ओपनई त्याच्या फ्लॅगशिप मोठ्या भाषा मॉडेल (एलएलएम) च्या पुढच्या पिढीवर काम करत असल्याची अफवा आहे, तथापि, कदाचित त्यात अडथळा असू शकेल. एका अहवालानुसार, सॅन फ्रान्सिस्को-आधारित एआय फर्म त्याच्या पुढील एआय मॉडेलच्या कॅपेबॅबिलिट्सला आंतरिकरित्या कोडन केलेले ओरियनचे प्रमाणित करण्यासाठी संघर्ष करीत आहे. भाषे-आधारित कार्ये येते तेव्हा मॉडेल जुन्या मॉडेल्सला मागे टाकत असे म्हटले जाते परंतु कोडिंग सारख्या काही कामांमध्ये ते त्रासदायक असतात. उल्लेखनीय, कंपनी एआय मॉडेल्सना योग्यप्रकारे प्रशिक्षण देण्यासाठी पुरेसा प्रशिक्षण डेटा जमा करण्यासाठी धडपडत असल्याचेही म्हटले जाते.
ओपनईचे ओरियन एआय मॉडेल महत्त्वपूर्ण सुधारणा दर्शविण्यास अपयशी ठरले
माहिती नोंदवले एआय फर्मची पुढील मेजर एलएलएम, ओरियन जेव्हा कोडिंगशी संबंधित कार्ये सांगते तेव्हा अपेक्षेनुसार कामगिरी करत नाही. अज्ञात कर्मचार्‍यांचा हवाला देऊन, अहवालात असा दावा करण्यात आला आहे की भाषा-आधारित कार्ये येते तेव्हा एआय मॉडेलने लक्षणीय अपग्रेड केले आहे, परंतु काही कामे कमी आहेत.
जीपीटी -4 आणि जीपीटी -4 ओ सारख्या जुन्या मॉडेल्सच्या तुलनेत ओपनईच्या डेटा सेंटरमध्ये ओरियन चालविणे अधिक महाग आहे. आगामी एलएलएमचे कॉस्ट-टू-पेरर्मन्स रेशो कंपनीला आयटरप्राइझ आणि ग्राहक बनविण्याचे आव्हान असू शकते.
अतिरिक्त, अहवालात असा दावा देखील करण्यात आला आहे की जीपीटी -4 आणि ओरियन दरम्यानची एकूण गुणवत्ता उडी जीपीटी -3 आणि जीपीटी -4 दरम्यानच्या उडीपेक्षा कमी आहे. हा एक चिंताजनक विकास आहे, तथापि, मानववंश आणि मिस्त्राल सारख्या प्रतिस्पर्ध्यांद्वारे अलीकडेच संबंधित एआय मॉडेल्समध्येही हा कल लक्षात घेतला जात आहे.
उदाहरणार्थ, क्लॉड 3.5 सॉनेटचे बेंचमार्क स्कोअर दर्शविते की प्रत्येक नवीन फाउंडेशन मॉडेलसह गुणवत्ता उडी अधिक इट्रेटिव्ह आहे. तथापि, नवीन क्षमता विकसित करण्यावर लक्ष केंद्रित करून प्रतिस्पर्ध्यांनी लक्ष वेधले आहे
अहवालात, या प्रकाशनात असेही ठळकपणे दिसून आले आहे की या आव्हानाचा सामना करण्याचा एक मार्ग म्हणून उद्योग प्रारंभिक प्रशिक्षण पूर्ण झाल्यानंतर एआय मॉडेल सुधारण्याचे निवड करीत आहे. अतिरिक्त फिल्टर जोडून आउटपुट फिन-ट्यूनिंगद्वारे हे केले जाऊ शकते. तथापि, हे एक कामकाज आहे आणि फ्रेमवर्क किंवा पुरेसा डेटाच्या अभावामुळे उद्भवलेल्या मर्यादेमुळे उद्भवत नाही.
पूर्वीचे तंत्रज्ञान आणि संशोधन-आधारित आव्हान असले तरी उपलब्ध डेटामुळे नंतरचे मोठे आहे. हे सोडविण्यासाठी, ओपनईने एक फाउंडेशन टीम तयार केली आहे ज्यास प्रशिक्षण डेटाच्या अभावाचा सामना करण्याचा मार्ग शोधण्याचे काम सोपविण्यात आले आहे. तथापि, हे कार्यसंघ अधिक प्रशिक्षण देण्यासाठी आणि ओरियनची क्षमता सुधारण्यासाठी वेळेत अधिक डेटा मिळविण्यास सक्षम असेल तर असे म्हणता येणार नाही.
