot abrufen“
5. Fügen Sie Ihre Zahlungsdaten hinzu.

Es kann Ihnen zwei Rupien (wenige Cent) berechnen und in einigen Fällen nicht einmal das nicht.

Es wird ein Autopay -Mandat für Ihr Konto festgelegt, aber keine Sorge, wir werden das vor dem Ende des Monats kündigen.

Sobald Sie mit allen Schritten fertig sind, machen Sie den letzten Schritt.

Richten Sie eine Erinnerung an, um das Abonnement zu kündigen Vor dem Monat endet! (Verpassen Sie diesen Schritt nicht).

Wenn Sie wie ich Ihren kostenlosen Monat für den Professional -Plan von Google bereits erschöpft hatten, lassen Sie sich einen Freund oder ein Familienmitglied dafür anmelden. Sobald Sie fertig sind, haben Sie einen Monat lang Zugriff auf VEO 3, mit dem Sie 3 Movies professional Tag generieren können!

Lassen Sie uns jetzt Veo 3 testen!

3 Eingabeaufforderungen für die Verwendung von VEO 3

Movies sind jetzt die soziale Währung. Diese haben das Potenzial, Ihre soziale Präsenz zu steigern, Ihre Arbeitsprojekte zu verbessern und Ihre kreativen Ideen zum Leben zu erwecken. Veo 3 kann Ihnen in all Ihren „Video“ -Büriebeln helfen. Die drei Aufgaben, für die ich VEO 3 verwendet habe, waren:

1. Eine virale Rolle erzeugen
2. Eine filmische Aufnahme erzeugen
3. Um eine Produktwerbung zu generieren

Lassen Sie uns nun etwas Veo 3 Magie streuen.

Eine virale Rolle

Immediate: “Eine kleine indische Küche am Morgen mit Sonnenlicht, die durch das Fenster filtert. Eine 40-jährige Inderin in einem roten Saree kocht und sieht frustriert aus. Sie dreht sich zu einem klugen Sprecher und schreit in Hindi: „Alexa, Kya Roti Bel Degi?!“

Schneiden Sie zu einem humanoiden Roboter, der von der Seite eindringt, eine Schürze trägt und einen Rollstift hält. Der Roboter ist glänzendes Silber mit einem freundlichen LED -Gesicht.

Es macht eine Pause, antwortet dann mit einer ruhigen Roboter -männliche Hindi -Stimme: „Aapki Mumie Jaisi Gol Chahiye ya aap Jaisi Tedhi?“

Die Kamera schneidet eine Nahaufnahme des schockierten Gesichts der Mutter.

Fügen Sie einen dramatischen Tabla -Tropfen hinzu. Frieren Sie die schockierte Reaktion im Seifenoper-Stil ein. “

Stil: unbeschwerte Satire, Sitcom Realismus

Kamera: Weitaufnahme → Nahaufnahme → Mittelaufnahme → Einfrieren des Zooms

Audio: Hindi -Sprachlinien, Tabla Sting, Ambient Kitchen Sounds”

Ausgabe:

Meine Bewertung

Das Video ist komisch und ähnlich wie erwartet. Die Dialoglieferung und der Fluss des Movies sind auch ziemlich intestine. Einige Probleme, die ich bemerkte, waren: Einige Übergangsfehler, einige Teile, in denen die Charaktere Positionen wechselten, so gab es Bewegungsdiskrepanzen, und ich fand heraus, dass der Audio in der ersten Szene Klänge aus der Küchenszene enthalten hätte (die ich nicht zur Eingabeaufforderung hinzugefügt habe). Insgesamt eine ziemlich solide Ausgabe direkt bei der ersten Einstellung!

Ein Punkt, an den Sie sich erinnern sollten: VEO 3 folgt genau den Anweisungen. Fügen Sie additionally an Orten, an denen es offensichtlich erscheinen magazine, die Particulars hinzu, sogar die minuten, um das generierte Video Ihrer Fantasie näher zu bringen.

Ein filmischer Schuss

Eingabeaufforderung 2: {

„Szene“: „Eine futuristische Spiele, nachts mit harten roten Lichtern.“,.

„Charaktere“: (

{

„Rolle“: „Kandidat“,

„Aussehen“: „Tragen eines grünen Trainingsanzugs, Schwitzens, sichtbar Angst“,

„Emotion“: „nervös“

}

),

„Kamera“: (

„Großer Schuss der Area mit zwei Kandidaten, die ausgerichtet sind“,

„Nahaufnahme der verängstigten Augen eines Teilnehmers“,

„Schneiden Sie zu Wachen, die hinter ihnen stehen“,

„Zoom in den Kandidaten als Summer season klingt“

),

„Audio“: {{

„Musik“: „Spannende basslastige Partitur“,

„SFX“: („Metall -Summer season“, „Heartbeat“, „Metall Door Slam“),

„Dialog“: ()

},

„Model“: „Cinematic Thriller, Squid Recreation-inspiriert“,

„Dauer“: „8 Sekunden“

}

Ausgabe:

Meine Bewertung

Meine Inspiration für dieses Video warfare das Tintenfischspiel, und die Ausgabe ähnelte stark ihm. Der Schuss warfare intestine erzeugt und erfasste die Angst in den Augen der Teilnehmer mit der Stimme ihres Atems und den Sirenen der Area. Obwohl ich bei der Eröffnung auch einen leichten Blick auf die anderen Teilnehmer vorgezogen hätte, wie ich in meiner Eingabeaufforderung erwähnt habe, ist das Video auch ohne es anständig.

Ein Punkt, an den Sie sich erinnern sollten: Stellen Sie sicher, dass Sie die Teile betonen, auf die sich das Modell konzentrieren soll.

3. Ein Produktaufnahmen

Eingabeaufforderung 3: „Ein Außenpickleballplatz zur goldenen Stunde. Das Licht ist heat und niedrig. Staub schwimmt in der Luft. Das Netz rastet sanft in der Brise. Der Platz ist leer, bis zwei Spieler von den entgegengesetzten Enden eingehen.

Ein Teenager in Sportswear, selbstbewusst und lässig und eine ältere Frau in Professional -Ausrüstung, konzentriert und ruhig. Beide halten Paddel und spazieren in Zeitlupe. Sie drehen ihre Paddel synchron mit dem aufstrebenden Beat.

Beginnen Sie mit einer breiten Drohnenaufnahme des vollen Hofes. Dolly schoss durch das Netz, als die Spieler eintraten. Nahaufnahme auf Paddelhahn synchron mit dem Beat. Makroaufnahme des Ballwurfs mit einer Verlangsamung der Zeit. Beim Beat Drop: Paddle Strike in Zeitlupe, gefolgt von einer Rallye -Sequenz schneller, rhythmischer Schnitte. Ultimate Broad Shot als Smash landet. Frierenrahmen auf dem Ball mitten in der Luft. Emblem und Slogan werden in der Rahmenzentrale angezeigt.

Musik: Elektronischer Beat bei 120 bpm, in den ersten 4 Sekunden steigenden Spannungen, Hartbass fallen bei 4 Sekunden. Soundeffekte mit Musik synchronisiert – Paddle Faucet Matches Snare, Ball Bounce Matches Kick Drum, Smash Matches The Bass Drop. Kein Dialog. Ein sanftes Glockenspiel spielt, während das Emblem verblasst.

8-Sekunden-Bogen: Spieler treten (0–2s), Paddelhahn und Ballwurf (2–4s), Beat Drop und Rally (4–6s), Ultimate Smash und Freeze-Rame (6–8s) ein.

Visible Tone: Movie, musik-video inspiriert, energisch. Farbpalette: warmes Gold, tiefgrüne, weiche Schatten.

On-Display-Textual content (bei 7s):

Smashline

„Wo Rallyes anders getroffen haben.“ “

Ausgabe:

Meine Bewertung

Dieses Video warfare wahrscheinlich mein am wenigsten Favorit. Das Video enthält alle Elemente, die in der Eingabeaufforderung erwähnt wurden, aber es gibt einige Probleme mit ihnen. Wie ihre Platzierung vor der Kamera und sogar auf dem Platz. Der Identify des Pickleball -Platzes kam am Ende, aber sein Slogan wurde nicht korrekt erwähnt. Ich fühlte mich auch von der Musik des Movies enttäuscht.

Ein Punkt, an den Sie sich erinnern sollten: Veo 3 kämpft mit der Einbeziehung von Textual content. Es ist daher am besten, ihn zu vermeiden.

Wie schreibe ich VEO 3 Eingabeaufforderungen?

Veo 3 hat so viel zu bieten und mit etwas intelligenter Aufforderung können Sie Ihre Kreativität zum Leben erwecken. Eine Aufforderung für VEO 3 muss die folgende Struktur haben:

1. Räumliche + zeitliche Struktur: Räumliche und zeitliche Struktur geben Ihrer Szene einen Kontext und diktieren Sie die Abfolge der Ereignisse in der Szene.
2. Charakterdetails: Diese erzählen das Modell über verschiedene Charaktere und ihre unterschiedlichen Merkmale, sodass Veo 3 ihre Emotionen richtig animieren kann.
3. Filmfluss: Es erzählt über die Ausführung einer Aktion. Die Kamera -Richtung deutet auf die Stimmung und den Ton jeder Szene hin.
4. Audio -Ausrichtung: Sie stellt sicher, dass die Szene, der Audio (oder der Dialog/die Musik) harmonisch funktionieren.
5. Klarer Zeit -Erzählbogen: Es diktiert den Zeitbogen aus dem Anfang, Mitte, und Ende des MoviesAnwesend So liefern Sie es mit einer Gesamtstruktur.

Wenn Sie es bemerkt haben müssen, folgte ich drei verschiedene Eingabeaufentwicklungsstrukturen aus den drei Movies, die ich generiert hatte.

• Der erste fehlte die richtige Struktur.
• Der zweite hatte Struktur, wurde aber im JSON -Format geschrieben.
• Der dritte hatte Struktur und wurde im Textformat geschrieben.

Daraus fand ich die beste Ausgabe von der zweiten Eingabeaufforderung – Struktur + JSON. Tatsächlich, Ich habe viele Leute gefunden, die im Web dasselbe erwähnt haben. Bevor Sie jedoch den Ansatz für Sie abschließen, stellen Sie sicher, dass Sie Ihre eigenen Assessments durchführen.

Schlussfolgerung: Ist VEO 3 den Hype wert?

Ich fühle mich an einer Kreuzung, die diese Frage beantwortet, weil es auf der einen Seite weitaus besser ist als das, was wir bisher mit anderen Bildgenerierungsmodellen gesehen haben, und andererseits hat es noch eine Menge zu verbessern. Aber wenn Sie jemand sind, der kreative Unterstützung braucht, um ihre Ideen zu überprüfen, dann ist Veo 3 ein Muss! Es spart Zeit und gibt Ihren Gedanken eine Plattform. Aber wenn Sie jemand wie ich sind, der seltener Movies verwendet, können Sie vielleicht noch warten oder nur einige kreative freie Wege finden, um weiterhin Veo 3 zu verwenden.

Versuchen Sie es und lassen Sie mich Ihre Gedanken wissen!

Nach einer beeindruckenden Effizienz mit Gemma 3 hat Google die Grenzen mit Gemma 3n noch weiter verschärft, nachdem er eine leistungsstarke KI auf einer einzelnen GPU ausgeführt hat. Diese neue Model bringt hochmoderne KI auf Mobil- und Edge-Geräte, wobei minimaler Speicher verwendet wird und gleichzeitig eine schnelle, multimodale Leistung liefert. In diesem Artikel werden wir untersuchen, was Gemma 3n so leistungsfähig macht, wie es unter der Haube mit Innovationen wie Per-Layer-Embettdings (PLE) und Matformer-Architektur funktioniert und wie man mit Google AI Studio auf Gemma 3n zugreifen kann. Wenn Sie ein Entwickler sind, der schnelle, intelligente und leichte AI -Apps erstellen möchte, ist dies Ihr Ausgangspunkt.

Was ist Gemma 3n?

Gemma 3 zeigten uns, dass leistungsstarke KI -Modelle selbst bei einer einzelnen GPU effizient laufen können, während sie größere Modelle wie übertreffen Deepseek v3 In Chatbot -Elo -Ergebnissen mit deutlich weniger Berechnung. Jetzt hat Google die Dinge mit Gemma 3n weiter geführt, um noch kleinere Umgebungen vorhandenen, wie Mobiltelefonen und Kantengeräten auf modernste Leistung zu bringen.

Um dies möglich zu machen, hat Google mit {Hardware}-Führungskräften wie Qualcomm, MediaTek und Samsung System LSI eine neue KI-Architektur für das Gerät eingesetzt, die schnelle, non-public und multimodale KI-Erlebnisse führt. Das „N“ in Gemma 3n steht für Nano und spiegelt seine geringen und und leistungsstarken Fähigkeiten wider.

Diese neue Architektur basiert auf zwei wichtigen Innovationen:

• Professional Schicht Einbettung (PLE): Innoviert von Google DeepMind, um die Speicherverwendung zu reduzieren, indem schichtspezifische Daten außerhalb des Hauptspeichers des Modells zwischengespeichert und verwaltet werden. Es ermöglicht größere Modelle (5B- und 8B -Parameter), mit nur gerecht zu werden 2 GB bis 3 GB RAMähnlich wie 2B- und 4B -Modelle.
• Matformer (Matryoshka -Transformator): Eine verschachtelte Modellarchitektur, mit der kleinere Untermodelle innerhalb eines größeren Modells unabhängig funktionieren können. Dies gibt den Entwicklern die Flexibilität, Leistung oder Geschwindigkeit zu wählen, ohne Modelle zu wechseln oder die Speicherverwendung zu erhöhen.

Zusammen machen diese Innovationen Gemma 3n effizient, um Hochleistungs-multimodale KI auf niedrigen Ressourcen-Geräten zu betreiben.

Wie erhöht PLE die Leistung von Gemma 3n?

Wenn Gemma-3N-Modelle ausgeführt werden, werden Einstellungen für Einbettungseinstellungen (Layer-Einbettung) verwendet, um Daten zu generieren, die die Leistung jeder Modellschicht verbessern. Während jeder Schicht können die PLE -Daten unabhängig außerhalb des Arbeitsspeichers des Modells zum schnellen Speicher erstellt und dann in den Modellinferenzprozess integriert werden. Durch die Verhinderung des Eingebens von PLE -Parametern in den Modellspeicherraum senkt diese Methode die Verwendung der Ressourcen, ohne die Qualität der Reaktion des Modells zu beeinträchtigen.

Gemma 3N -Modelle sind mit Parameterzahlen wie E2B und E4B gekennzeichnet, die sich auf ihre effektive Parameterverwendung beziehen, ein Wert, der niedriger als die Gesamtzahl der Parameter ist. Das Präfix „E“ bedeutet, dass diese Modelle dank der in Gemma 3N eingebetteten flexiblen Parametertechnologie mit einem reduzierten Parametersatz arbeiten können, sodass sie auf Geräten mit niedrigeren Ressourcen effizienter laufen können.

Diese Modelle organisieren ihre Parameter in vier Schlüsselkategorien: Textual content-, Visible-, Audio- und pro-Schayer-Einbettungsparameter (PLE). Während das E2B -Modell beispielsweise während der Standardausführung normalerweise über 5 Milliarden Parameter lädt, kann es seinen aktiven Speicher -Fußabdruck auf nur 1,91 Milliarden Parameter unter Verwendung des Parameters überspringen und Ple Caching reduzieren, wie im folgenden Bild gezeigt:

Schlüsselmerkmale von Gemma 3n

Gemma 3n ist für Geräteaufgaben beendet:

1. Dies ist die Fähigkeit des Modells, Benutzereingaben zu verwenden, um bestimmte Vorgänge direkt auf dem Gerät zu initiieren oder aufzurufen, z. B. das Starten von Apps, das Senden von Erinnerungen, das Einschalten einer Taschenlampe usw. Ermöglicht die KI, mehr als nur zu antworten. Es kann auch mit dem Gerät selbst kommunizieren.
2. Gemma 3n kann Eingänge verstehen und auf Eingaben reagieren, die Textual content und Grafiken kombinieren, wenn sie verschachtelt sind. Zum Beispiel kann das Modell beides verarbeiten, wenn Sie ein Bild hochladen und eine Textanfrage darüber fragen.
3. Zum ersten Mal in der Gemma -Familie kann es sowohl Audio- als auch visuelle Eingaben verstehen. Audio und Video wurden von früheren Gemma -Modellen nicht unterstützt. Gemma 3n kann jetzt Movies anzeigen und Ton anhören, um zu verstehen, was geschieht, z. B. Aktionen, Rede zu erkennen oder auf Anfragen auf der Grundlage eines Videoclips zu reagieren.

Auf diese Weise kann das Modell mit der Umgebung interagieren und Benutzer natürlich mit Anwendungen interagieren. Gemma 3n ist 1,5 -mal schneller als Gemma 3 4b auf Mobilgeräten. Dies erhöht die Fluidität in der Benutzererfahrung (überwindet die Erzeugungslatenz in LLMs).

Gemma 3n hat ein kleineres Submodel als eindeutige 2 -in -1 -Matformer -Architektur. Dadurch können Benutzer die Leistung und Geschwindigkeit dynamisch auswählen. Und dazu müssen wir kein separates Modell verwalten. All dies geschieht in der gleichen Speicherpflichtzrudern.

Wie hilft die Matformer -Architektur?

Eine Architektur des Matryoshka -Transformators oder der Matformer -Modellarchitektur, die aus verschachtelten kleineren Modellen in einem größeren Modell besteht, wird von Gemma 3N -Modellen verwendet. Es ist möglich, Schlussfolgerungen mithilfe der geschichteten Untermodelle zu ziehen, ohne die Parameter der umschließenden Modelle auszulösen, während Sie auf Abfragen reagieren. Das Ausführen nur der kleineren Kernmodelle in einem Matformer -Modell senkt den Energieausdruck, die Reaktionszeit und die Berechnung der Kosten des Modells. Die Parameter des E2B -Modells sind im E4B -Modell für Gemma 3n enthalten. Sie können auch Einstellungen auswählen und Modelle in Größen zusammenstellen, die mit dieser Architektur zwischen 2B und 4B liegen.

Wie kann ich Gemma 3n zugreifen?

Gemma 3n Preview ist in Google AI Studio, Google Genai SDK und MediaPipe (Huggingface und Kaggle) verfügbar. Wir werden mit Google AI Studio auf Gemma 3n zugreifen.

• Schritt 1: Melden Sie sich bei Google AI Studio an
• Schritt 2: Klicken Sie auf die Style GET API

• Schritt 3: Klicken Sie auf die API -Style erstellen

• Schritt 4: Wählen Sie ein Projekt Ihrer Wahl und klicken Sie auf die API -Style erstellen

• Schritt 5: Kopieren Sie die API und speichern Sie sie für weitere Verwendung, um auf Gemma 3n zuzugreifen.
• Schritt 6: Jetzt, da wir die API haben, lassen Sie uns eine Colab -Instanz aufspinnen. Verwenden Sie Colab.New im Browser, um ein neues Notizbuch zu erstellen.
• Schritt 7: Installieren Sie Abhängigkeiten

!pip set up google-genai

Schritt 8: Verwenden Sie geheime Schlüssel in Colab, um gemini_api_key zu speichern, und aktivieren Sie auch den Pocket book -Zugriff.

• Schritt 9: Verwenden Sie den folgenden Code, um Umgebungsvariablen festzulegen:

from google.colab import userdata

import os

os.environ("GEMINI_API_KEY") = userdata.get('GEMINI_API_KEY')

• Schritt 10: Führen Sie den folgenden Code aus, um Ergebnisse aus Gemma 3n zu schließen:

import base64

import os

from google import genai

from google.genai import sorts

def generate():

   consumer = genai.Shopper(

       api_key=os.environ.get("GEMINI_API_KEY"),

   )

   mannequin = "gemma-3n-e4b-it"

   contents = (

       sorts.Content material(

           position="person",

           elements=(

               sorts.Half.from_text(textual content="""Anu is a lady. She has three brothers. Every of her brothers has the identical two sisters. What number of sisters does Anu have?"""),

           ),

       ),

   )

   generate_content_config = sorts.GenerateContentConfig(

       response_mime_type="textual content/plain",

   )

   for chunk in consumer.fashions.generate_content_stream(

       mannequin=mannequin,

       contents=contents,

       config=generate_content_config,

   ):

       print(chunk.textual content, finish="")

if __name__ == "__main__":

   generate()

Ausgabe:

Lesen Sie auch: High 13 kleine Sprachmodelle (SLMs)

Abschluss

Gemma 3n ist ein großer Sprung für KI auf kleinen Geräten. Es führt leistungsstarke Modelle mit weniger Speicher und schnellerer Geschwindigkeit aus. Dank Ple und Matformer ist es effizient und clever. Es funktioniert mit Textual content, Bildern, Audio und sogar mit Video-All-On-System. Google hat es Entwicklern leicht gemacht, Gemma 3N über Google AI Studio zu testen und zu verwenden. Wenn Sie Mobilfunk- oder Edge -AI -Apps erstellen, ist Gemma 3n auf jeden Fall erkundet. Kasse Google AI Edge Um die Gemma 3 lokal zu führen.

Was wäre, wenn Sie die langweiligen Datenanalyse überspringen und direkt zu den guten Dingen springen könnten – wie die Aufdeckung von Erkenntnissen? Der neue Knowledge Science Agent von Google Colab, der von Gemini AI betrieben wird, tut genau das, indem sie Aufgaben wie das Importieren von Bibliotheken, die Reinigung von Daten, das Ausführen von Explorationsdatenanalysen (EDA) und sogar das Generieren von Code für Sie erledigen. Dieser praktische KI -Assistent glättet den maschinellen Lernprozess und lässt sich auf das konzentrieren, was am wichtigsten ist, ohne sich in der sich wiederholenden Codierung festzuhalten. In diesem Artikel werden Sie in Google Colab das Beste daraus machen, mit einem einfachen Leitfaden, um Ihre Datenerforschung, Ihr Modellbau und Ihre Visualisierungen zu steigern – perfekt für Anfänger und erfahrene Datenprofis, und gleichzeitig die Teamarbeit in Cloud -Notebooks einfacher und effizienter machen.

Was ist ein Knowledge Science Agent?

Ein Knowledge Science Agent ist ein KI-betriebener Assistent, der die Datenanalyse vereinfacht, indem Aufgaben wie Datenvorverarbeitung automatisiert werden. Explorationsdatenanalyse (EDA)Characteristic Engineering und Modellentwicklung. In Google Colab fungiert der Knowledge Science Agent, der von Gemini AI betrieben wird, als intelligenter Assistent, der Bibliotheksinporte, Datensatzlade-, Visualisierung, Codegenerierung und Codeausführung automatisiert.

Anstatt die Umgebung manuell zu konfigurieren, können Benutzer ihre Analyseziele zusammen mit der Datendatei in einer einfachen Sprache definieren, und der Agent generiert ein Colab -Notizbuch und führt sie für sich selbst aus und verarbeitet auch Fehler effektiv.

Abgesehen von der Automatisierung verbessert der Gemini-betriebene Agent den Datenanalyseprozess, indem sie kontextbezogene Vorschläge, das Fehlerdebuggen und die Codeoptimierung unterstützt. Durch die Integration von KI in Colab-Notebooks reduziert der Knowledge Science Agent die Zeit, die für sich wiederholende Codierungsaufgaben aufgewendet werden, erheblich, sodass Benutzer sich darauf konzentrieren können, Erkenntnisse zu extrahieren, Modelle zu bauen und Entscheidungsprozesse zu verbessern.

Benchmarks

Google Knowledge Science Agent hat auch auf dem 4. Platz auf dem Land gelandet DABStep: Knowledge Agent-Benchmark für mehrstufige Argumentation auf das Umarmungsfacevor React-Wirkstoffen basierend auf GPT 4O, Deepseek-V3, Claude 3.5 Haiku, Lama 3.3 70b.

Wie benutze ich Knowledge Science Agent in Google Colab?

Der Knowledge Science Agent in Google Colab, der von Gemini AI betrieben wird, vereinfacht den Datenanalyse -Workflow durch die Behandlung von Wiederholungsaufgaben und das automatische Generieren von Code. So können Sie es effektiv verwenden:

1. Öffnen Sie ein neues Notizbuch: Starten Sie mit einem Leerzeichen für diesen Klick auf Google Colab Pocket bookund dann klicken Sie auf „neues Notizbuch“. Dadurch wird ein sauberer Arbeitsbereich für Ihre Analyse bereitgestellt.
2. Laden Sie Ihre Daten hoch: Sobald das neue Notizbuch geöffnet wurde, drücken Sie in „Dateien mit Gemini analysieren“ und schweben Sie in der unteren rechten Ecke, um Ihren Datensatz in das Pocket book zu importieren, unabhängig davon, ob es sich um einen CSV (.csv) oder eine Excel -Datei (.xls) handelt.

1. Definieren Sie Ihre Ziele: Geben Sie im Gemini -Seitenfeld die Artwork der Analyse oder des Modells an, die Sie benötigen. Sie können natürliche Sprachanforderungen wie verwenden „Developments visualisieren“, „Erstellen und Optimieren Sie ein Vorhersagemodell“, „Handlungswerte“ oder „Wählen Sie die beste statistische Technik“. Der Agent versteht Ihre Anfrage und passt den Workflow entsprechend an.
2. Lassen Sie den Agenten die Arbeit erledigen: Sobald Sie Ihre Ziele angegeben haben, generiert der Knowledge Science Agent den erforderlichen Code, importiert relevante Bibliotheken und führt die erforderliche Analyse aus. Innerhalb Momente haben Sie ein voll funktionsfähiges Colab -Notizbuch zur weiteren Erkundung und Verfeinerung.

Dieser KI-betriebene Assistent spart nicht nur Zeit, sondern gewährleistet auch einen strukturierteren und effizienteren Datenflow für Datenwissenschaften, was ihn sowohl für Anfänger als auch für erfahrene Praktiker zu einem wertvollen Instrument macht.

Gemini Knowledge Science Agent in Aktion

Jetzt werden wir drei wichtige Aufgaben untersuchen, bei denen der Knowledge Science Agent die Effizienz erheblich verbessern kann:

1. Datenanalyse und Visualisierung
2. Modellgebäude
3. Erstellen eines Mehrfachsystems mit Crewai oder Autogen.

Durch die Nutzung seiner Automatisierungsfunktionen können wir diese Prozesse optimieren, die manuellen Anstrengungen reduzieren und sich mehr darauf konzentrieren, wertvolle Erkenntnisse abzuleiten. Lassen Sie uns Schritt für Schritt in jede Aufgabe eintauchen.

Aufgabe 1: Automatisierte Datenanalyse – Manipulation und Visualisierung

Diese Aufgabe optimiert Datenmanipulation und Visualisierung, sodass Benutzer Datensätze mühelos ohne umfangreiche Codierung analysieren können. Der Knowledge Science Agent automatisiert Prozesse wie Datenreinigung, Transformation und Zusammenfassung und generiert gleichzeitig Diagramme und Diagramme, um bessere Einblicke zu erhalten. Durch die Reduzierung des manuellen Aufwands können Benutzer sich darauf konzentrieren, wertvolle Muster und Developments aus ihren Daten zu extrahieren.

Immediate: „Helfen Sie mir bei der Datenanalyse für diesen Datensatz. Dies umfasst Datenmanipulation und Datenvisualisierung.“

Antwort von Knowledge Science Agent:

Erste Antwort:

Antwort, nachdem Sie auf „Plan ausführen“ geklickt haben:

Analyse:

Der Knowledge Science Agent automatisierte Datenanalyse, Lade-, Reinigungs-, Erkundungs- und Visualisierungsprüfungsanalyse mit minimalem manuellem Aufwand. Es verarbeitete den Datensatz „Diabetes_reced.csv“ und identifizierte und behandelte Probleme wie Zero -Werte in ‚Skinthickness‘, ‚Insulin‘ und ‚BMI‘, um die Datenintegrität zu gewährleisten. Durch Skalierung numerischer Merkmale und Analyse von Beziehungen zur Zielvariablen („Ergebnis“) lieferte es wertvolle Erkenntnisse. Die automatisierten Visualisierungen, einschließlich Diagramme und Heatmaps, verbesserte die Interpretierbarkeit, während die Zusammenfassung und die Q & A -Funktion es den Benutzern ermöglichten, ihre Analyse zu verfeinern. Insgesamt optimierte der Agent den Workflow und verbessert die Effizienz, die Genauigkeit und die datengesteuerte Entscheidungsfindung.

Aufgabe 2: automatisierte Modellbewertung und Optimierung

Diese Aufgabe vereinfacht die Modellbewertung und -optimierung und ermöglicht es den Benutzern, die Modellleistung effizient zu bewerten und zu verbessern. Der Knowledge Science Agent automatisiert wichtige Prozesse wie Hyperparameter-Tuning, Kreuzvalidierung und Leistungsbenchmarking, um eine optimale Modellauswahl zu gewährleisten. Durch die Reduzierung des manuellen Aufwands können Benutzer sich auf die Interpretation der Ergebnisse und auf fundierte, datengesteuerte Entscheidungen konzentrieren.

Immediate: „Verwenden Sie nun 2 ML -Algorithmen und überprüfen Sie deren Bewertung auf verschiedenen Metriken“

Notiz: Diese Eingabeaufforderung ist ein Comply with -up aus der obigen Aufgabe.

Antwort von Knowledge Science Agent:

Erste Antwort:

Antwort, nachdem Sie auf „Plan ausführen“ geklickt haben

Analyse:

Der Knowledge Science Agent wurde die Modellbewertung und -optimierung erleichtert, indem wichtige Schritte wie das Aufteilen von Daten, Trainingsmodellen, Testleistung und Feinabstimmungseinstellungen automatisiert wurden. Es unterteilte zunächst den vorverarbeiteten Diabetes-Datensatz in Trainings- und Testsätze für einen strukturierten Ansatz. Dann trainierte es sowohl logistische Regression als auch Zufällige WaldmodelleVergleich ihrer Leistung mit relevanten Metriken. Der Agent optimierte die Modelle auch, indem er seine Einstellungen anpasste, um die Genauigkeit zu verbessern. Schließlich half die Zusammenfassung und die Q & A -Funktionen den Benutzern, die Ergebnisse zu verstehen und ihren Ansatz zu verfeinern. Diese Automatisierung sparte Zeit, reduzierte manuelle Anstrengungen und sorgte für eine bessere Modellauswahl und Entscheidungsfindung.

Aufgabe 3: Erstellen von Multiagent -Systemen

Diese Aufgabe konzentriert sich auf den Aufbau eines Multi-Agent-Programs, das Echtzeit-Updates zu wichtigen Sportveranstaltungen bietet. Unter Verwendung von Frameworks wie Autogen oder Crewai kann das System Daten aus verschiedenen Quellen aggregieren, relevante Informationen filtern und kurze Zusammenfassungen liefern.

Immediate: „Ich möchte ein Multi-Agent-System aufbauen, das auf die aktuellen Hauptveranstaltungen in der Sportwelt hinweist, die Sie dafür entweder Autogen oder Crewai verwenden können, und bitte auch die Aufgabe ausführen.“

Antwort durch Knowledge Science Agent

Analyse:

Der Knowledge Science Agent hatte Probleme mit dieser Aufgabe, da sie mit Datensätzen und nicht in Echtzeitdaten gearbeitet hat. Das Erstellen eines Multi-Agent-Programs benötigt Dwell-Daten, nicht nur statische Dateien, sodass der Agent dies nicht selbst tun konnte. Stattdessen gab es einen vorgefertigten Code-Snippet, den Benutzer ausführen und sich selbst testen müssen. Dies zeigt eine klare Begrenzung – es ist intestine in der Datenanalyse, Modelltraining und zur Behandlung strukturierter Daten, aber es ist nicht großartig bei Dwell -Daten, APIs oder Gebäudesystemen, die selbst laufen. Der Code, den es gibt, ist ein hilfreicher Begin, aber Benutzer müssen ihn weiterhin ausführen und alle Probleme manuell beheben.

Schlüsselanwendungen des Knowledge Science Brokers

• Automatisierte Datenverarbeitung: Reinigt, transformiert und visualisiert strukturierte Datensätze (CSV/XLS), sodass Benutzer Einblicke mit minimaler Codierungsaufwand erhalten können.
• Stimmungsanalyse zu Textdaten: Verarbeitet textbasierte Datensätze, die in CSV gespeichert sind, wendet NLP-Techniken an und klassifiziert Gefühle mit ML-Modellen.
• Deep -Studying -Modellentwicklung: Nahe Integration in Tensorflow und Pytorch, was es einfacher macht, Modelle wie Anns und LSTMs zu bauen, zu trainieren und zu feinstimmen.
• Automatisierte Fehlerbehandlung: Identifiziert und löst Fehler während der Ausführung, vereinfachte die Verfeinerung und Debuggen des Modells.
• Strukturierter Workflow für ML -Projekte: Bietet einen Schritt-für-Schritt-Ansatz für die Datenvorverarbeitung, das Modelltraining, die Bewertung und die Optimierung, um die Effizienz in ML-Pipelines zu gewährleisten.

Zukünftige Implikationen des Knowledge Science Brokers

Während sich der Knowledge Science Agent in der Behandlung strukturierter Datensätze auszeichnet, schränkt die Unfähigkeit, unstrukturierte Formate wie TXT, PDF, Bilder und JSON zu verarbeiten, den Anwendungsbereich ein. Um es für generative KI -Aufgaben besser geeignet zu machen, könnten zukünftige Verbesserungen umfassen:

• Verbesserte Textverarbeitung: Direkte Unterstützung für TXT und JSON zur Erweiterung von NLP- und AI-gesteuerten Textanalyse.
• Verständnis des Dokuments: Fähigkeit, PDFs für Datenextraktion, Zusammenfassung und KI-basierte Erkenntnisse zu verarbeiten.
• Bilddatenhandhabung: Integration von Bildformaten, um Laptop -Imaginative and prescient -Aufgaben wie Objekterkennung und Bildklassifizierung zu ermöglichen.
• API- und Echtzeitdatenverarbeitung: Fähigkeit, Echtzeitdaten von APIs abzurufen und zu verarbeiten, was es für dynamische und lebende KI-Anwendungen nützlich macht.

Durch die Einbeziehung dieser Merkmale könnte sich der Knowledge Science Agent zu einem umfassenden KI-betriebenen Assistenten entwickeln und die Lücke zwischen strukturierter und unstrukturierter Datenverarbeitung überbrücken und gleichzeitig seine Rolle bei generativen kI-gesteuerten Workflows erweitern.

Abschluss

Der Knowledge Science Agent in Google Colab ist ein KI-angetanter Helfer, der die Datenanalyse, das Modellaufbau und die Optimierung erleichtert. Es eignet sich hervorragend mit strukturierten Daten wie CSV- oder XLS-Dateien und bietet Ihnen einen klaren Schritt-für-Schritt-Prozess. Es kann sogar Fehler für Sie beheben. Es funktioniert intestine mit Tensorflow und PytorchEs ist einfacher, Dinge wie neuronale Netzwerke oder LSTMs zu bauen. Aber es kämpft mit unstrukturierten Daten wie Textdateien, PDFs, JSON oder Bildern, die das, was sie können, einschränken. Wenn es diese in Zukunft umgehen könnte und Dokumente verstehen und mit Echtzeitdaten arbeiten könnte, wäre es eine noch größere Hilfe für Datenwissenschaftler und KI-Forscher.

Häufig gestellte Fragen

Claude 3.7 Sonett, entwickelt von Anthropic, ist ein leistungsstarkes KI -Modell, das für seine fortschrittlichen Argumentations- und Codierungsfunktionen bekannt ist. Der Zugriff auf seine API öffnet die Tür für die Integration dieser hochmodernen Technologie in Ihre Anwendungen, von der Automatisierung komplexer Aufgaben bis hin zur Erzeugung aufschlussreicher Antworten. In diesem Leitfaden werde ich Sie durch die Schritte führen, um auf die Claude 3.7 -Sonnet -API zuzugreifen.

Was ist neu in Claude 3.7 Sonett?

Claude 3.7 Sonett ersetzt seine Vorgänger nicht nur in Bezug auf die Leistung, sondern auch in Bezug auf Genauigkeit und Logik. Das Folgende ist das größte:

1. Hybrid -Arguming -Architektur

Im Gegensatz zu früheren Modellen führt Claude 3.7 ein Twin-Mode-Verarbeitung:

• Sofortige Antworten: Für Abfragen wie Zusammenfassung, Faktenprüfung und Q & A.
• Erweiterte Argumentation: Für komplexere Aktivitäten wie Codegenerierung, logikbasierte Entscheidungsfindung und mehrstufige Problemlösung.

Eine solche Anwendungsfalloptimierung mischte unterschiedliche Anwendungsfälle sowie eine optimierte Geschwindigkeit beim Ausgleich eingehender Anrufe und wirklich tiefes Denken.

2. API -Verbesserungen und Entwicklerflexibilität

Mit Claude 3.7 können Entwickler unter der API die Verarbeitungszeit mit der Geschwindigkeit oder Tiefe des Arguments steuern, wodurch es effizient ist, alle Anwendungen oder Projektanforderungen zu erleichtern. Entwickler können jetzt:

• Stellen Sie ihre Verarbeitungszeitgrenzen für API -Aufrufe fest.
• Ändern Sie das Verhalten des Modells für verschiedene Anwendungen.
• Argumentationstiefe in Richtung Claude somit auf der Komplexität der Aufgaben basiert.

3. Leistung und Genauigkeitssteigerung

• Antworten sind 20% -30% schneller als Claude 3.
• Logikbasierte Arbeitsplätze Codierung, Mathematik und Analyse Jetzt spielen mit 15% mehr Effizienz.
• 40% Kostenreduzierung für hochvolumige API-Benutzer.
• Viel bessere Antworten, die aufgrund von Verbessertes Kontextbewusstsein.

4.. Verbesserte Sichtfunktionen

Jetzt ist Claude 3.7 Sonett in der Lage, Bilder anzusehen und Informationen zu extrahieren, die es versteht und die sich über den visuell vermittelten Inhalt vermitteln.

5. Gedanken genauer und transparenter machen

Claude 3.7 Sonett hat sich auch besonders verbessert, wenn es die Argumentation Schritt für Schritt zur Beantwortung komplexer Fragen durch bessere Sichtbarkeit seiner Antworten verdeutlicht.

Um mehr zu erfahren, lesen Sie unseren detaillierten Artikel – – Claude Sonnet 3.7: Leistung, Zugriff und mehr

Wie benutze ich Claude 3.7 Sonetts API?

Das Integrieren von Claude 3.7 in Ihre Anwendung ist unkompliziert. Befolgen Sie diese Schritte, um loszulegen:

Schritt 1: API -Zugriff erhalten

1. Melden Sie sich an Für den API -Zugang im Entwicklerportal von Anthropic. Der Entwicklerportal von Anthropic.
2. Generieren Sie eine API -Schlüssel In Ihrem Konto Dashboard.

Schritt 2: Installieren Sie die erforderlichen Bibliotheken

Wenn Sie Python verwenden, installieren Sie die erforderlichen Bibliotheken:

pip set up anthropic

Schritt 3: Machen Sie einen API -Anruf

Ein grundlegendes Beispiel für die Abfrage von Claude:

import anthropic

shopper = anthropic.Anthropic() 

message = shopper.messages.create( 

mannequin="claude-3-7-sonnet-20250219", 

max_tokens=1000, temperature=1, 

system="You're a world-class poet. Reply solely with quick poems.", 

messages=( 

{ 

"function": "consumer", 

"content material": ( 

{ 

"sort": "textual content", 

"textual content": "Why is the ocean salty?" 

} 

) 

} 

   ) 

) 

print(message.content material)

Dieser API -Anruf sendet eine Abfrage und holt die Antwort von Claude in Echtzeit ab.

Schritt 4: Feinabstimmung für Ihren Anwendungsfall

Entwickler können API -Aufrufe optimieren von:

• Einstellung Temperatureinstellungen für Kreativität.
• Aktivieren erweiterte Argumentation für komplexe Abfragen.
• Verwendung Strukturierte Eingabeaufforderungen Für eine bessere Genauigkeit.

Lesen Sie auch: Claude 3.7 Sonnet vs Qwen 2.5 Coder

Testen Sie die API -Funktionen von Claude 3.7 Sonnet

Lassen Sie uns nun Claude mit realen Szenarien testen:

Check 1: Bildanalyse – Ind gegen Pak Cricket Match

Zum Beispiel wird Claude ein Bild angezeigt und gebeten, wichtige Particulars anzugeben.

• Identifizieren von Spielern, Stadion und Ereignisdetails.
• Zusammenfassung des Match -Szenarios (z. B. „Indien schlägt mit 5 Pforten in den Remaining Overs“).
• Extrahieren von Textual content aus Anzeigetafeln.

Eingabebild:

Eingabescode:

import anthropic

shopper = anthropic.Anthropic()

message = shopper.messages.create(

   mannequin="claude-3-7-sonnet-20250219",

   max_tokens=1024,

   messages=(

       {

           "function": "consumer",

           "content material": (

               {

                   "sort": "picture",

                   "supply": {

                       "sort": "base64",

                       "media_type": image1_media_type,

                       "information": image1_data,

                   },

               },

               {

                   "sort": "textual content",

                   "textual content": "You're analyzing a picture from the India vs Pakistan Champions Trophy 2025 match. "

                       "Extract and summarize probably the most related insights within the following structured order:nn"

                       "1⃣ **Match Overview**: Establish the groups, match, stadium, and yr.n"

                       "2⃣ **Key Gamers**: Acknowledge any seen gamers primarily based on jerseys, quantity, and positioning.n"

                       "3⃣ **Match Context**: Decide which crew is batting, the present rating, overs, and any seen scoreboard information.n"

                       "4⃣ **Textual content Extraction**: If a scoreboard or banners are seen, extract related textual content (e.g., scores, crew names, commercials).n"

                       "5⃣ **Environment & Crowd**: Describe the general scene (e.g., crowd depth, celebrations, flags, banners).n"

                       "6⃣ **Spotlight Occasions**: Establish any key moments reminiscent of a boundary, wicket, enchantment, or fielder's motion.nn"

                       "⚠ **Guarantee factual accuracy by solely describing seen parts. Keep away from assumptions.**"

               }

           ),

       }

   ),

)

show(Markdown(message.content material(0).textual content))

Ausgabe:

Check 2: Problemlösung mit logischen Argumentation

Wir stellen die Herausforderung von a Mehrstufiges Drawback Für Claude:

„Ein Zug verlässt New York mit 80 Meilen professional Stunde nach Chicago. Ein weiterer Zug verlässt Chicago nach New York mit 70 Meilen professional Stunde. Sie sind 800 Meilen voneinander entfernt. Wann treffen sie sich? „

Claude wird das Drawback verwenden Schritt-für-Schritt-logische Argumentation.

Eingabescode:

output = anthropic.Anthropic().messages.create(

   mannequin="claude-3-7-sonnet-20250219",

   max_tokens=1024,

   messages=(

       {"function": "consumer",

        "content material": """

               A prepare leaves New York heading towards Chicago at 80 mph.

               One other prepare leaves Chicago for New York at 70 mph.

               They're 800 miles aside. When do they meet?

               """

               }

   )

)

show(Markdown(output.content material(0).textual content))

Ausgabe:

Check 3: HTML -Animation – Bouncing Ballsimulation

Als nächstes werden wir Claude einladen, einige zu produzieren HTML -Animation:

„Schreiben Sie ein HTML CSS+JavaScript -Programm, das einen Ball simuliert, der in einer Reihe verschachtelter Kreise springt. Jeder Kreis hat eine Öffnung. Immer wenn der Ball eine Grenze berührt, öffnet sich das Innere und dann folgt die Kugel der Schwerkraft und dem Schwung. “

Dieser Check zeigt Claudes Fähigkeit,:

• Erzeugen funktionaler, interaktiver Webcode.
• Simulieren Physikbasierte Animationen.
• Sicherstellen Richtige Logik und Syntax in HTML/CSS/JS.

Codeeingabe:

output = anthropic.Anthropic().messages.create(

   mannequin="claude-3-7-sonnet-20250219",

   max_tokens=1024,

   messages=(

       {"function": "consumer",

        "content material": """

               Write an HTML CSS+JavaScript program, simulating a ball that

               bounces inside a circle;

               the ball follows gravity and momentum.

               """

               }

   )

)

show(Markdown(output.content material(0).textual content))

Bildausgabe:

Ausgabe:

Auch rad: Claude 3.7 Sonnet vs Grok 3: Welche LLM ist besser in der Codierung?

Abschluss

Claude 3.7 Sonett ist mehr als nur ein weiteres KI -Modell – es stellt einen signifikanten Fortschritt in Bezug auf Argumentation, Genauigkeit und Anpassungsfähigkeit dar. Seine Fähigkeit, nahtlos zwischen sofortigen Antworten und erweitertem Denken zu wechseln, macht es zu einer ansprechenden Wahl für Entwickler. Hier sind die wichtigsten Takwaways aus dem Artikel:

• Eine intelligentere API mit hybriden Überlegungen, Ausgleichsgeschwindigkeit und Tiefe.
• Fähigkeiten zur Bildverständnis, die durch eine Cricket -Match -Analyse nachgewiesen werden.
• Effizienz der Problemlösung, mit einer logikbasierten Abfrage präsentiert.
• HTML -Codegenerierung, demonstriert über eine interaktive Physiksimulation.

Während sich AI schnell weiterentwickelt, sticht Claude 3.7 Sonett als zuverlässiges, transparentes und vielseitiges Software aus. Egal, ob Sie Ingenieur, Forscher oder Geschäftsführer sind, es bietet die perfekte Lösung für die Nutzung der fortschrittlichen KI in Ihrer Arbeit.

Das Warten ist vorbei-Openai O3-Mini ist endlich da! OpenAI hat gerade sein jüngstes Argumentationsmodell O3-Mini gestartet und verspricht im Vergleich zu seinen Vorgängern schnellere und genauere Antworten. Das Modell ist ab sofort auf der ChatGPT -Schnittstelle und seinen API -Diensten verfügbar. In diesem Artikel werden wir die wichtigsten Merkmale von O3-Mini behandeln und sehen, wie es sich gegen O1-Mini entwickelt. Deepseek-R1und andere Modelle. Wir werden auch lernen, wie man auf das Modell zugreift und einige praktische Anwendungen ausprobieren. Additionally fangen wir an!

Was ist Openai O3-Mini?

Das O3-Mini ist eine optimierte Model des fortschrittlichsten KI-Modells von OpenA, O3, das sich auf Effizienz und Geschwindigkeit konzentriert. Trotz des kompakten Designs bietet es fortschrittliche Argumentationsfunktionen, sodass es komplexe Probleme aufschlüsseln und wirksame Lösungen bereitstellen kann. Dieses Modell ist besonders geschickt in der Codier- und Argumentationsaufgaben und übertrifft seinen Vorgänger O1-Mini.

Das Modell ist derzeit allen Benutzern von ChatGPT zur Verfügung, obwohl freie Benutzer mit bestimmten Einschränkungen Zugriff haben. In der Zwischenzeit können Chatgpt Plus, Group und Professional-Benutzer O3-Mini für bis zu 150 Nachrichten professional Tag verwenden. Darüber hinaus hat Openai das Modell auch über seine API -Dienste verfügbar gemacht. Der O3-Mini ist auch über den Microsoft Azure OpenAI-Service und den Github Copilot zugänglich.

Schlüsselmerkmale von OpenAI O3-Mini

• Verbesserte Argumentation: Das Modell zeichnet sich in Aufgaben aus, die logisches Denken und Problemlösen erfordern, was es für komplexe Abfragen geeignet ist.
• Verbesserte Codierungsfunktionen: Benchmark-Checks zeigen, dass O3-mini in der Codierungsaufgaben bewundernswert funktioniert und eine höhere Genauigkeit und Effizienz bietet.
• Schnellere Reaktionszeiten: Benutzer erfahren schnellere Interaktionen und verbessern die allgemeine Benutzererfahrung.

Openai O3-Mini-Benchmark-Vergleiche

Lassen Sie uns nun sehen, wie Openais O3-Mini im Vergleich zu Deepseek-R1, O1, O3-Mini und anderen prominenten Modellen funktioniert.

Openai O3-Mini gegen O1 gegen O1-Mini

Lassen Sie uns zunächst sehen, wo O3-Mini im Vergleich zu seinen Vorgängern steht.

1. Google-Proof-Q & A (GPQA) -Benchmark auf Graduiertenebene

Das O3-Mini (Excessive) zeigt einige Verbesserungen gegenüber seinen Vorgängern, wenn es um englischsprachige Frage geht. Es zeigt derzeit das beste OpenAI -Modell im Verständnis der natürlichen Sprache.

2. American Invitational Arithmetic Examination (Aime) Benchmark

In der Aime-Benchmark spielt der O3-Mini (Medium) quick so intestine wie das O1-Modell. Inzwischen zeigt die O3-Mini (hohe) eine signifikante Verbesserung im Vergleich zu O1. Mit einer Genauigkeit von 87,3percentist es auch die beste Leistung im mathematischen Denken.

3. CODEFORCES ELO -Punktzahl

Die O1-Mini zeigt einen großen Fortschritt bei Codierungsaufgaben. Beim Codeforces-Benchmark-Take a look at übertraf der O3-Mini (niedrig) das O1-Mini und gab dem O1-Modell einen harten Wettbewerb. In der Zwischenzeit zeigten sich die mittleren und hohen Versionen viel besser als die Vorgängermodelle, was OpenAIs O3-Mini zu ihrem bisher besten Codierungsmodell machte.

4. Swee-Bench verifizierte Benchmark

Auch bei der SWE-Benchmark erweist sich O3-Mini als das beste OpenAI-Modell bei der Codierung und erzielte mit seiner hohen Model 49,3% Genauigkeit.

5. Frontiermath

Das O3-Mini-Modell (Excessive) hat erneut bewiesen, dass es sich um die Dominanz bei der mathematischen Problemlösung im FrontierMath-Benchmark-Take a look at handelt. Die Ergebnisse zeigen, dass O3-Mini (hoch) quick doppelt so intestine ist wie seine Vorgänger bei Math.

	Move@1	Move@4	Move@8
o3-mini (hoch)	9,2%	16,6%	20,0%
O1-Mini	5,8%	9,9%	12,8%
O1	5,5%	10%	12,8%

6. LiveBench -Codierung

In dieser Codierungsherausforderung haben sich alle drei Versionen von O3-Mini erwiesen, um das O1-Modell von Openai in der LCB-Technology zu übertreffen. Die Hochversion battle auch im Code -Abschluss besser als O1.

Modell	Argumentationsstufe	Durchschnitt	LCB -Technology	Code -Abschluss
o3-mini	niedrig	0,618	0,756	0,48
o3-mini	Medium	0,723	0,846	0,60
o3-mini	hoch	0,846	0,820	0,833
O1	hoch	0,674	0,628	0,72

7. Allgemeinwissen

Das Testen von OpenAI-Modellen in verschiedenen allgemeinen Wissens-Benchmark-Checks zeigt, dass O3-Mini, insbesondere seine hohe Model, ein überlegenes Modell ist. Während es möglicherweise nur eine leichte Verbesserung gegenüber O1-Mini in Mathematik, Naturwissenschaften und anderen Themen aufweist, sind seine grundlegenden Fragen zur Beantwortung von Fragen und der Argumentation quick doppelt so intestine wie O1-Mini.

Kategorie	Bewerten	O1-Mini	o3-mini (niedrig)	O3-Mini (Medium)	o3-mini (hoch)
Allgemein	MMLU (Move@T)	85.2	84.9	85,9	86,9
	Mathe (Move@T)	90.0	95.8	97.3	97,9
Mathe	MGSM (Move@T)	89,9	55.1	90,8	92.0
Tatsache	Simpleqa	7.6	13.0	13.4	13.8

OpenAI O3-Mini gegen Deepseek-R1 und andere Modelle

Vergleichen wir es nun mit den derzeit führenden Modellen wie Claude 3.5, Deepseek-R1 und Deepseek-V3.

1. Google-Proof-Q & A (GPQA) -Benchmark auf Graduiertenebene

Sowohl O3-Mini (mittel) als auch O3-Mini (hoch) sind besser als Deepseek-R1 und Claude-3,5 in detaillierten und sachlichen Fragen.

2. American Invitational Arithmetic Examination (Aime) Benchmark

Während O3-Mini (Medium) in Mathematik einen engen Wettbewerb um Deepseek-R1 verleiht, übertrifft das O3-Mini (hoch) ihn um über 10percentund beweist seine Dominanz in diesem Thema.

3. CODEFORCES ELO -Punktzahl

Wenn es um die Codierung geht, übertreffen sowohl die mittleren als auch die hohen Versionen von O3-Mini Deepseek-R1 und die anderen Modelle. Der ELO-Rating von O3-Mini (Excessive) ist der aktuelle höchste unter allen heute verfügbaren Modellen.

4. Swee-Bench verifizierte Benchmark

Bei der Behandlung realer Software program-Engineering-Probleme steht Claude 3.5 immer noch als das Modell mit der besten Leistung. O3-mini (Excessive) verleiht ihm jedoch einen engen Wettbewerb und überholt sich geringfügig Deepseek-R1.

In all diesen Vergleichen sehen wir, dass das noch kommende O3 -Modell andere übertrifft.

Quellen:

Wie kann ich Openai’s O3-Mini zugreifen?

Es gibt 2 Möglichkeiten, auf O3-Mini zuzugreifen. Der erste ist über ihre Chatbot -Oberfläche mit ChatGPT. Der zweite ist über API. Wir werden Sie im nächsten Abschnitt durch beide Optionen führen.

Zugriff auf OpenAI O3-Mini über Chatgpt

Freistufe Benutzer von ChatGPT können das Potenzial von O3-Mini erleben, indem sie „Grund“ unterhalb des Nachrichtenfelds auswählen.

Chatgpt Plus, Group und Professional-Benutzer können direkt „O3-Mini“ oder „O3-Mini-Excessive“ aus der Dropdown-Liste der Modellpicker oben auswählen und mit der Verwendung beginnen.

Wie kann ich über die API von OpenAIs O3-Mini zugreifen?

So können Sie mit ihrer API auf OpenAIs O3-Mini zugreifen.

Schritt 1: Melden Sie sich für den API -Zugriff an

Wenn Sie noch nicht Teil des OpenAI -Beta -Programms sind, müssen Sie den Zugriff durch Besuch anfordern Openais API -Seite. Sobald Sie sich angemeldet haben, müssen Sie möglicherweise auf die Genehmigung warten, um auf die O3-Mini-Modelle zuzugreifen.

Schritt 2: Generieren Sie einen API -Schlüssel

Sobald Sie Zugriff haben, melden Sie sich auf der OpenAI -API -Plattform an und generieren Sie einen API -Schlüssel. Dieser Schlüssel ist für API -Anfragen erforderlich. Um den Schlüssel zu generieren, gehen Sie zu API -Schlüssel und klicken Sie auf „Neue geheime Schlüssel erstellen“. Stellen Sie nach dem Erstellen sicher, dass Sie den Schlüssel kopieren und sicher speichern.

Schritt 3: Installieren Sie das Openai Python SDK

Um mit der O1 -API zu interagieren, müssen Sie das Openai Python SDK installieren. Sie können dies mit dem folgenden Befehl tun:

!pip set up openai

Mit diesem Paket können Sie API -Anfragen zum Öffnen von Ihrem Python -Code stellen.

Schritt 4: Initialisieren Sie den OpenAI -Kunden

Nach der Set up des OpenAI SDK müssen Sie den Shopper initialisieren, indem Sie den API -Schlüssel einrichten:

import os

os.environ("OPENAI_API_KEY") = "Enter_api_key"

Schritt 5: Führen und überprüfen Sie die Ausgabe

Nachdem wir den OpenAI-Shopper eingerichtet haben, versuchen wir das O3-Mini-Modell zur Lösung Dieses Drawback auf Leetcode.

completion = shopper.chat.completions.create(

    mannequin="o3-mini",

    messages=(

        {"function": "developer", "content material": "You're a useful assistant."},

        {

            "function": "person",

            "content material": """  You're given two non-empty linked lists representing two non-negative integers. The digits are saved in reverse order, and every of their nodes incorporates a single digit. Add the 2 numbers and return the sum as a linked checklist.

                            You could assume the 2 numbers don't comprise any main zero, besides the quantity 0 itself.

                            Instance 1:

                            Enter: l1 = (2,4,3), l2 = (5,6,4)

                            Output: (7,0,8)

                            Clarification: 342 + 465 = 807.

                            Instance 2:

                            Enter: l1 = (0), l2 = (0)

                            Output: (0)

                            Instance 3:

                            Enter: l1 = (9,9,9,9,9,9,9), l2 = (9,9,9,9)

                            Output: (8,9,9,9,0,0,0,1)

                            Constraints:

                            The variety of nodes in every linked checklist is within the vary (1, 100).

                            0 <= Node.val <= 9

                            It's assured that the checklist represents a quantity that doesn't have main zeros.

                            Output code in python as beneath:

                            class Answer(object):

                              def addTwoNumbers(self, l1, l2):

                                  #:kind l1: Non-obligatory(ListNode)

                                  #:kind l2: Non-obligatory(ListNode)

                                  #:rtype: Non-obligatory(ListNode)

                            """

        }

    )

)

print(completion.decisions(0).message.content material)

Ausgabe:

Praktische Anwendungen von O3-Mini

Probieren wir nun die O3-Mini aus und testen wir ihre logischen Denken, mathematisches Denken und Codierungsfähigkeiten.

Aufgabe 1: Logisches Denken

Immediate: „Sie haben acht Bälle, von denen einer etwas schwerer ist als die anderen. Sie haben eine Balanceskala, können sie aber nur zweimal verwenden. Wie bestimmen Sie, welcher Ball der schwerste ist? “

Ausgabe:

„Um den schwersten Ball unter den acht zu finden, verwenden nur eine Balanceskala zweimalFolgen Sie dem optimale Wäschestrategie:

Schritt 1: Zuerst Wiegen

• Teilen Sie die 8 Bälle in 3 Gruppen:
  • Gruppe a: 3 Bälle
  • Gruppe b: 3 Bälle
  • Gruppe c: 2 Bälle (beiseite gelegt)
• Ort Gruppe A auf der linken Pfanne Und Gruppe B auf der rechten Pfanne des Gleichgewichts.

Schritt 2: Analysieren Sie das erste Gewichtsergebnis

1. Wenn eine Seite schwerer ist:
   • Die schwerere Seite enthält die schwerster Ball.
   • Jetzt hast du 3 Bälle zum Testen Im nächsten Schritt.
2. Wenn die Skala ausgeglichen ist:
   • Der schwerste Ball gehört zu den 2 Bälle in Gruppe C.
   • Wechseln Sie zu Schritt 3.

Schritt 3: Zweites Wiegen

• Wenn der schwerste Ball in einem Satz von ist 3 Bälle (ab Schritt 2):
  • Wählen Zwei Bälle aus diesem Set und legen Sie eine auf jede Pfanne.
  • Wenn eine Seite schwerer ist → Das ist der schwerste Ball.
  • Wenn die Skala ausgeglichen ist → die Der dritte Ball (nicht gewogen) ist der schwerste.
• Wenn der schwerste Ball in ist Gruppe C (2 Bälle):
  • Wiegen Sie die beiden Bälle gegeneinander.
  • Je schwerer die Antwort ist.

Abschluss

Diese Methode garantiert, dass Sie den schwersten Ball genau identifizieren zwei Wiegen. ““

Aufgabe 2: mathematisches Denken

Immediate: „Wenn ich Rs 1 Lakh in ein Bankkonto investiere, das einen jährlichen Zinssatz von 5% anbietet, wird jährlich zusammengesetzt. Wie viel habe ich nach 10 Jahren auf dem Konto? Berechnen Sie eine schrittweise Berechnung. “

Ausgabe:

Aufgabe 3: Codierung

Immediate: „Sie erhalten einen Datensatz mit 1 Million Zeilen und müssen ihn effizient reinigen und vorbereiten. Schreiben Sie ein Python-Skript mit Dask oder Multiprocessing, um fehlende Werte zu verarbeiten, numerische Merkmale zu normalisieren und eine HOT-Codierung auf kategoriale Spalten anzuwenden. Erklären Sie, warum Ihr Ansatz effizienter ist als Pandas allein zu verwenden. “

import dask.dataframe as dd
from dask_ml.preprocessing import StandardScaler
import pandas as pd
import dask.multiprocessing

def preprocess_data(file_path):
    """
    Effectively preprocesses a big dataset utilizing Dask.
    Steps:
    - Load information in parallel
    - Deal with lacking values
    - Normalize numerical options
    - One-hot encode categorical columns
    """
    # Load dataset utilizing Dask
    df = dd.read_csv(file_path)
    
    # Fill lacking values
    df = df.fillna(df.imply())
    
    # Determine numerical and categorical columns
    numerical_cols = df.select_dtypes(embody=('float64', 'int64')).columns
    categorical_cols = df.select_dtypes(embody=('object')).columns
    
    # Normalize numerical options
    scaler = StandardScaler()
    df(numerical_cols) = scaler.fit_transform(df(numerical_cols))
    
    # One-hot encode categorical columns
    df = dd.get_dummies(df, columns=categorical_cols)
    
    # Compute the ultimate lead to parallel
    df = df.compute(scheduler="multiprocessing")
    
    return df

# Instance utilization
# processed_df = preprocess_data("large_dataset.csv")
# processed_df.to_csv("cleaned_data.csv", index=False)

"""
Why this strategy is environment friendly:
1. **Dask for Parallel Processing:** In contrast to pandas, which hundreds information into reminiscence, Dask processes giant datasets in parallel utilizing process scheduling, making it reminiscence environment friendly.
2. **Lazy Analysis:** Dask hundreds solely the required chunks of knowledge, stopping reminiscence overload.
3. **Multiprocessing Scheduler:** Makes use of a number of cores to hurry up computation, outperforming pandas in large-scale information operations.
"""

Lesen Sie auch: Deepseek R1 gegen OpenAI O1 gegen Sonnet 3.5: Schlacht der besten LLMs

Abschluss

OpenAIs O3-Mini, die alle Benchmarks brechen, stellt sicherlich einen signifikanten Fortschritt bei der Entwicklung von AI-Modell dar. Es scheint ein gutes Gleichgewicht zwischen Leistung und Effizienz zu bieten. Die verbesserten Argumentations- und Codierungsfunktionen in Verbindung mit schnelleren Reaktionszeiten machen es zu einem der besten und effizientesten Modelle, die wir derzeit haben. Die breite Zugänglichkeit von O3-Mini für alle Benutzer und auch über die API stellt sicher, dass eine breite Palette von Benutzern seine Funktionen nutzen kann.

Probieren Sie es aus und lassen Sie es uns in den Kommentaren wissen, wie intestine Sie denken!

Häufig gestellte Fragen