Vào cuối tháng 9, SN 5 đã trải qua một bản cập nhật lớn. Bài viết này sẽ nêu bật các chi tiết chính của bản cập nhật, giúp thị trường đánh giá lại và xem xét lại ý nghĩa và tiềm năng của SN 5.
Subnet 5 Open Kaito
Phát hành: 0,88% (2024-10-10)
Github: https://github.com/OpenKaito/openkaito
SN5 là gì?
Mục tiêu cốt lõi của Bittensor Subnet 5 là phát triển các mô hình nhúng văn bản có hiệu suất tốt nhất và đa mục đích nhất trên thế giới. Nó cho phép đào tạo, đánh giá và cung cấp mô hình theo cách phi tập trung, đồng thời làm cho các mô hình này có thể truy cập thông qua các API để hỗ trợ một loạt các ứng dụng.
SN 5 tận dụng mạng nút phi tập trung của Bittensor để đánh giá động và cải thiện mô hình liên tục.
Các Thợ đào trong SN 5 chịu trách nhiệm đào tạo các mô hình bằng cách sử dụng một tập hợp văn bản cập nhật liên tục. Họ cam kết cung cấp các mô hình với độ trễ thấp và Xuất lượng cao để đáp ứng nhu cầu của các ứng dụng phía sau.
Các Bit Validator của SN 5 đánh giá các mô hình một cách nghiêm ngặt bằng cách sử dụng nhiều tiêu chuẩn, liên tục lựa chọn những mô hình tốt hơn. Các mô hình của Thợ đào được so sánh với các mô hình nhúng văn bản SOTA hiện có, đảm bảo rằng SN 5 vẫn cạnh tranh và liên tục cải thiện.
Làm thế nào để đánh giá Thợ đào?
Trong SN 5, Thợ đào nhận các lô văn bản và sử dụng các mô hình của họ để tạo ra các nhúng văn bản. Sau đó, Bit Validator đánh giá chất lượng của các nhúng này bằng cách sử dụng hàm mất mát học tập tương phản.
Hàm này là:
Ở đây, c là nhúng mục tiêu, x là mẫu dương và x' là mẫu âm. Quá trình này nhằm tối đa hóa thông tin tương hỗ giữa mẫu dương x và nhúng mục tiêu c.
Các Thợ đào có nhúng chất lượng cao hơn sẽ nhận được điểm số tốt hơn, và các mô hình của họ được coi là tốt hơn.
SN 5 đã đạt được những gì?
Trong cơ chế khuyến khích này, SN 5 đã đạt được những tiến bộ đáng kể:
Tính đến ngày 9 tháng 10, các mô hình nhúng văn bản do Thợ đào cung cấp đã cho thấy cải thiện so với mức cơ sở của OpenAI.
Khi SN 5 tiếp tục nâng cao chất lượng của các mô hình, người dùng sẽ có quyền truy cập vào các nhúng văn bản đa mục đích có chất lượng cao hơn so với các mô hình SOTA hiện có. Các mô hình này sẽ được công khai thông qua API Bit Validator của SN 5, cho phép áp dụng rộng rãi và tích hợp vào các ứng dụng khác nhau.
Làm thế nào để đánh giá SN 5 mới?
SN 5 tận dụng tối ưu hóa và đào tạo phi tập trung cho các mô hình nhúng văn bản, góp phần đáng kể vào hệ sinh thái Bittensor và trí tuệ nhân tạo phi tập trung:
- Thúc đẩy sự tiến hóa của các mô hình có ứng dụng rộng rãi: SN 5 nhằm phát triển các mô hình nhúng văn bản có hiệu suất tốt nhất và đa mục đích nhất trên thế giới. Các mô hình này sẽ được đánh giá so với một tập dữ liệu động và vô hạn, đảm bảo khả năng tổng quát hóa tối đa.
- Tận dụng các mạng phi tập trung để đánh giá động và cải thiện liên tục: Bằng cách sử dụng mạng Bittensor, SN 5 tránh được các hạn chế của việc phát triển mô hình trí tuệ nhân tạo tập trung, tăng cường tính minh bạch và khả năng chống lại kiểm duyệt. Các đánh giá động của Bit Validator liên tục thúc đẩy Thợ đào cải thiện các mô hình của họ, đảm bảo rằng SN 5 không chỉ vượt qua các mô hình SOTA hiện có mà còn thích ứng với kiến thức thực tế mới nhất, duy trì tính cạnh tranh và đẩy mạnh ranh giới của ngành.
