最近,Meta重磅发布了新一代AI模型Llama 3.3,号称用70B的参数量就能达到405B的性能,这波操作本该成为焦点。但眼尖的网友们却发现了一个更有趣的细节...
神秘消失的对手
中国的Qwen模型"被消失"了?!
这个发现直接让Reddit帖子获得了176个赞,成为最热评论,看来大家都发现了这个"此地无银三百两"的操作~
老哥(带着姜文式笑容)评论道:"As usual, Qwen comparison is conspicuously absent."(老规矩,Qwen的对比数据又神秘消失了)
另一位网友更是直接点破:"I think it is because they don't want to show any Chinese models being comparable."(我觉得是因为他们不想展示中国模型的可比性)
这条评论获得了82个赞,看来大家都懂的都懂啊~
有趣的选择性对比
Meta选择性对比了这些对手:
-
Google的Gemini 1.5 Pro(谷歌大哥)
-
OpenAI的GPT-4o(OpenAI老祖宗)
-
亚马逊的Nova Pro(贝佐斯老板的新玩具)
CDN media
结果一位网友直接整活:"Meanwhile it's compared to checks notes Amazon Nova Pro? What the fuck is Amazon Nova Pro?"(等下,对比Amazon Nova Pro?这玩意儿是啥啊?)🤣
真相大白:数据会说话
资深用户@DeProgrammer99做了一个详细对比,发现:
-
Llama 3.3 70B和Qwen 72B实力相当
-
在某些测试中两者交替领先
-
甚至Qwen的32B版本也能和Llama 3.3过过招
CDN media
实测反馈也很有意思:
-
一位用户表示:"Pretty disappointed with it as a Home Assistant LLM. It gets confused far more easily than Qwen 2.5 72b."(作为家庭助手,它比Qwen 2.5 72b更容易混乱)
-
但也有网友强调在自己的测试中,Llama 3的工具使用和指令遵循方面始终优于Qwen
神转折:有人支持这种"选择性失明"?!
有意思的是,居然有网友支持这种做法:"I actually prefer it like this, we don't want attention on Qwen. If the politicians get a whiff of air that Chinese models are cooking..."(我其实更喜欢这样,我们不想引起对Qwen的关注。如果政客们意识中国模型在崛起...)
技术角力:细节见真章
上下文之争也很精彩:
-
都说Llama有"sweet sweet 128k context"
-
但网友指出Qwen实际支持132k🤯
-
一位网友评论:"It is, but it is not so sweet"(是这样,但没那么香)
-
不过已有好心网友贡献了128k的gguf模型,可喜可贺
意外收获:倒逼创新?
一位网友的调侃引发深思:"This is how OpenAI creates intelligence too cheap to measure. By forcing people to build open source"
(这就是OpenAI如何创造"便宜到无法衡量的 AI ",通过逼大家做开源)😂
结语:开源江湖的暗潮涌动
这场看似普通的模型发布会,却意外揭示了AI领域的诸多有趣现象:
-
技术实力无法掩盖
-
商业策略各显神通
-
开源社区生机勃勃
最重要的是,在这场"选择性失明"的背后,我们看到了全球AI竞争的新格局。正如网友所说,有时候"看不见"的东西,才是最值得关注的。
"因为在AI的世界里,最迷人的永远是那些未被说出的真相。"
如何学习AI大模型?
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓