hallo128的博客

这些模型显示了非凡的能力，有时在特定领域与人类的能力相当，甚至超过人类的能力，暗示着图灵测试的某种形式正在通过。我们正在看到这些模型扩展的有希望的迹象，如人工智能代理利用工具，从外部数据库检索，显示推理能力，通过编写代码竞争复杂的任务，多模态学习与文本和图像等。影响的关键问题变得至关重要，例如，将 AGI 的价值观与人类的多样化信念集合相一致，导航道德困境，确保 AGI 能够做出道德决策，并解决生成性 AI 的安全风险。然而，尽管这些进展很有希望，但目前的 LLM 和真正的 AGI 之间的差距仍然很大。

【代码】model_flops: 计算模型的浮点运算数（FLOPs）

通过 AutoTokenizer 从预训练模型 EleutherAI/pythia-70m 加载分词器（tokenizer）。# 通过 AutoModelForCausalLM 从同样的预训练模型 EleutherAI/pythia-70m 加载因果语言模型（Causal LM），该模型用于生成文本# 定义一个函数 inference，用于进行推理。

提示词执行以下操作：首先，用一句话概括三个反引号限定的文本。第二，将摘要翻译成英语。第四，输出包含以下键的 JSON 对象：英语摘要和人名个数。要求 GPT 生成三本书的标题、作者和类别，并要求 GPT 以 JSON 的格式返回给我们，为便于解析，我们指定了 Json 的键。如果任务包含不一定能满足的假设（条件），我们可以告诉模型先检查这些假设，如果不满足，则会指出并停止执行后续的完整流程。将Prompt加以改进，该 Prompt 前半部分不变，同时。虚假知识：模型偶尔会生成一些看似真实实则编造的知识。

大语言模型（LLM） 的更强大功能是能通过 API 接口调用，从而快速构建软件应用程序。