rag

🚨 يَحطِّمُ بيربلكسيتي (Perplexity) مقاييس استرجاع الذكاء الاصطناعي ويُشعل السرد الصعودي من جديد لـ $TAO ! 💥

💡 لقد ارتقى الذكاء الاصطناعي مفتوح المصدر خطوةً إلى الأمام، إذ أطلقت Perplexity نموذج تضمين (context-embedding) يستطيع إسقاط معايير RAG القديمة وتخطيها بفارق 14.4 نقطة مئوية في اختبارات turbopuffer. 🔍 من خلال ترميز أجزاء المستندات مع وعيٍ كامل بالسياق، تقضي هذه التقنية على فقدان البيانات وتمكّن من الاستدلال الفوري.

📊 تتبّع الأموال الذكية هذه القفزات في البنية التحتية لأنها تعتمد عليها الذكاء اللامركزي من الجيل القادم بشكلٍ كبير في استرجاع السياق بدقة. ⚡ ومع تحوّل الوعي بالسياق إلى شرط أساسي، أصبحت بروتوكولات الذكاء الاصطناعي اللامركزية الرائدة مهيأة لالتقاط سيولة هائلة.

💬 هل ستُشعل نماذج السياق مفتوحة المصدر المرحلة التالية الصاروخية الصاعدة لأسهم قطاع الذكاء الاصطناعي؟ 👇

⚠️ ليست نصيحة مالية. دائمًا أدرِ مخاطرَك. 🛡️

🏷️ #TAO #AI #Crypto #Tech #RAG

🔥 ⚡

💡 الحيرة تُعطّل استرجاع RAG بينما تُحدث البنية التحتية للـ $AI ثورةً في استرجاع السياق! ⚡

أطلقت Perplexity للتو نموذج pplx-embed-v2-context-9b-preview مفتوح المصدر تحت رخصة MIT، مقدّمًا ترميزًا سياقيًا يمتد على مستوى المستند بالكامل لأنظمة RAG. 📊 من خلال ربط سياق المستند كاملًا مباشرةً داخل متجهات كل مقطع (chunk) على حدة، تعالج البنية غموض البيانات المعزولة، وفي الوقت نفسه تسترجع أدلة تحقق من الإجابة.

في اختبارات عمياء عبر 38,894 مستندًا طويلًا، سجل النموذج 45.5% على Answer@10—متفوقًا على Voyage Context 4 بنسبة 14.4%—ما يثبت أن الاحتفاظ بالسياق البنيوي يدفع دقة بيانات بمستوى مؤسسي. 🔍 ومع توسع الأنظمة الذكية، سيفصل ترميز المتجهات النظيف الدقة البنيوية عن ضجيج السوق.

💬 هل ستُسرّع نماذج تضمين السياق مفتوحة المصدر تكامل بروتوكولات الذكاء الاصطناعي في الوقت الفعلي عبر الشبكات اللامركزية؟ 👇

⚠️ ليس نصيحة مالية. دائمًا أدرِك مخاطرك. 🛡️

🏷️ #AI #RAG #MachineLearning #Crypto #Tech

🎯 🔍

20B معلمات البحث الذكي Harness-1 مفتوح المصدر: تنفيذ الحالة الخارجية بكفاءة بيانات عالية

قام باحثون من UIUC و UC Berkeley و Chroma بفتح مصدر 200 مليار معلمة للبحث الذكي Harness-1. يعتمد النموذج على هيكل مبتكر للحالة الخارجية، حيث يتم تسليم مهام الذاكرة والتنظيم خلال عملية البحث إلى بيئة الصيانة، مما يسمح للنماذج غير المتطورة أن تحقق أداءً قريبًا من النماذج المتطورة باستخدام بيانات تدريب قليلة جدًا في مهام البحث الطويلة. هذا يعني أن المطورين ليسوا بحاجة إلى قوة حسابية ضخمة لتنفيذ أنظمة تحسين البحث والتوليد (RAG) بكفاءة.

لماذا هو مهم: يثبت Harness-1 أن الابتكار في هيكل النموذج يمكن أن يعوض الفجوة في عدد المعلمات، مما يمكّن الفرق الصغيرة والمتوسطة من بناء وكيل بحث عالي الأداء، مما يقلل بشكل كبير من عتبة القوة الحسابية لتطوير تطبيقات الذكاء الاصطناعي.

#AI #开源 #检索智能体 #RAG #الذكاء_الاصطناعي