大模型集体失智！9.11和9.9哪个大，几乎全翻车了

- AI处理常识性问题能力受限，9.11＞9.8数学难题暴露了AI短板。

- 训练数据偏差、浮点精度问题和上下文理解不足是AI在数值比较任务上可能遇到的困难。

- 改进AI需优化训练数据、Prompt设计、数值处理准确性和逻辑推理能力，以提高处理常识性问题的能力。

 🔗大模型集体失智！9.11和9.9哪个大，几乎全翻车了-CSDN博客

又一个AI搜索引擎诞生：Exa AI

- 称要做真正的 AI 搜索引擎取代Google

- 与传统搜索引擎不同的是，Exa 的搜索引擎专为AI模型设计。

- 使用向量数据库和嵌入模型（embedding models）技术，训练模型来预测下一个相关链接，而不是下一个词。这个方法使Exa能够处理链接数据集，从而提供与众不同的搜索结果。

- Exa使用端到端的Transformer模型来过滤互联网信息，根据查询的实际意义而非关键词进行筛选。

🔗网站: https://exa.ai/

阿里巴巴发布语音模型：Qwen2-Audio 

- 可与模型直接语音对话以及分析转录各种声音

- Qwen2-Audio可以通过语音聊天和音频分析两种方式与用户互动。在语音聊天模式下，用户可以与模型进行直接的语音对话，在音频分析模式下，用户可以上传音频文件进行转录分析等。

- Qwen2-Audio 能够识别语音中的情感，如愤怒、快乐、悲伤等。

- 用户无需区分语音聊天和音频分析模式，模型能够智能识别并在实际使用中无缝切换两种模式。

- Qwen2-Audio的模型架构由音频编码器和大语言模型组成：音频编码器基于Whisper-large-v3模型；基础组件是Qwen-7B

🔗GitHub：https://github.com/QwenLM/Qwen2-Audio

🔗论文：https://arxiv.org/pdf/2407.10759

微软团队研究出新方法：可以让大语言模型更好地理解和处理电子表格数据

- 该方法显著提高了模型在电子表格表格检测和问答任务中的性能，同时大大减少了处理所需的计算资源。

- 在电子表格表格检测任务中的性能相比基础方法提高了25.6%，并且在F1评分上达到了78.9%，超过了现有最好的模型12.3%。 

- SPREADSHEETLLM主要通过三个主要步骤来实现：

结构锚点压缩：识别并保留表格边界的重要行和列，删除不重要的重复行和列，从而减少数据量。

倒排索引翻译：将电子表格中的相同数据合并，减少重复数据，优化数据结构。

数据格式聚合：根据单元格的数据格式，将相同格式的数据聚合在一起，进一步减少数据量。

Mistral发布了2个7B小模型：CodestralMamba 7B和Mathstral 7B

- Codestral Mamba超越了DeepSeek QwenCode，成为小于10B参数的最佳模型，并且可以与Codestral22B竞争，并且支持256K的上下文。

- 与传统的Transformer模型不同，Mamba模型在处理时间上更高效，并且可以处理无限长度的输入序列。用户可以免费使用、修改和分发该模型，适用于各种代码相关的应用场景。

🔗官方介绍：https://mistral.ai/news/codestral-mamba/

🔗模型下载：https://huggingface.co/mistralai/mamba-codestral-7B-v0.1

🔗模型下载：https://huggingface.co/mistralai/mathstral-7B-v0.1

🔗详情：MathΣtral | Mistral AI | Frontier AI in your hands

可在手机运行！Hugging Face推小语言模型SmolLM

- 高效性能: SmolLM模型在低计算资源下表现出色，保护用户隐私。

- 丰富数据: 使用高质量的SmolLM-Corpus数据集，确保模型学习到多样知识。

- 多种应用: 适用于手机、笔记本等设备，灵活运行，满足不同需求。

🔗 https://huggingface.co/blog/smollm