GPT 4o vs GLM-130B

Open GPT 4o es la última innovación en tecnología de IA, que se basa en las capacidades de modelos anteriores, como GPT-4, para ofrecer una experiencia multimodal gratuita, avanzada e inmersiva. GPT 4o se destaca por sus respuestas audiovisuales en tiempo real, salidas de audio emocionales y reconocimiento de todo lo que ve, creando una experiencia interactiva similar a conversar con una persona real.

Con sus funcionalidades multimodales, GPT 4o admite combinaciones de texto, audio e imágenes, lo que permite diversas interacciones entre tipos de medios. En particular, GPT 4o está diseñado para funcionar con velocidades de respuesta de voz súper rápidas y puede manejar las interrupciones de forma natural, mejorando la fluidez de las conversaciones.

Los usuarios pueden esperar las ricas funcionalidades de este modelo, incluidas capacidades visuales superiores, reconocimiento de emociones, expresiones de salida y soporte para desarrolladores a través de una API mejorada y rentable. Ya sea asistencia virtual, traducción en tiempo real o incluso un simple chat, GPT 4o ofrece una experiencia de IA incomparable para todos los usuarios.

GLM-130B ofrece un modelo de lenguaje bilingüe de 130 mil millones de parámetros en la pila de investigación abierta THUDM, construida alrededor de la receta de preentrenamiento General Language Model (GLM). Los pesos están dirigidos a texto en inglés y chino, y el repositorio de GitHub incluye código de inferencia, tareas de evaluación y puntos de control aceptados en ICLR 2023. Puedes ejecutar generación de izquierda a derecha o relleno en blanco con los tokens [MASK] y [gMASK] en hardware que quepa en un solo servidor multi-GPU en lugar de una API propietaria.

Mientras que la mayoría de los modelos de más de 100 mil millones permanecen cerrados, GLM-130B publica pesos del modelo, notas de entrenamiento y configuraciones YAML para más de 30 benchmarks. Su ruta de cuantización INT4 está ajustada para que cuatro tarjetas RTX 3090 (24GB) puedan alojar la inferencia con casi ninguna pérdida de precisión, un umbral mucho más bajo que la configuración de ocho A100 (40GB) usada para ejecuciones completas en FP16. El objetivo de entrenamiento mezcla relleno en blanco autorregresivo en el 95% de los tokens con datos de instrucciones multitarea de T0++ y DeepStruct, lo cual es una apuesta diferente al preentrenamiento causal estándar estilo GPT.

Los investigadores que estudian transferencia cero disparo bilingüe, cuantización de modelos grandes o benchmarks reproducibles de LLM obtendrán el máximo provecho de GLM-130B. El repositorio se enfoca en herramientas de evaluación e inferencia más que en un producto de chat alojado, aunque THUDM luego derivó el trabajo de diálogo en ChatGLM. Se espera que traigas tus propias GPUs, almacenamiento para un punto de control de 260GB y paciencia para el formulario de descarga de pesos.