Bilanz der Quelle: Forscher von MIT, Stanford und der ETH Zürich haben in Nature AI gezeigt, dass drei neue Trainingstechniken in Kombination den Energiebedarf beim Training großer Sprachmodelle um bis zu 60 Prozent senken, ohne messbaren Qualitätsverlust, validiert an einem Modell auf GPT-4-Skala und unabhängig durch HuggingFace reproduziert. Die Techniken sind quelloffen und bereits in die HuggingFace-Trainingsbibliothek integriert; die Einsparung könnte Kosten für Grenzmodell-Trainings von rund 50 Millionen auf etwa 20 Millionen Dollar senken.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von aiinsighthub.co.in. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von aiinsighthub.co.in. Es erfolgte keine manuelle redaktionelle Bearbeitung.
