rag

🚨 ПЕРПЛЕКСИТИ РОЗБИВАЄ AI-БЕНЧМАРКИ ДЛЯ ПОШУКУ ВІДПОВІДЕЙ І ПІДКОРМЛЮЄ БИКІВСЬКИЙ НАРАТИВ ДЛЯ $TAO ! 💥

💡 Open-source AI щойно прокачався: Perplexity випустила свою контекстно-вбудовувальну модель, знищивши застарілі RAG-бенчмарки на 14,4 відсоткових пункти в тестах turbopuffer. 🔍 Кодування фрагментів документів із повною контекстною обізнаністю усуває втрату даних і забезпечує мислення в реальному часі.

📊 «Розумні» гроші відстежують стрибки в інфраструктурі, як-от цей, бо наступне покоління децентралізованого інтелекту сильно залежить від точного відбору контексту. ⚡ Коли контекстна обізнаність стає стандартом, провідні децентралізовані AI-протоколи готові захопити величезну ліквідність.

💬 Чи запалять open-source моделі контексту наступний параболічний ривок для токенів AI-сектора? 👇

⚠️ Не є фінансовою порадою. Завжди керуйте своїми ризиками. 🛡️

🏷️ #TAO #AI #Crypto #Tech #RAG

🔥 ⚡

💡 PERPLEXITY ПОРУШУЄ ДОСТУП ДО RAG: ЯК $AI ІНФРАСТРУКТУРНА РЕВОЛЮЦІЯ ЗМІНЮЄ ПОШУК КОНТЕКСТУ! ⚡

Perplexity щойно відкрила вихідний код pplx-embed-v2-context-9b-preview під ліцензією MIT, представивши кодування контексту на рівні всього документа для систем RAG. 📊 Завдяки тому, що архітектура безпосередньо «прив’язує» контекст усього документа до векторів окремих фрагментів, вона вирішує проблему неоднозначності ізольованих даних, а водночас забезпечує отримання доказів для верифікації відповіді.

У сліпих бенчмарках на 38,894 довгих документах модель набрала 45.5% Answer@10 — випередивши Voyage Context 4 на 14.4% — доводячи, що збереження структурного контексту підвищує точність даних на рівні інституцій. 🔍 Коли розумні системи масштабуються, чисте векторне кодування відокремить структурну точність від ринкового шуму.

💬 Чи прискорять моделі контекстного вбудовування з відкритим кодом інтеграцію AI-протоколів у реальному часі через децентралізовані мережі? 👇

⚠️ Не є фінансовою порадою. Завжди керуйте своїми ризиками. 🛡️

🏷️ #AI #RAG #MachineLearning #Crypto #Tech

🎯 🔍

20B параметрів інтелект-агент для пошуку Harness-1 з відкритим кодом: винос стану для надвисокої ефективності даних

Дослідники з UIUC, UC Berkeley та Chroma відкрили 20-мільярдний параметрів інтелект-агент для пошуку Harness-1. Модель використовує інноваційну архітектуру із винесенням стану: пам’ять і задачі впорядкування під час процесу пошуку підтримуються на стороні середовища. Завдяки цьому навіть моделі не найпередовшого масштабу можуть демонструвати близькі до рівня передових моделей результати в задачах довготривалого пошуку, використовуючи дуже мало тренувальних даних. Це означає, що розробникам не потрібні гігантські обчислювальні потужності, щоб створити ефективну систему генерації з підсиленням пошуку (RAG).

Чому це важливо: Harness-1 доводить, що інновації в архітектурі моделі можуть компенсувати різницю в кількості параметрів, тож навіть невеликі команди здатні створювати високопродуктивні пошукові інтелект-агенти та суттєво знижувати поріг обчислювальних ресурсів для розробки AI-застосунків.

#AI #开源 #检索智能体 #RAG #штучний інтелект