Switch Transformers vs Stellaris AI

Les Switch Transformers introduisent une architecture de type Mixture of Experts (MoE) sparse qui dirige chaque entrée vers un seul expert, réduisant la surcharge de communication tout en permettant de faire évoluer des modèles linguistiques de billion de paramètres avec un coût de calcul constant. Le document de chercheurs de Google, William Fedus, Barret Zoph et Noam Shazeer, simplifie le routage MoE, améliore la stabilité de l'entraînement, et rapporte une pré-formation jusqu'à 7 fois plus rapide que les modèles T5 denses avec le même budget de calcul.

L'approche s'appuie sur l'architecture T5 et prend en charge la formation multilingue sur 101 langues. Les Switch Transformers permettent également une formation avec une précision bfloat16 pour des exécutions à grande échelle plus rapides et plus stables. Ce travail vise les chercheurs et ingénieurs qui ont besoin de faire évoluer les modèles NLP sans augmentation proportionnelle des coûts matériels.

Publié sur arXiv en tant que document de recherche, Switch Transformers documente des méthodes pour une activation parcimonieuse efficace, plutôt que comme un produit SaaS commercial. Le document et le PDF sont disponibles gratuitement en téléchargement et citation.

Stellaris AI développe de grands modèles de langage commercialisés autour de la sécurité native et du raisonnement humain pour des tâches réelles. Sa gamme phare SGPT cible la génération de texte et de code, les questions-réponses basées sur les connaissances, le raisonnement logique et l'analyse à une échelle que l'entreprise décrit comme des centaines de milliards de paramètres. Le site public se concentre sur une liste d'attente pour SGPT-4.5 plutôt que sur un produit de chat en libre-service accessible dès aujourd'hui.

Alors que de nombreux laboratoires de LLM ajoutent des filtres de sécurité après l'entraînement, Stellaris AI considère la sécurité comme une partie intégrante de la pile du modèle grâce à un référencement strict des sources et à une minimisation des dommages dans l'architecture. Elle met également en avant l'apprentissage contextuel en temps réel (RCL) pour adapter les réponses avec des connaissances en direct, une combinaison destinée aux équipes qui souhaitent des résultats cités plutôt qu'une génération non vérifiée.

Les chercheurs, les équipes d'IA d'entreprise et les premiers utilisateurs rejoignent la liste d'attente SGPT-4.5 pour un accès prioritaire. L'entreprise cite plus de 10 ans de recherche et trois piliers produits principaux : Stellaris GPT, Native Safety et RCL.