open-source ပရောဂျက်အသစ်သည် စက်သင်ယူမှု၏ ခေါင်းမာသောကန့်သတ်ချက်များကို ကိုင်တွယ်ဖြေရှင်းရန် အာရုံစိုက်နေသည်- သင်ယူမှုမရပ်တန့်နိုင်သော ဘာသာစကားပုံစံတစ်ခုကို တည်ဆောက်ခြင်း။ mini-AGI ဟုခေါ်သော ပရောဂျက်သည် ၎င်း၏ကိုယ်ပိုင်ဗိသုကာပညာကို ပေါင်းစပ်ထားသည့် ဘိုက်အဆင့်ဘာသာစကားပုံစံ၊ 8GB ​​VRAM ပါသည့် GPU တစ်ခုတည်းပေါ်တွင် လေ့ကျင့်ပေးကာ ဖတ်ရှုသမျှမှ ဆက်လက်သင်ယူနေပါသည်။

အဆိုပါပရောဂျက်သည် သီတင်းပတ်ကုန်က Hacker News တွင် အမှတ်တစ်ရာကျော်တက်သွားပြီး GitHub တွင် ၎င်း၏သိုလှောင်မှုကို MIT လိုင်စင်အောက်တွင် ထုတ်ဝေထားသည်။ ပရောဂျက်၏ README အရ၊ ရည်မှန်းချက်မှာ ဒေတာစီးကြောင်းတစ်ခုတည်းမှ ဆက်တိုက်သင်ယူမှုကို - ဘေးအန္တရာယ်ကို မေ့ပျောက်ခြင်းမရှိဘဲ - ပျော့ပျောင်းသော စားသုံးသူအဆင့် ဟာ့ဒ်ဝဲတွင်ပင် ဖြစ်နိုင်ကြောင်း သရုပ်ပြရန်ဖြစ်သည်။ For more context on this story, see our ongoing AI trends.

VRAM တွင်မဟုတ်ဘဲ disk ပေါ်တွင်အလေးချိန်

Mini-AGI ၏နောက်ကွယ်တွင် အဓိကလှည့်ကွက်မှာ သမားရိုးကျမဟုတ်သော မှတ်ဉာဏ်စီမံခန့်ခွဲမှုအစီအစဉ်ဖြစ်သည်။ GPU memory တွင် model parameter အားလုံးကို ကိုင်ထားမည့်အစား၊ system သည် ၎င်း၏အလေးချိန်များကို သာမန်ဖိုင်များအဖြစ် disk ပေါ်တွင် သိမ်းဆည်းပြီး လိုအပ်သလို ၎င်းတို့ကို ဂရပ်ဖစ်ကတ်တွင် စာမျက်နှာပေးသည်။

ထိုဒီဇိုင်းရွေးချယ်မှုတွင် သိသာထင်ရှားသောအကျိုးဆက်တစ်ခုရှိသည်- မော်ဒယ်၏ကန့်သတ်ချက်အရေအတွက်သည် VRAM ထက် အခမဲ့ disk space ဖြင့် ကန့်သတ်ထားသည်။ README က မော်ဒယ်သည် အချိန်တိုအတွင်း လေ့ကျင့်နေစဉ်တွင် စွမ်းရည်အသစ်များ တိုးပွားစေပြီး ဘာမှမတောင်းဆိုနိုင်သော အသီးအနှံများ စွမ်းရည်ကို ပြသထားသည်။ လေ့ကျင့်ခြင်းနှင့် ကောက်ချက်ချခြင်းတို့သည် အတိအကျတူညီသော ကုဒ်လမ်းကြောင်းကို ဖြတ်၍ လည်ပတ်နေသောကြောင့် သီးခြား ကောင်းစွာ ချိန်ညှိခြင်းစနစ်နှင့် အေးခဲထားသော အခြေခံပုံစံ မရှိပါ — စာဖတ်ခြင်းနှင့် လေ့ကျင့်ပေးခြင်းသည် ပရောဂျက်၏ စကားအရ တူညီသော ဖြစ်ရပ်ဖြစ်သည်။

စနစ်သည် developer အများအပြားပိုင်ဆိုင်ထားပြီးဖြစ်သော ဟာ့ဒ်ဝဲ 8GB VRAM GPU ရှိသော အနည်းဆုံး PC သို့မဟုတ် လက်ပ်တော့ကို ပစ်မှတ်ထားသည်။

စဉ်ဆက်မပြတ်သင်ယူခြင်းသည် အဘယ်ကြောင့်ခက်ခဲသနည်း။

ယနေ့ရရှိနိုင်သည့် ဘာသာစကားမော်ဒယ်အများစုသည် တူညီသောဘဝစက်ဝန်းအတိုင်း လုပ်ဆောင်ကြသည်- ဓာတ်ခွဲခန်းတစ်ခုသည် မော်ဒယ်တစ်ခုကို လေ့ကျင့်ပေးသည်၊ ၎င်းကို အေးခဲစေပြီး ၎င်းကို ပို့ဆောင်ပေးသည်။ အသုံးပြုသူများသည် အစွန်းတစ်ဝိုက်တွင် ကောင်းမွန်စွာ ချိန်ညှိနိုင်သော်လည်း အခြေခံအလေးများသည် ဘယ်တော့မှ ပြောင်းလဲခြင်းမရှိတော့ပါ။ ပရောဂျက်၏ လှုံ့ဆော်မှုအပိုင်းက ၎င်းသည် ကိုယ်ပိုင်ပိုင်ဆိုင်သည့် မော်ဒယ်တိုင်းကို "အခြားသူ၏ မော်ဒယ်ကို အပေါ်မှ ပါးလွှာသော အလွှာတစ်ခုဖြင့် ပြုလုပ်သည်"— ၎င်းသည် ၎င်းကို တင်ပို့သည့်နေ့တွင် သင်ယူမှုကို ရပ်တန့်စေသည်ဟု ပရောဂျက်၏ လှုံ့ဆော်မှုအပိုင်းက ငြင်းခုံထားသည်။

အတားအဆီးသည် စက်သင်ယူမှု သုတေသနတွင် လူသိများသော အရာဖြစ်သည်- ကပ်ဆိုးကြီး မေ့ပျောက်ခြင်း၊ ဒေတာအသစ်များကို လေ့ကျင့်သင်ကြားသောအခါ ယခင်လေ့လာခဲ့သော အသိပညာကို ထပ်ရေးရန် အာရုံကြောကွန်ရက်များ၏ သဘောထား။ နေ့စဉ် သတင်းအချက်အလက် စီးဆင်းမှုမှ စဉ်ဆက်မပြတ် လေ့လာသင်ယူသော မော်ဒယ်သည် ယခင်က သိထားသမျှကို နှိမ့်ချတတ်ပါသည်။

README သည် ဒီဇိုင်းကိုပုံဖော်သည့် ကန့်သတ်ချက်များကို ဖော်ပြသည်။ မော်ဒယ်သည် 8GB ၏ VRAM တွင် အံဝင်ခွင်ကျဖြစ်ရန် လိုအပ်သည် - လေ့ကျင့်မှုတွင် gradients နှင့် optimizer state လိုအပ်သောကြောင့် အလေးချိန်၏ memory ထက် သုံးဆခန့် ပိုကောင်းပါသည်။ သင်ယူထားပြီးသားဖြစ်သည့် စာသားများကို အဆုံးမသတ်နိုင်သော လမ်းကြောင်းမှ အကြောင်းအရာအသစ်များကို စုပ်ယူနေချိန်တွင် ၎င်းသည် မေ့လျော့မနေသင့်ပါ။

ကိုယ်တိုင်တည်ဆောက်သော byte အဆင့်မော်ဒယ်

mini-AGI သည် တိုကင်များထက် ဘိုက်အဆင့်တွင် လုပ်ဆောင်သည်၊ ဇာတ်ကောင်များ၏ စီးကြောင်းများကို တစ်ကြိမ်လျှင် တစ်တုံးစီဖတ်ကာ အတုံးတစ်ခုစီရှိ အဆင့်လိုက် အဆင့်လိုက်လုပ်ဆောင်သည်။ မော်ဒယ်သည် လေ့ကျင့်မှုမစတင်မီ ၎င်းတို့၏ ဖန်တီးသူမှ ပြုပြင်ထားသော သမားရိုးကျ မော်ဒယ်များနှင့် ခွဲခြားကာ မော်ဒယ်သည် "၎င်း၏ ကိုယ်ပိုင်ဗိသုကာကို ပေါင်းစပ်ထားသည်" ဟုလည်း အဆိုပါပရောဂျက်က ပြောကြားခဲ့သည်။

ချဉ်းကပ်မှုသည် တမင်တကာ စမ်းသပ်မှုဖြစ်သည်။ ၎င်းသည် လေ့ကျင့်ရေးစနစ်၏ သေးငယ်သော သရုပ်ပြမှုဖြစ်ပြီး နယ်ခြားစောင့်စနစ်များအတွက် စိန်ခေါ်မှုတစ်ခုမဟုတ်ပါ။

အရေးကြီးသတိပေးချက်များ

ပရောဂျက်၏ ရေးသားသူသည် စနစ်၏ လက်ရှိအခြေအနေနှင့် ပတ်သက်၍ ရှင်းလင်းစွာ ဖော်ပြထားသည်။ README ၏ကိုယ်ပိုင်စကားများတွင်၊ mini-AGI သည် "သေးငယ်သောအရုပ်အဆင့်မော်ဒယ်တစ်ခု" ဖြစ်ပြီး စာဖတ်သူများသည် ရှေ့တန်းအဆင့်စွမ်းရည်များကို မမျှော်လင့်သင့်ပါ။ လေ့ကျင့်ခန်း၏ အဓိကအချက်မှာ ဘေးအန္တရာယ်များကို မေ့ပျောက်ခြင်းမရှိဘဲ ဒေတာစီးကြောင်းတစ်ခုတည်းမှ စဉ်ဆက်မပြတ်လေ့လာသင်ယူခြင်းသည် ဖြစ်နိုင်ကြောင်း ပြသရန်ဖြစ်သည် — နှင့် လူတိုင်းနီးပါးဝင်ရောက်နိုင်သော ဟာ့ဒ်ဝဲတွင် ဖြစ်နိုင်သည်။

မော်ဒယ်ရဲ့ အလေးချိန်ကိုတော့ မထုတ်ပြန်သေးပါဘူး။ လေ့ကျင့်ရေးအပြေးသည် ၎င်းသင်ယူနေသည့် corpus ကိုကျော်ပြီး ပထမဦးစွာ ပြီးမြောက်နေဆဲဖြစ်ပြီး စာရေးဆရာက အောင်ချက်ပြီးပါက အလေးများကို ထုတ်ပေးမည်ဖြစ်ပြီး လက်ရှိနှုန်းထားမှာ ရက်သတ္တပတ်နှစ်ပတ်သာ လိုတော့သည်ဟု ဆိုသည်။ ထိုအချိန်အထိ လေ့လာသူများသည် လေ့ကျင့်ရေးအပြေးမှတ်တမ်းမှနမူနာများကို စာဖတ်ချိန်တစ်လျှောက်တွင် မော်ဒယ်မည်ကဲ့သို့တိုးတက်ခဲ့သည်ကို ကြည့်ရှုရန် ပရောဂျက်စာမျက်နှာရှိ လေ့ကျင့်မှုမှတ်တမ်းမှ နမူနာများကို စစ်ဆေးနိုင်သည်။

##ဘာကြောင့်အရေးကြီးတာလဲ။

ချဉ်းကပ်မှုပုံစံသည် ပိုမိုစွမ်းဆောင်နိုင်သောအရွယ်အစားများအထိ ချဲ့ထွင်လာပါက၊ ၎င်းသည် ကွဲပြားခြားနားသော AI ပိုင်ဆိုင်မှုအမျိုးအစားဆီသို့ ညွှန်ပြသည်- သင့်ကိုယ်ပိုင်စက်ပေါ်တွင် နေထိုင်သည့် ကိုယ်ပိုင်မော်ဒယ်များ၊ ၎င်းတို့အား သင်ကျွေးသည့် စာရွက်စာတမ်းများနှင့် ဒေတာများမှ သင်ယူနေလျက် နှင့် ရောင်းချသူ၏ထုတ်ပြန်မှုအချိန်ဇယားအရ ၎င်းတို့၏အလေးချိန်များကို ဘယ်သောအခါမှ မအေးခဲစေပါ။

ပရောဂျက်သည် AI တွင် စိတ်ဝင်စားဖွယ်ကောင်းသော အလုပ်အားလုံးသည် နယ်နိမိတ်တွင် ဖြစ်မလာကြောင်း သတိပေးချက်လည်းဖြစ်သည်။ အသုံးပြုသူ GPU တစ်ခုတည်း၊ သာမန် disk space နှင့် MIT လိုင်စင်တစ်ခုဖြင့်၊ mini-AGI သည် ဓာတ်ခွဲခန်းကြီးများမှ လွန်စွာနောက်ဆုတ်သွားသည့်မေးခွန်းကို ဖြေရန် ကြိုးပမ်းနေပါသည် — လူများ၏လုပ်ဆောင်ပုံအား လေ့လာရန် မော်ဒယ်တစ်ခုကို တည်ဆောက်နိုင်သည်- နောက်တစ်ခုကြုံတွေ့ရသမျှကို ဆက်တိုက်ဆိုသလို ဖြေဆိုရန်ကြိုးစားနေပါသည်။

ကုဒ်နှင့် စာရွက်စာတမ်းများကို လိုက်ဖက်ညီသော ဟာ့ဒ်ဝဲရှိသူတိုင်းအတွက် GitHub တွင် ရနိုင်သည်၊ ပရောဂျက်ကို လမ်းခွဲလိုသော သို့မဟုတ် သင့်လျော်သည့်အတိုင်း မော်ဒယ်ကို ဆက်လက်လေ့ကျင့်ပေးလိုသူတိုင်းအတွက် ရနိုင်ပါသည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →