Ich habe diese Woche etwa 40 Minuten damit verbracht, verschiedene Workflows auf OpenGradient zu testen, und das, was herausstach, war nicht die Modellqualität. Es war die Relevanz.
Nicht im üblichen Benchmark-Sinn. Im Sinne von "passt das tatsächlich zu dem, was ich gerade versuche zu tun?".
Ich habe 12 separate Prompts über einige Aufgaben durchgeführt, die ich fast jeden Tag wiederhole. Inhaltsanalyse, Kurzformschrift, Datenextraktion. Der interessante Teil war nicht, dass jede Ausgabe großartig war. Einige waren es nicht. Ein paar Antworten benötigten Korrekturen. Das ist normal.
Was meine Aufmerksamkeit erregte, war, wie oft die Plattform scheinbar unnötige Schritte reduzierte. Von diesen 12 Aufgaben erreichten 8 nach einer einzigen Interaktion einen nutzbaren Zustand. Bei einigen größeren KI-Plattformen erwarte ich normalerweise 3–5 Runden von Prompt-Anpassungen, bevor ich etwas bekomme, mit dem ich tatsächlich arbeiten kann.
Das klingt nach einem kleinen Unterschied, bis man das wiederholt macht.
Die Spannung besteht darin, dass Relevanz schwerer zu bemerken ist als rohe Fähigkeit. Die Leute sehen sofort größere Modelle, größere Kontextfenster und Benchmark-Ergebnisse. Sie bemerken nicht immer, wenn ein Workflow leise 20–30% weniger nervig wird.
OpenGradient hat immer noch raue Kanten. Ich bin auf ein paar Momente gestoßen, in denen die Ausgaben zwischen ähnlichen Anfragen inkonsistent schienen. Diese Inkonsistenz ist wahrscheinlich das größte Hindernis für das Erlebnis im Moment.
Aber nachdem ich es wiederholt verwendet habe, denke ich, dass die interessantere Frage nicht ist, ob KI-Systeme leistungsfähiger werden können.
Es ist, ob sie relevanter für die spezifische Aufgabe direkt vor dir werden können.
Das ist der Teil, den ich hier immer wieder bemerke, und ich versuche immer noch herauszufinden, wie viel davon absichtlich ist versus ein Artefakt des aktuellen Designs...
@OpenGradient $OPG #OPG
Nicht im üblichen Benchmark-Sinn. Im Sinne von "passt das tatsächlich zu dem, was ich gerade versuche zu tun?".
Ich habe 12 separate Prompts über einige Aufgaben durchgeführt, die ich fast jeden Tag wiederhole. Inhaltsanalyse, Kurzformschrift, Datenextraktion. Der interessante Teil war nicht, dass jede Ausgabe großartig war. Einige waren es nicht. Ein paar Antworten benötigten Korrekturen. Das ist normal.
Was meine Aufmerksamkeit erregte, war, wie oft die Plattform scheinbar unnötige Schritte reduzierte. Von diesen 12 Aufgaben erreichten 8 nach einer einzigen Interaktion einen nutzbaren Zustand. Bei einigen größeren KI-Plattformen erwarte ich normalerweise 3–5 Runden von Prompt-Anpassungen, bevor ich etwas bekomme, mit dem ich tatsächlich arbeiten kann.
Das klingt nach einem kleinen Unterschied, bis man das wiederholt macht.
Die Spannung besteht darin, dass Relevanz schwerer zu bemerken ist als rohe Fähigkeit. Die Leute sehen sofort größere Modelle, größere Kontextfenster und Benchmark-Ergebnisse. Sie bemerken nicht immer, wenn ein Workflow leise 20–30% weniger nervig wird.
OpenGradient hat immer noch raue Kanten. Ich bin auf ein paar Momente gestoßen, in denen die Ausgaben zwischen ähnlichen Anfragen inkonsistent schienen. Diese Inkonsistenz ist wahrscheinlich das größte Hindernis für das Erlebnis im Moment.
Aber nachdem ich es wiederholt verwendet habe, denke ich, dass die interessantere Frage nicht ist, ob KI-Systeme leistungsfähiger werden können.
Es ist, ob sie relevanter für die spezifische Aufgabe direkt vor dir werden können.
Das ist der Teil, den ich hier immer wieder bemerke, und ich versuche immer noch herauszufinden, wie viel davon absichtlich ist versus ein Artefakt des aktuellen Designs...
@OpenGradient $OPG #OPG