មន្ទីរពិសោធន៍ AI របស់ចិន Z.ai បានបោះពុម្ពផ្សាយគណនីបច្ចេកទេសលម្អិតអំពីរបៀបដែលវាកំណត់ម៉ូដែល GLM ដើម្បីធ្វើការកែលម្អប្រព័ន្ធដែលបម្រើពួកគេ ដោយពណ៌នាអំពី "ភ្នាក់ងារអ៊ីនហ្វ្រា" ដែលស្វែងរក និងជួសជុលការរាំងស្ទះដំណើរការនៅក្នុងហេដ្ឋារចនាសម្ព័ន្ធការសន្និដ្ឋានរបស់ក្រុមហ៊ុនជាមួយនឹងការអន្តរាគមន៍របស់មនុស្សមានកម្រិត។
ការបង្ហោះប្លក់ដែលមានចំណងជើងថា "ឆ្ពោះទៅរកការកែលម្អខ្លួនឯងឡើងវិញ៖ របៀបដែល GLM សាងសង់ហេដ្ឋារចនាសម្ព័ន្ធការសន្និដ្ឋានផ្ទាល់ខ្លួន" បានឡើងនៅលើគេហទំព័ររបស់ក្រុមហ៊ុនកាលពីថ្ងៃពុធ ហើយបានក្លាយជារឿងមួយក្នុងចំណោមរឿងបច្ចេកវិទ្យាដែលត្រូវបានពិភាក្សាច្រើនបំផុតយ៉ាងឆាប់រហ័សនៅលើព័ត៌មាន Hacker ដែលជាកន្លែងដែលវាបានទាញបានច្រើនជាង 200 ពិន្ទុពីសហគមន៍អ្នកអភិវឌ្ឍន៍។ For more context on this story, see our ongoing artificial intelligence updates.
ក្រុមហ៊ុនបានសរសេរថា "នៅពេលដែលយើងអភិវឌ្ឍ GLM ម៉ូដែលនេះជួនកាលបង្ហាញពីសមត្ថភាពដែលធ្វើឱ្យយើងភ្ញាក់ផ្អើល ហើយថែមទាំងធ្វើឱ្យយើងមិនស្ងប់"។
ពីការស្រាវជ្រាវសុវត្ថិភាពតាមអ៊ីនធឺណិតទៅប្រព័ន្ធបង្កើនប្រសិទ្ធភាពខ្លួនឯង
ការងារនេះតាមដានដល់ខែតុលា ឆ្នាំ 2025 នៅពេលដែល Z.ai បានចាប់ផ្តើមស្រាវជ្រាវពីរបៀបពង្រឹងសមត្ថភាពសន្តិសុខតាមអ៊ីនធឺណិតរបស់ GLM ។ ក្រុមហ៊ុននិយាយថា ហេតុផលគឺត្រង់៖ សុវត្ថិភាពតាមអ៊ីនធឺណិតគឺជាផ្នែកបន្ថែមធម្មជាតិនៃការសរសេរកូដ ហើយម៉ូដែលដែលអាចរុករកមូលដ្ឋានកូដធំអាចរុករកកូដប្រព័ន្ធកម្រិតទាបដែលវិស្វករភាគច្រើនជៀសវាង។
មូលដ្ឋានគ្រឹះនោះបានវិវត្តទៅជាអ្វីដែលមានមហិច្ឆតាជាង។ ជាជាងប្រើគំរូដើម្បីសរសេរកូដតែប៉ុណ្ណោះ Z.ai បានកំណត់ដើម្បីឆ្លើយសំណួរវិស្វកម្មប្រព័ន្ធ៖ តើភ្នាក់ងារ AI អាចទទួលខុសត្រូវចំពោះដំណើរការនៃជង់ការសន្និដ្ឋានផលិតកម្ម ស្រទាប់សំរបសំរួលផ្នែកទន់ និងផ្នែករឹង ដែលប្រែទម្ងន់ម៉ូដែលទៅជាការឆ្លើយតបលឿន និងថោកដែរឬទេ?
ចម្លើយរបស់ក្រុមហ៊ុនពាក់ព័ន្ធនឹងការកែប្រែបញ្ហា។ ការវាស់វែងពីចុងដល់ចប់តែឯង ការបង្ហោះប្រកែកមិនអាចណែនាំភ្នាក់ងារបង្កើនប្រសិទ្ធភាពបានទេ។ របាយការណ៍ដែលថាសញ្ញាពីពេលមួយទៅទីមួយកើនឡើង 30 ភាគរយ ឬលទ្ធផលលទ្ធផលធ្លាក់ចុះ 20 ភាគរយប្រាប់ភ្នាក់ងារថាមានអ្វីមួយកាន់តែអាក្រក់ ប៉ុន្តែមិនមែនស្រទាប់ណាដែលទទួលខុសត្រូវ ហេតុអ្វីបានជាសម្មតិកម្មរបស់វាបរាជ័យ ឬអ្វីដែលត្រូវសាកល្បងបន្ទាប់។
"តើយើងធ្វើយ៉ាងណាដើម្បីប្រែក្លាយលទ្ធផលពីចុងទៅចុងបន្តិចបន្តួចទៅជាមតិកែលម្អផ្នែកវិស្វកម្មដែលមានលក្ខណៈល្អិតល្អន់ ដែលណែនាំដោយផ្ទាល់នូវសកម្មភាពបន្ទាប់?" ក្រុមហ៊ុនសួរនៅក្នុងការប្រកាស ដោយពណ៌នាសំណួរថាជាគន្លឹះនៃកិច្ចខិតខំប្រឹងប្រែងទាំងមូល។
ច្បាប់បីសម្រាប់ភ្នាក់ងារអាចអានបាន
ចម្លើយរបស់ Z.ai គឺជាវិន័យនៃមតិត្រឡប់ដែលបានបង្កើតឡើងនៅលើលក្ខណៈបី។ ទីមួយ មតិកែលម្អត្រូវតែមានមូលដ្ឋានគ្រប់គ្រាន់ ដោយភ្ជាប់ជាមួយប៉ារ៉ាម៉ែត្រចាប់ផ្តើមម៉ាស៊ីនជាក់លាក់ ការផ្លាស់ប្តូរកូដ ខឺណែល លក្ខខណ្ឌបញ្ចូល ខ្សែស្រលាយ ចន្លោះពេលប្រតិបត្តិ ឬផ្លូវកូដ ដូច្នេះភ្នាក់ងារអាចបង្រួមវិសាលភាពនៃបញ្ហាណាមួយ។ ទីពីរ វាត្រូវតែមានតំលៃថោក និងទាន់ពេលវេលាដើម្បីទទួលបាន៖ សំណួរដែលអាចឆ្លើយបានដោយការធ្វើតេស្តខឺណែល ឬមីក្រូគោលមូលដ្ឋានមិនគួរទាមទារការដាក់ឱ្យប្រើប្រាស់សេវាកម្មពេញលេញនោះទេ។ ទីបី សុពលភាពគួរតែត្រូវគ្នានឹងសម្មតិកម្មបច្ចុប្បន្ន ដោយរាល់ការពិសោធន៍ត្រូវបានរចនាឡើងដើម្បីឆ្លើយសំណួរជាក់លាក់ជាជាងធ្វើតាមលំដាប់ថេរ។
ក្រុមហ៊ុននិយាយថា រង្វិលជុំមតិត្រឡប់ដ៏ក្រាស់នេះគឺជាអ្វីដែលអនុញ្ញាតឱ្យភ្នាក់ងារ Infra មានឥរិយាបទតិចជាងការបំពេញដោយស្វ័យប្រវត្តិសម្រាប់វិស្វករ និងច្រើនទៀតដូចជាមិត្តរួមការងារដែលអាចដំណើរការការពិសោធន៍ពេញមួយយប់។
ករណីសិក្សាចំនួនបី ពីលេខ ទៅជាកំហុសខ្សែ
ប្រកាសដើរឆ្លងកាត់វគ្គជាក់ស្តែងចំនួនបីពីការបង្កើនប្រសិទ្ធភាពនៃជង់បម្រើរបស់ក្រុមហ៊ុនសម្រាប់ GLM-5.3-Flash ដែលជាគំរូទម្ងន់បើកចំហ Z.ai ដែលបានចេញផ្សាយក្រោមអាជ្ញាប័ណ្ណ MIT នៅក្នុងខែសីហា។
ទីមួយទាក់ទងនឹងភាពត្រឹមត្រូវ។ ដោយសារការបង្កើនប្រសិទ្ធភាពការសន្និដ្ឋានរុះរើពីរបៀបដែលការគណនាស្របគ្នា ភ្នាក់ងារត្រូវការដើម្បីផ្ទៀងផ្ទាត់ថាខឺណែលបង្កើតលទ្ធផលដូចគ្នាក្រោមលក្ខខណ្ឌបែងចែក និងមិនមានការបែងចែក។ ក្នុងករណីមួយ ក្រុមការងារបានរួមបញ្ចូលគ្នានូវប្រតិបត្តិការ TF32 Tensor Core ចំនួនបី ដើម្បីបង្កើតលទ្ធផលដែលមានភាពជាក់លាក់ខ្ពស់ ដោយកាត់បន្ថយកំហុសជាលេខបង្គរ ខណៈពេលដែលរក្សាបាននូវអត្ថប្រយោជន៍ភាគច្រើននៃដំណើរការ Tensor Core ។ ការធ្វើតេស្តប្រៀបធៀបរវាងយុទ្ធសាស្រ្តបែងចែក បង្ហាញភាពមិនស្របគ្នាដែលជំរុញឱ្យការជួសជុល។
ទីពីរគឺជារឿងបំបាត់កំហុសប្រព័ន្ធដែលនឹងមានអារម្មណ៍ស៊ាំនឹងវិស្វករការអនុវត្តណាមួយ។ លក្ខណៈវិនិច្ឆ័យនៃការទទួលយកតម្រូវឱ្យបន្ថែមការផ្ទេរឃ្លាំងសម្ងាត់ KV ទៅផ្លូវបម្រើ មិនគួរធ្វើឱ្យខូចមុខងារនៃការបំពេញមុនលើសពី 5 ភាគរយនៅក្រោមបន្ទុកការងារដូចគ្នា។ ភ្នាក់ងារបានរកឃើញគម្លាតលើសពី 20 ភាគរយនៅក្នុងសេណារីយ៉ូមួយចំនួន ដែលកាត់បន្ថយការស៊ើបអង្កេតចំពោះអាកប្បកិរិយាស្របគ្នានៃការផ្ទេរ KV ខ្លួនឯង។ ដោយពិនិត្យមើលការកំណត់ពេលវេលាប្រតិបត្តិ ភ្នាក់ងារបានកំណត់អត្តសញ្ញាណភាពមិនប្រក្រតីមួយ៖ នៅក្នុងសេណារីយ៉ូបញ្ហា ប្រតិបត្តិការផ្ទេរ KV ចំហៀង Python មិនដែលត្រួតលើគ្នាជាមួយការបញ្ជូន និងរួមបញ្ចូលគ្នាចន្លោះពេលនៃបណ្ណាល័យទំនាក់ទំនង DeepEP ។ ការជួសជុលនេះគឺដើម្បីដោះលែងការចាក់សោអ្នកបកប្រែជាសកលរបស់ Python កំឡុងពេលប្រតិបត្តិការ C++ ដែលពាក់ព័ន្ធ ដែលអនុញ្ញាតឱ្យខ្សែបញ្ជូនផ្ទេរបម្រើ Mooncake ដែលជាឃ្លាំងផ្ទុកទិន្នន័យ KV ដំណើរការស្របគ្នានឹងការគណនា។ គម្លាតនៃការអនុវត្តបានធ្លាក់ចុះជាបន្តបន្ទាប់នៅក្នុងកម្រិតនៃការទទួលយក។
វគ្គទីបីបង្ហាញពីការលៃតម្រូវខឺណែលដដែលៗ។ ការណែនាំអំពី ReplaySSM ដែលជាបច្ចេកទេសដែលជួញដូរកុំព្យូទ័រសម្រាប់អង្គចងចាំ បង្កើនពេលវេលាប្រតិបត្តិនៃខឺណែលឌិកូដ KDA ដំបូង។ ការបង្កើនប្រសិទ្ធភាពផ្នែករបស់ភ្នាក់ងារបន្ទាប់មកកាត់បន្ថយពេលវេលាប្រតិបត្តិរបស់ខឺណែល 9.6 ភាគរយ។ បន្ទាប់ពីទទួលបានមតិកែលម្អថាការគណនានៅតែជាឧបសគ្គចម្បង ភ្នាក់ងារបានរកឃើញការអនុវត្តដើមដែលដាក់នៅតាមបណ្តោយវិមាត្រ V ដែលបណ្តាលឱ្យការធ្វើឱ្យធម្មតា FP32 ដូចគ្នាបេះបិទ និងការគណនាការបិទទ្វារត្រូវបានធ្វើម្តងទៀតដោយមិនចាំបាច់។
ជង់នៅពីក្រោយ GLM-5.3-Flash
ការបង្កើនប្រសិទ្ធភាពស្ថិតនៅលើស្ថាបត្យកម្មបម្រើដ៏ខ្លាំងក្លាដែល Z.ai ពិពណ៌នានៅក្នុងការប្រកាស៖ ភាពស្របគ្នានៃតង់ស៊័រខាងក្នុងសម្រាប់ការយកចិត្តទុកដាក់លីនេអ៊ែរ និងក្បាលគំរូភាសា ការជួញដូរកុំព្យូទ័រសម្រាប់ការចងចាំ ReplaySSM បរិមាណ W8A8 ការធ្វើបរិមាណឃ្លាំងសម្ងាត់ចម្រុះដោយប្រើ INT8, FP8 និង BF16, ទ្រង់ទ្រាយ Latscheerli ស្ថាបត្យកម្មបំបែកបំប្លែងការអ៊ិនកូដ-Prefill-Decode ដែលដំណើរការដំណាក់កាលបម្រើលើធនធានដាច់ដោយឡែក។
ក្រុមហ៊ុនកំណត់ការប្រមូលផ្ដុំនៃបច្ចេកទេសទាំងនេះ បានរកឃើញ និងបញ្ជាក់យ៉ាងទូលំទូលាយដោយភ្នាក់ងារខ្លួនឯង ដែលជាជំហានឆ្ពោះទៅរកការកែលម្អខ្លួនឯងឡើងវិញ៖ ប្រព័ន្ធ AI ធ្វើឱ្យប្រសើរឡើងនូវហេដ្ឋារចនាសម្ព័ន្ធដែលធ្វើឱ្យពួកវាដំណើរការលឿន និងថោកជាងមុន ដែលនាំឱ្យវគ្គបន្ទាប់នៃការកែលម្អដែលជំរុញដោយភ្នាក់ងារមានតម្លៃសមរម្យ។
ហេតុអ្វីវាសំខាន់
ការចំណាយលើការសន្និដ្ឋានគឺជាផ្នែកមួយនៃសេដ្ឋកិច្ចសម្រេចចិត្តនៃឧស្សាហកម្ម AI ។ បន្ទប់ពិសោធន៍ដែលអាចបម្រើម៉ូដែលថ្នាក់ព្រំដែនក្នុងតម្លៃទាបក្នុងមួយសញ្ញាសម្ងាត់អាចមានតម្លៃយ៉ាងខ្លាំងក្លា ឧបត្ថម្ភធនភ្នាក់ងារដែលធ្វើការហៅទូរសព្ទរាប់ពាន់ដងក្នុងមួយកិច្ចការ និងផ្តល់មូលនិធិដល់ការបណ្តុះបណ្តាលបន្ថែមទៀតពីការបម្រើប្រាក់ចំណូល។ Z.ai មានការឈ្លានពានគួរឱ្យកត់សម្គាល់លើផ្នែកទាំងបី ហើយការលាតត្រដាងហិរញ្ញវត្ថុបណ្តោះអាសន្នរបស់ក្រុមហ៊ុននៅដើមឆ្នាំនេះបានបង្ហាញថាប្រាក់ចំណូលកើនឡើងយ៉ាងខ្លាំង ទោះបីជាការខាតបង់បានរួមតូចក៏ដោយ។
ការបង្ហោះក៏ជាសញ្ញាមួយអំពីកន្លែងដែលវិស្វកម្មផ្នែកមន្ទីរពិសោធន៍កំពុងធ្វើដំណើរ។ ការបែងចែកកម្លាំងពលកម្មបែបប្រពៃណី ដោយមានវិស្វករសមត្ថភាពមនុស្សធ្វើការកែតម្រូវខឺណែល និងកម្មវិធីកំណត់ពេល ខណៈពេលដែលម៉ូដែលដោះស្រាយសំណើរបស់អ្នកប្រើប្រាស់ កំពុងត្រូវបានជំនួសនៅ Z.ai ដោយរង្វិលជុំដែលគំរូស្នើការផ្លាស់ប្តូរ ការពិសោធន៍ថោកធ្វើឱ្យពួកវាមានសុពលភាព និងមតិត្រឡប់ក្រាស់ដឹកនាំការប៉ុនប៉ងបន្ទាប់។
ការអះអាងអំពីការកែលម្អខ្លួនឯងដោយស្វ័យភាពពេញលេញគួរតែត្រូវបានអានដោយប្រុងប្រយ័ត្ន។ ការបង្ហោះខ្លួនឯងបញ្ជាក់យ៉ាងច្បាស់ថាវិស្វករមនុស្សបានកំណត់សេណារីយ៉ូសាកល្បង កំណត់លក្ខណៈវិនិច្ឆ័យនៃការទទួលយក និងបង្កើតបរិយាកាសមតិកែលម្អដែលភ្នាក់ងារដំណើរការ។ អ្វីដែលក្រុមហ៊ុនពណ៌នាគឺការធ្វើស្វ័យប្រវត្តិកម្មនៃរង្វិលជុំបង្កើនប្រសិទ្ធភាពដែលមានឧបករណ៍ល្អ មិនមែនជាប្រព័ន្ធដែលមិនបានត្រួតពិនិត្យដែលរៀបចំឡើងវិញដោយខ្លួនវាទេ។
ទោះបីជាយ៉ាងណាក៏ដោយ ទិសដៅច្បាស់លាស់។ ប្រសិនបើសេដ្ឋកិច្ចរបស់ AI ក្នុងរយៈពេលប៉ុន្មានឆ្នាំខាងមុខត្រូវបានសម្រេចចិត្តដោយអ្នកណាដែលអាចបម្រើការស៊ើបការណ៍សម្ងាត់ថោកបំផុតនោះ មន្ទីរពិសោធន៍ដែលបង្រៀនគំរូរបស់ពួកគេដើម្បីបង្កើនប្រសិទ្ធភាពហេដ្ឋារចនាសម្ព័ន្ធផ្ទាល់ខ្លួនរបស់ពួកគេអាចនឹងកំណត់ល្បឿន ហើយ Z.ai ចង់ឱ្យឧស្សាហកម្មនេះដឹងថាវាមានបំណងជាផ្នែកមួយនៃពួកគេ។
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
