ਕਲਾਉਡਫਲੇਅਰ ਨੇ ਮੰਗਲਵਾਰ ਨੂੰ ਕਲੈਰਿਕ ਦੇ ਪੂਰਵਦਰਸ਼ਨ ਦੀ ਘੋਸ਼ਣਾ ਕੀਤੀ, ਇੱਕ ਐਕਸਟਰੈਕਸ਼ਨ ਮਾਡਲ ਜਿਸ ਨੂੰ ਕੰਪਨੀ "ਸਿਸਟਮ ਵਨ" ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਨਵੀਂ ਸ਼੍ਰੇਣੀ ਦੇ ਪਹਿਲੇ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਣਨ ਕਰਦੀ ਹੈ ਜੋ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲੇ ਟੋਕਨ-ਬਾਈ-ਟੋਕਨ ਪੀੜ੍ਹੀ ਦੇ ਬਿਨਾਂ ਢਾਂਚਾਗਤ ਮੁੱਲਾਂ ਨੂੰ ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ ਤੋਂ ਬਾਹਰ ਕੱਢਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮਾਡਲ ਹੁਣ Cloudflare ਦੇ Workers AI ਪਲੇਟਫਾਰਮ 'ਤੇ @cf/cloudflare/clairic ਦੇ ਰੂਪ ਵਿੱਚ ਪੂਰਵਦਰਸ਼ਨ ਵਿੱਚ ਉਪਲਬਧ ਹੈ, ਅਤੇ ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਉਹ ਨੇੜਲੇ ਭਵਿੱਖ ਵਿੱਚ ਮਾਡਲ ਦੇ ਵਜ਼ਨ ਨੂੰ ਖੁੱਲ੍ਹੇਆਮ ਜਾਰੀ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੀ ਹੈ।
ਲਾਂਚ ਪੋਜੀਸ਼ਨ ਕਲਾਉਡਫਲੇਅਰ ਨੂੰ ਇੱਕ ਹੋਰ ਦਿਲਚਸਪ ਬਹਿਸ ਦੇ ਅੰਦਰ ਹੁਣ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਮਾਰਕੀਟ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇ ਰਹੀ ਹੈ: ਕੀ ਇੱਕ LLM ਨੂੰ ਸੌਂਪੇ ਗਏ ਹਰ ਕੰਮ ਲਈ ਅਸਲ ਵਿੱਚ ਇੱਕ LLM ਦੀ ਲੋੜ ਹੈ। For more context on this story, see our ongoing AI industry coverage.
ਕਲੈਰਿਕ ਕੀ ਕਰਦਾ ਹੈ - ਅਤੇ ਇਹ ਜਾਣਬੁੱਝ ਕੇ ਕੀ ਨਹੀਂ ਕਰਦਾ
ਕਲੇਰਿਕ ਨੂੰ ਇੱਕ ਤੰਗ ਪਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਮ ਕੰਮ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ: ਗੜਬੜ, ਗੈਰ-ਸੰਗਠਿਤ ਇਨਪੁਟ ਪੜ੍ਹਨਾ ਅਤੇ ਟਾਈਪ ਕੀਤੇ ਮੁੱਲਾਂ ਨੂੰ ਵਾਪਸ ਕਰਨਾ। ਕਲਾਉਡਫਲੇਅਰ ਦੀ ਘੋਸ਼ਣਾ ਦੇ ਅਨੁਸਾਰ, ਮਾਡਲ ਗੈਰ-ਸੰਗਠਿਤ ਇਨਪੁਟਸ ਤੋਂ ਮੁੱਲਾਂ ਨੂੰ ਕੱਢ ਸਕਦਾ ਹੈ, ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ, 80% ਰੇਂਜ ਦੇ ਨਾਲ ਨੰਬਰ ਵਾਪਸ ਕਰ ਸਕਦਾ ਹੈ, ਟਾਈਪ ਕੀਤੇ ਮੁੱਲ ਜਿਵੇਂ ਕਿ ਨਾਮ, ਮਿਤੀਆਂ, ਸਮੇਂ ਅਤੇ ਸੂਚੀਆਂ, ਅਤੇ ਪੂਰੀ ਸੰਭਾਵਨਾ ਵੰਡ — ਹਰੇਕ ਕੈਲੀਬਰੇਟਡ ਭਰੋਸੇ ਨਾਲ।
ਜੋ ਇਹ ਨਹੀਂ ਕਰਦਾ ਉਹ ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਕਲੈਰਿਕ ਲਈ ਇੱਕ ਪੁੱਛਗਿੱਛ ਜਾਂ ਤਾਂ ਡਿਵੈਲਪਰ ਦੁਆਰਾ ਘੋਸ਼ਿਤ ਕੀਤੀ ਗਈ ਕਿਸਮ ਦਾ ਮੁੱਲ ਵਾਪਸ ਕਰਦੀ ਹੈ, ਜਾਂ ਇੱਕ p_null ਸਕੋਰ ਨਾਲ ਜੋੜਿਆ ਗਿਆ ਇੱਕ null ਨਤੀਜਾ ਜੋ ਕਿ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ ਕਿ ਜਵਾਬ ਇਨਪੁਟ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਹਰੇਕ ਜਵਾਬ ਇੱਕ ਭਰੋਸੇਮੰਦ ਸਕੋਰ ਨਾਲ ਭੇਜਦਾ ਹੈ ਤਾਂ ਕਿ ਹੇਠਾਂ ਵੱਲ ਸਿਸਟਮ ਇਹ ਫੈਸਲਾ ਕਰ ਸਕਣ ਕਿ ਕੀ ਇਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਹੈ ਜਾਂ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਲਈ ਇਸਨੂੰ ਫਲੈਗ ਕਰਨਾ ਹੈ।
ਕਲਾਉਡਫਲੇਅਰ ਵਪਾਰ-ਬੰਦ ਬਾਰੇ ਸਪੱਸ਼ਟ ਹੈ। ਕਿਉਂਕਿ ਕਲੈਰਿਕ ਕੋਈ ਟੋਕਨ ਨਹੀਂ ਬਣਾਉਂਦਾ ਹੈ, ਇਹ ਨੁਕਸਦਾਰ JSON ਪੈਦਾ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਇੱਕ ਅੰਕ ਮੱਧ-ਪੀੜ੍ਹੀ ਨੂੰ ਗਲਤ ਨਹੀਂ ਪੜ੍ਹ ਸਕਦਾ, ਜਾਂ ਇੱਕ ਜਵਾਬ ਨੂੰ ਉਸ ਤਰੀਕੇ ਨਾਲ ਭਰਮ ਨਹੀਂ ਕਰ ਸਕਦਾ ਜਿਸ ਤਰ੍ਹਾਂ ਇੱਕ LLM ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਅਜੇ ਵੀ ਗਲਤੀਆਂ ਕਰ ਸਕਦਾ ਹੈ - ਕੰਪਨੀ ਉਸ ਬਿੰਦੂ 'ਤੇ ਸਾਵਧਾਨ ਹੈ - ਪਰ ਇਸ ਦੀਆਂ ਅਸਫਲਤਾਵਾਂ ਫ੍ਰੀ-ਫਾਰਮ ਦੀ ਬਜਾਏ ਟਾਈਪ ਕੀਤੀਆਂ ਅਤੇ ਮਾਪਣਯੋਗ ਹਨ.
'ਸਿਸਟਮ ਵਨ' ਲੇਬਲ, ਸਮਝਾਇਆ ਗਿਆ
ਇਹ ਸ਼ਬਦਾਵਲੀ AI ਸਟਾਰਟਅੱਪ TypeSafe ਤੋਂ ਆਉਂਦੀ ਹੈ, ਜਿਸ ਨੇ ਲਗਭਗ ਇੱਕ ਮਹੀਨਾ ਪਹਿਲਾਂ ਆਪਣੇ ਸਿਸਟਮ ਵਨ ਮਾਡਲਾਂ ਦੀ ਘੋਸ਼ਣਾ ਕੀਤੀ ਸੀ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਾਸਕਾਰ ਭਾਈਚਾਰੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਚਰਚਿਤ ਲਾਂਚਾਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣ ਗਈ ਸੀ। ਇਹ ਫਰੇਮਿੰਗ ਮਨੋਵਿਗਿਆਨੀ ਡੈਨੀਅਲ ਕਾਹਨੇਮੈਨ ਦੀ ਕਿਤਾਬ "ਥਿੰਕਿੰਗ, ਫਾਸਟ ਐਂਡ ਸਲੋ" ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ: ਸਿਸਟਮ ਵਨ ਸੋਚ ਤੇਜ਼, ਆਟੋਮੈਟਿਕ ਅਤੇ ਸਟੀਕ ਹੈ, ਜਦੋਂ ਕਿ ਸਿਸਟਮ ਦੋ ਸੋਚ ਹੌਲੀ ਅਤੇ ਜਾਣਬੁੱਝ ਕੇ ਹੈ। TypeSafe ਨੇ AI ਮਾਡਲਾਂ 'ਤੇ ਇਸ ਅੰਤਰ ਨੂੰ ਮੈਪ ਕੀਤਾ, ਇਹ ਦਲੀਲ ਦਿੱਤੀ ਕਿ ਬਹੁਤ ਸਾਰੇ ਉਤਪਾਦਨ ਦੇ ਵਰਕਲੋਡਾਂ ਨੂੰ ਖੁੱਲ੍ਹੇ ਤਰਕ ਦੀ ਬਜਾਏ ਤੇਜ਼, ਚੰਗੀ ਤਰ੍ਹਾਂ ਟਾਈਪ ਕੀਤੇ ਜਵਾਬਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
TypeSafe's Jev, ਇੱਕ ਖਾਸ ਡੋਮੇਨ ਲਈ ਨਿਰਣਾਇਕ ਮਾਡਲ ਉਦੇਸ਼-ਬਣਾਇਆ ਗਿਆ ਹੈ, ਨੇ ਸੰਭਾਵੀ ਜਵਾਬਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸੂਚੀ ਵਿੱਚ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਇਨਪੁਟਸ ਵਜੋਂ ਲਿਆ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਵਾਪਸ ਕੀਤੀਆਂ। ਹੁਣ ਤੱਕ, ਇਹ ਪੂਰੀ ਸ਼੍ਰੇਣੀ ਸੀ: ਹਰੇਕ ਸਿਸਟਮ ਇੱਕ ਮਾਡਲ ਇੱਕ ਫੈਸਲੇ ਦਾ ਮਾਡਲ ਸੀ।
ਕਲੇਰਿਕ ਸੰਕਲਪ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਜਿੱਥੇ ਇੱਕ ਨਿਰਣਾਇਕ ਮਾਡਲ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਚੁਣਦਾ ਹੈ, ਇੱਕ ਐਕਸਟਰੈਕਸ਼ਨ ਮਾਡਲ ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ — ਸੰਖਿਆਵਾਂ ਸਿੱਧੇ ਇੰਪੁੱਟ ਤੋਂ ਖਿੱਚੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਇਸ ਤੋਂ ਗਣਨਾ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਾਂ ਇਸ ਤੋਂ ਅੱਗੇ ਪੂਰਵ ਅਨੁਮਾਨ। Cloudflare ਕਹਿੰਦਾ ਹੈ ਕਿ ਦੋ ਮਾਡਲ ਪਰਿਵਾਰ, ਰਵਾਇਤੀ LLM ਦੇ ਨਾਲ, ਹੁਣ ਇੱਕ ਤਿੰਨ-ਲੇਅਰ ਸਟੈਕ ਬਣਾਉਂਦੇ ਹਨ: ਐਕਸਟਰੈਕਸ਼ਨ ਮਾਡਲ ਕੱਚੇ ਇੰਪੁੱਟ ਨੂੰ ਟਾਈਪ ਕੀਤੇ ਮੁੱਲਾਂ ਵਿੱਚ ਬਦਲਦੇ ਹਨ, ਫੈਸਲੇ ਦੇ ਮਾਡਲ ਮੁੱਲਾਂ ਨੂੰ ਫੈਸਲਿਆਂ ਵਿੱਚ ਬਦਲਦੇ ਹਨ, ਅਤੇ LLM ਫੈਸਲਿਆਂ ਨੂੰ ਸ਼ਬਦਾਂ ਵਿੱਚ ਬਦਲਦੇ ਹਨ।
ਪੁਨਰ-ਵਿਚਾਰ ਲਈ ਐਕਸਟਰੈਕਸ਼ਨ ਪੱਕਾ ਕਿਉਂ ਹੈ
ਕਲਾਉਡਫਲੇਅਰ ਦੀ ਦਲੀਲ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਅੱਜ ਦੇ LLM ਟ੍ਰੈਫਿਕ ਦਾ ਕਿੰਨਾ ਹਿੱਸਾ ਉਸ ਕੰਮ 'ਤੇ ਖਰਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਗੱਲਬਾਤ ਵਰਗਾ ਕੁਝ ਨਹੀਂ ਲੱਗਦਾ। ਕੰਪਨੀ ਐਕਸਟਰੈਕਸ਼ਨ ਨੂੰ "ਸ਼ਾਇਦ ਅੱਜ LLMs ਨੂੰ ਸੌਂਪੀ ਗਈ ਸਭ ਤੋਂ ਆਮ ਨੌਕਰੀ" ਕਹਿੰਦੀ ਹੈ - ਇੱਕ ਇਨਵੌਇਸ ਕੁੱਲ, ਇੱਕ ਡਿਲੀਵਰੀ ਮਿਤੀ, ਜਾਂ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਵਿੱਚੋਂ ਇੱਕ ਭਾਗ ਨੰਬਰ ਕੱਢਣਾ।
Cloudflare ਦੇ ਦੱਸਣ ਵਿੱਚ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ LLM ਉਸ ਕੰਮ ਨੂੰ ਕਿਸੇ ਹੋਰ ਚੀਜ਼ ਲਈ ਬਣਾਈ ਗਈ ਮਸ਼ੀਨਰੀ ਨਾਲ ਸੰਭਾਲਦੇ ਹਨ। ਆਉਟਪੁੱਟ ਵੈਧ JSON ਨਹੀਂ ਹੋ ਸਕਦੀ। ਇੱਕ ਅੰਕ ਨੂੰ ਗਲਤ ਪੜ੍ਹਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਟੋਕਨ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਵਾਪਸ ਕੀਤੇ ਟੈਕਸਟ ਅੰਸ਼ ਨੂੰ ਸਰੋਤ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਇਸਦੇ ਟਿਕਾਣੇ 'ਤੇ ਵਾਪਸ ਨਹੀਂ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਟੀਮਾਂ ਮਾਡਲਾਂ ਨੂੰ ਰੱਖਿਆਤਮਕ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਲਪੇਟ ਕੇ ਜਵਾਬ ਦਿੰਦੀਆਂ ਹਨ: ਸਕੀਮਾ ਵੈਲੀਡੇਟਰ, ਤਰਕ ਦੀ ਮੁੜ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਲੇਅਰਾਂ ਨੂੰ ਪਾਰਸ ਕਰੋ, ਅਤੇ ਸਪਾਟ ਜਾਂਚਾਂ। ਅਤੇ ਕਿਉਂਕਿ LLM ਤਰਕ ਅਤੇ ਆਉਟਪੁੱਟ ਟੋਕਨਾਂ ਲਈ ਬਿੱਲ ਦਿੰਦੇ ਹਨ, ਹਰ ਦਸਤਾਵੇਜ਼ ਦੇ ਹਰ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਪੀੜ੍ਹੀ ਦੀ ਲਾਗਤ ਹੁੰਦੀ ਹੈ ਜੋ ਕੰਮ ਦੀ ਮੁਸ਼ਕਲ ਦੀ ਬਜਾਏ ਵਰਬੋਸਿਟੀ ਨਾਲ ਮਾਪਦੀ ਹੈ।
ਇੱਕ ਸਿਸਟਮ ਵਨ ਐਕਸਟਰੈਕਸ਼ਨ ਮਾਡਲ ਅਰਥ ਸ਼ਾਸਤਰ ਨੂੰ ਉਲਟਾਉਂਦਾ ਹੈ। ਕਲਾਉਡਫਲੇਅਰ ਕਹਿੰਦਾ ਹੈ ਕਿ ਕਲੈਰਿਕ ਇੱਕ ਸਿੰਗਲ ਫਾਰਵਰਡ ਪਾਸ ਨਾਲ ਇਨਪੁਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ, ਸਿਰਫ ਇਨਪੁਟ ਟੋਕਨਾਂ ਲਈ ਚਾਰਜ ਕਰਦਾ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਸਕਿੰਟ ਦੇ ਅੰਦਰ ਜਵਾਬ ਦਿੰਦਾ ਹੈ - ਜਦੋਂ ਕਿ ਇੱਕ ਤਰਕਸ਼ੀਲ LLM ਉਸੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਿੱਚ ਕਈ ਸਕਿੰਟ ਲੱਗ ਸਕਦੇ ਹਨ। ਉੱਚ-ਆਵਾਜ਼ ਦੇ ਦਸਤਾਵੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ, ਅੰਤਰ ਤੇਜ਼ੀ ਨਾਲ ਮਿਸ਼ਰਤ ਹੁੰਦਾ ਹੈ।
ਇੱਕ ਬੇਨਤੀ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ
ਡਿਵੈਲਪਰ ਕਲੈਰਿਕ ਨੂੰ ਟਾਈਪ ਕੀਤੇ ਖੇਤਰਾਂ ਦੇ ਨਕਸ਼ੇ ਦੇ ਨਾਲ - ਪੜ੍ਹਨ ਲਈ ਟੈਕਸਟ, ਅਤੇ ਚਾਰ ਵਿਕਲਪਿਕ ਚਿੱਤਰਾਂ ਤੱਕ - ਇੱਕ ਸਟੇਟ ਭੇਜਦੇ ਹਨ। ਹਰੇਕ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਨਾਮ, ਇੱਕ ਕਿਸਮ, ਅਤੇ ਵਿਕਲਪਿਕ ਸਾਦੀ-ਭਾਸ਼ਾ ਦੀਆਂ ਹਦਾਇਤਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਮਾਡਲ ਪ੍ਰਤੀ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਟਾਈਪ ਕੀਤਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਇੱਕ ਸਿੰਗਲ ਸਮਾਨਾਂਤਰ ਪਾਸ ਵਿੱਚ ਗਣਨਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਫੀਲਡ ਸੂਚੀ ਇੱਕ ਪਾਸ ਵਿੱਚ ਇਨਪੁਟ ਦੇ ਨਾਲ ਫਿੱਟ ਨਹੀਂ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਸਰਵਰ ਕੰਮ ਨੂੰ ਸਮਾਨਾਂਤਰ ਪਾਸਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ ਜੋ ਹਰੇਕ ਨੂੰ ਪੂਰਾ ਇਨਪੁਟ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਫਿਰ ਜਵਾਬਾਂ ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ।
ਅਨੁਮਾਨ ਕਾਰਜਾਂ ਲਈ, ਜਵਾਬ ਇੱਕ ਵੰਡ ਦੇ ਤੌਰ 'ਤੇ ਆਉਂਦੇ ਹਨ: 10ਵੇਂ ਤੋਂ 90ਵੇਂ ਪਰਸੈਂਟਾਈਲ ਵਿੱਚ ਫੈਲੇ 80% ਅੰਤਰਾਲ ਦੇ ਨਾਲ ਇੱਕ ਮੱਧਮਾਨ, ਬੇਨਤੀ 'ਤੇ ਉਪਲਬਧ ਸਾਰੇ 99 ਪ੍ਰਤੀਸ਼ਤ ਦੇ ਨਾਲ। ਇਹ ਮਾਡਲ ਨੂੰ ਪੂਰਵ-ਅਨੁਮਾਨ-ਸ਼ੈਲੀ ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਲਈ ਉਪਯੋਗੀ ਬਣਾਉਂਦਾ ਹੈ - ਸੰਭਾਵਿਤ ਮੁਰੰਮਤ ਲਾਗਤਾਂ, ਡਿਲੀਵਰੀ ਸਮਾਂ-ਸੀਮਾਵਾਂ, ਅਗਲੇ ਦਿਨ ਦੀ ਆਵਾਜਾਈ - ਜਿੱਥੇ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਅਨੁਮਾਨ ਮਾਡਲ ਦੀ ਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਵਧਾਏਗਾ।
ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਮਾਰਕੀਟ ਲਈ ਇੱਕ ਸੰਕੇਤ
ਕੀ ਕਲੈਰਿਕ ਆਪਣੇ ਆਪ ਵਿੱਚ ਸਫਲ ਹੁੰਦਾ ਹੈ ਲਗਭਗ ਬਿੰਦੂ ਦੇ ਨਾਲ ਹੈ. ਸ਼ੁਰੂਆਤੀ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਪ੍ਰਦਾਤਾਵਾਂ ਵਿਚਕਾਰ ਸਹੀ-ਆਕਾਰ ਵਾਲੇ ਮਾਡਲਾਂ ਵੱਲ ਕਾਰਜਾਂ ਵੱਲ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਤਬਦੀਲੀ ਵਿੱਚ ਇੱਕ ਹੋਰ ਡੇਟਾ ਪੁਆਇੰਟ ਹੈ: ਛੋਟੇ, ਤੇਜ਼, ਸਸਤੇ ਮਾੱਡਲ, ਤੰਗ ਢਾਂਚਾਗਤ ਕੰਮ ਲਈ, ਅਸਲ ਵਿੱਚ ਖੁੱਲ੍ਹੇ-ਆਮ ਤਰਕ ਲਈ ਰਾਖਵੇਂ ਫਰੰਟੀਅਰ LLM ਦੇ ਨਾਲ। ਕਲਾਉਡਫਲੇਅਰ ਦੀ ਆਪਣੀ ਸਥਿਤੀ - ਉਹ ਐਕਸਟਰੈਕਸ਼ਨ, ਫੈਸਲੇ, ਅਤੇ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕਸੁਰਤਾ ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ - ਇੱਕ ਬਲੂਪ੍ਰਿੰਟ ਵਜੋਂ ਪੜ੍ਹਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਸੋਚਦਾ ਹੈ ਕਿ ਉਤਪਾਦਨ AI ਸਟੈਕ ਇਕੱਠੇ ਕੀਤੇ ਜਾਣਗੇ।
ਕੰਪਨੀ ਨੇ ਵਾਅਦਾ ਕੀਤੇ ਓਪਨ-ਵੇਟ ਰੀਲੀਜ਼ ਲਈ ਇੱਕ ਮਿਤੀ ਦਾ ਐਲਾਨ ਨਹੀਂ ਕੀਤਾ ਹੈ। ਫਿਲਹਾਲ, Clairic Workers AI 'ਤੇ ਪੂਰਵਦਰਸ਼ਨ ਵਿੱਚ ਉਪਲਬਧ ਹੈ, ਜਿੱਥੇ ਡਿਵੈਲਪਰ ਆਪਣੇ ਖੁਦ ਦੇ ਐਕਸਟਰੈਕਸ਼ਨ ਵਰਕਲੋਡ ਦੇ ਵਿਰੁੱਧ ਇਸਦੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹਨ — ਅਤੇ ਇਹ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ LLM ਬਿੱਲ ਦਾ ਕਿੰਨਾ ਹਿੱਸਾ ਅਸਲ ਵਿੱਚ ਜ਼ਰੂਰੀ ਸੀ।
_ਇਹ ਲੇਖ ਕਲਾਉਡਫਲੇਅਰ ਦੀ ਕਲੈਰਿਕ ਐਕਸਟਰੈਕਸ਼ਨ ਮਾਡਲ ਪ੍ਰੀਵਿਊ ਦੀ ਅਧਿਕਾਰਤ ਘੋਸ਼ਣਾ 'ਤੇ ਆਧਾਰਿਤ ਹੈ।_
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
