四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元
Arxiv上所有论文转成Token,加起来不过14.1GB而已。
白交 发自 凹非寺
量子位 | 公众号 QbitAI
Arxiv上所有论文转成Token,加起来不过14.1GB而已。
这是最新爆火开源计划亚历山大完成的壮举。
事实上,这还只是第一步。
他们最终是想要将整个互联网变成Tokens,换言之全都转化成ChatGPT等大模型理解这个世界的方式。
一旦这样的数据集诞生,那岂不是为开发出GPT-4这样的大模型又新增一大利器,上知天文下知地理指日可待了?!
消息一出,瞬间引发巨大关注。
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/c265dee14b15911ba0c209c5173b3ae0.png)
网友们赞叹,史诗般的。
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/024b9975efc1904bda216a5823ec1caf.png)
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/aab9b0262ad3b31ef35c05ad18564ba3.png)
而这背后仅是四个平均年龄20岁的少年发起,目前Arxiv所有论文数据集已经发布,他们将于下周发布嵌入(Embedding)搜索平台。
从Arxiv上所有论文开始
超过400万个项目、6亿个token,30.7亿个向量维度。
这个名为亚历山大的开源计划,首先从Arxiv每篇论文上开始。
选择的方式是嵌入,简单来说,就是将现实世界的各种对象具象成计算机所能理解的向量。
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/a620eb8932fd721e768b9b435578151b.png)
最经典的例子就是将原始图像表示为灰度像素。
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/ca7e229ab4e19367ab4493000e26e325.png)
这种技术最大的特点就是能够表示出人类感知到的语义相似性。
比如,当有10个词表示同一事物时,很难通过关键词查找论文。但嵌入就可以完成,因此很适用于搜索、聚类、推荐和分类。
基于实用性和效率的考虑,开发团队只选择嵌入了论文的标题和摘要。
在测试各种模型之后,最终选择使用InstructorXL文本嵌入模型,通过简单地提供任务指令,而无需任何微调,适合于多种任务(比如分类、检索、聚类、文本评估等)和领域(比如科学、金融、医学等)》
下周他们将发布Arxiv搜索。目前为止的流程是,首先对100篇最接近的文章进行相似性搜索,然后即时计算这些内容的嵌入,并进行第二次更复杂的搜索。
最终目标是一整个互联网嵌入计划。
20岁少年的疯狂开源计划
之所以要开展这样一次疯狂的开源计划,主要有两方面的原因。
一方面是嵌入巨大的价值。世界上很多问题只是搜索、 聚类、推荐或分类,而这些事情嵌入都非常擅长。而且也如前所述,可以解决一些复杂的难题。
另一方面成本是一次性的且很便宜。大多数情况下无需对同个文件进行二次计算。目前每1亿个Token只需1美元。
但他们并没有找到任何开放的嵌入数据集,因此这样的组织应运而生。
接下来他们还将开放更多的数据集,而这些均由这些用户自行选择。在官网上除了已公开的数据集,剩下的几个待开源项目开启了投票通道。
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/034da1cf95253f551d6d6476cdcd3c3c.png)
值得一提的是,背后是一群平均年龄仅为20岁的少年team完成的。
![四个00后的疯狂开源计划:整个互联网转成大模型语料,1亿token嵌入成本只需1美元](/wp-content/uploads/replace/b85555fc411aee3fe6914dd1247725bd.png)
而他们的团队名字同样也很霸气,Macrocosm(宏观世界)联盟。
只要你放大到足够远,人类就会成为一个单一的生物。
就官方介绍,他们致力于为ChatGPT和其他类似产品构建插件,同时也在开发核心产品,基于大模型的个人研究助理,帮助学习、教学和科研。
感兴趣的旁友可戳下方链接了解~
https://alex.macrocosm.so/download
参考链接:
[1]https://www.macrocosm.so/
[2]https://twitter.com/willdepue/status/1661781355452325889
[3]https://github.com/macrocosmcorp
[4]https://www.pinecone.io/learn/vector-embeddings/
- 开源=最强大模型!Llama3.1发布,405B超越闭源GPT-4o,扎克伯格:分水岭时刻2024-07-24
- 国内首批丨腾讯云上架 Llama 3.1模型,支持在 TI 平台精调和推理2024-07-24
- AI视频修复速度10倍提升,过曝变色也能逐帧搞定|美图国科大新算法2024-07-21
- 李飞飞创业:3个月估值破10亿美元2024-07-17