Scaling Compute on Context — Jack Morris, Engram
Jack Morris från Engram förklarar varför det är svårt att få AI-modeller att förstå privat företagsdata.
Modeller tränas på offentlig data från internet och blir mycket bra där, men när du försöker lära dem din egen data blir de ofta värdelösa när de ska generera resultat. Han beskriver tre klassiska vägar att förbättra detta — mer data, mer beräkningskraft och större modeller — men säger att när det gäller privat data är bara beräkningskraft ett alternativ. Han går igenom olika tekniker som KV-kompression och syntetisk träningsdata, men visar att de alla stannar upp när modellen har lärt sig allt du givit den, och det finns inget magiskt sätt att fortsätta förbättra med mer beräkningskraft.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
Inside Arca's Long-Horizon Agents That Run the Business - Aman Singh, Arca
AI Engineer 23 okt.
Real AI Agent Attacks and What Would Have Stopped Them — Andrey Rybka, Bloomberg
AI Engineer 23 okt.
Outside of tech there has been no financial payoff to US companies for using AI, now viewed as a margin-hurting cost center, as VC-backed firms burn more tokens
Techmeme för 3 tim sedan
Source: Replit recently moved most AI spend from Anthropic to OpenAI, which gave 30%+ off in a deal worth $100M+/year, after Anthropic discontinued its discount
Techmeme för 5 tim sedan