我们最近的实验结果：经过微调、规模较小的任务特定 LLM 优于商业供应商的替代方案。
这代表着一个巨大的机会，因为由于 LLM 的规模和相关成本，大规模商业 LLM 的生产给许多组织带来了困难。通过利用经过微调的模型，开发人员可以在处理比商业模型小两到三个数量级的模型时获得出色的结果，因此成本明显更低、速度更快。
假设一个组织使用 LLM 来处理来自一线员 芬兰电话号码数据 工的数十万条消息。该组织可以通过使用微调模型而不是大规模 LLM 来降低成本。以极低的成本获得显著成果的能力使微调成为寻求优化其 AI 实现的组织的有吸引力的选择。
结论
从 OpenAI 到开源模型的过渡代表了寻求保留其信息和模型所有权、确保隐私和避免供应商锁定的公司进入的下一阶段。 展，它们为希望在生产环境中引入 AI 的开发人员提供了一个有吸引力的替代方案。在定制 AI 时代，专业模型不仅提供最佳性能，而且还能大幅降低成本，指向光明的未来。
然而，在简化和管理微调过程、建立强大的生产基础设施以及确保 AI 应用程序的质量、可靠性、安全性和道德方面仍然存在挑战。为了应对这些挑战，创新平台提供了声明性解决方案，帮助组织构建定制的 AI 应用程序。通过提供易于使用的微调功能和可用于生产的基础设施，这些平台使组织能够释放开源模型的巨大潜力，同时保持最大程度的控制并实现最佳性能。