Sarrera

Grok3 aurrez prestatutako ereduen "amaiera" izango dela uste duzu?

Elon Musk eta Xai taldeak ofizialki abian jarri zuen Grok3, Grok3-ren azken bertsioa, abere baten garaian. Ekitaldi honen aurretik, erlazionatutako informazio kopuru garrantzitsua, Musk-en 24/7 promozioko hype-rekin batera, Grok3-k aurrekaririk gabeko mailetara igo zituen. Duela astebete, Musk-ek konfiantzaz agertu zen abere-erritmoan R1, "Xai AI eredu hobea abiarazteko zorian dago". Aurkeztutako datuetatik, GroK3-k matematika, zientzia eta programazioaren erreferentzietan egin du. Musk-ak, Musk-ek, GroK3 Spacex-en Marteren misioekin lotutako zeregin konputatiboetarako erabiliko dela aldarrikatuz. " Hala ere, gaur egun Musk-en baieztapenak dira. Abian jarri ondoren, Grok3-ren azken beta bertsioa probatu nuen eta eredu handien trikimailu galdera klasikoa planteatu nuen: "Zein handiagoa da, 9,11 edo 9,9?" Zoritxarrez, inolako sailkapenik edo markarik gabe, deituriko Grok3 deiturikoak oraindik ezin zuen galdera hau behar bezala erantzun. Grok3-k huts egin du galderaren esanahia zehaztasunez identifikatzeko.

Proba honek lagun askok arreta handia erakarri zuen, eta kasualitatez, atzerriko antzeko hainbat proba Grok3 erakutsi dute oinarrizko fisika / matematikako galderekin "Zein baloi erortzen da Pisako dorrearen lehendabizi lehena?" Horrela, umoretsu izan da "Galdera errazak erantzuteko nahi ez duen jenio gisa".

Grok3 ona da, baina ez da R1 edo O1-Pro baino hobea.

Grok3 praktikan ezagutza ohiko proba askotan "porrotak" izan ziren. Xai abian jartzeko ekitaldian, Musk-ek GroK3 erabiliz frogatu zuen Assian jokatzea aldarrikatu zuen 2 erbesteratze-jokoaren pertsonaia klaseak eta efektuak aztertzeko, baina Grok3-k emandako erantzun gehienak okerrak izan ziren. Livestream-en zehar Musk-ek ez zuen nabaritu ageriko arazo hau.

Akats honek atzerriko sareko saretuentzako froga gehiago ematen ditu jokoan "ordezko bat aurkitzeko" muskatzeko, baina, gainera, GroK3-ren fidagarritasunari buruzko kezka garrantzitsuak planteatu zituen aplikazio praktikoetan. Halako "jenio" baten kasuan, bere gaitasunak edozein dela ere, bere fidagarritasuna aplikazio eszenatoki oso konplexuetan, hala nola, Marten esplorazio zereginak, zalantzarik gabe.

Gaur egun, duela ordu batzuk Grok3-ra sarbidea jaso zuten probatzaile askok, eta gaur egun, ereduak probatu zituztenak, guztiak ondorio arrunt bat adierazten dute: "Grok3 ona da, baina ez da R1 edo O1-Pro baino hobea."

Ikuspegi kritikoa "Nvidia eten"

Ofizialki aurkeztutako Ppt-en, GroK3-k "urrun" zegoela erakutsi zuen, baina teknika grafikoek erabili zuten. Liderboard-eko ardatz bertikalak 1400-1300 puntuazio-tartean agertzen dira.

Eredu puntuazioen emaitzetan, GroK3% 1-2 baino ez da Deepseeek R1 eta GPT-4.0 aurretik, erabiltzaileen esperientzia praktikoetan "ez da alderik nabarmenik" aurkitu duten proba praktikoetan. Grok3-k bere oinordekoak% 1 baino ez ditu gainditzen.

Grok3-k gaur egun probatutako eredu guztiak baino handiagoa izan badu ere, askok ez dute serio hartzen: azken finean, Xai-k lehenago kritikatu izan du "puntuazio manipulazioa" Grok2 garaian "Puntuazio manipulazioa" kritikatzea. Liderboardak iraupen estiloa zigortu duen moduan, puntuazioak asko murriztu ziren, industriako barneko industriak "puntuazio altu baina baxua" ren fenomenoa kritikatzeko.

Leaderboard "manipulazioa" edo ilustrazioetan trikimailuak diseinatu ala ez, Xai eta Musk-en obsesioa erakusten dute ereduaren gaitasunetan "paketea" nozioarekin. Muskuluak prezio aldapatsua ordaindu zuen marjina horiengatik: abian jartzean, 200.000 H100 GPU (100.000tik gora "erreklamatuz" erreklamazioa egin zuen) eta 200 milioi orduko prestakuntza denbora lortuz. Horrek galdetu zuen batzuek GPU industriarako beste boon garrantzitsu bat irudikatzen duela eta Seckeesek "ergela" dela uste du Deepseesek "ergela" dela. Nabarmentzekoa da batzuek uste dute botere konputazionala ereduaren prestakuntzaren etorkizuna izango dela.

Hala ere, sare batzuek 2000 H800 GPUko kontsumoa alderatu zuten bi hilabetez 2 hilabetez, Deepseeek V3 ekoizteko, Grok3-ren benetako prestakuntza-energia kontsumoa V3-ren 263 aldiz dela kalkulatuz. Deepseeek V3-ren arteko hutsunea, 1402 puntu lortu zituen eta GroK3 100 puntu baino gutxiago da. Datu hauek kaleratu ondoren, askok konturatu ziren GroK3-ren izenburuaren atzean "munduko indartsuena" erabilgarritasun marjinalaren efektua dela eta, errendimendu sendoagoak sortzen dituzten eredu handiagoen logika itzulkinak murrizten hasi da.

"Puntuazio altua baina gaitasun txikia" izan arren, "Grok2-k kalitate handiko lehen festetako datu ugari izan zituen X (Twitter) plataformatik erabiltzeko. Hala ere, Grok3-ren prestakuntzan, Xai-k modu naturalean aurkitu zuen OpenAI-k gaur egun irekitako "sabaia", prestakuntza primarioak ez izateak ereduaren gaitasunen erabilgarritasun marjinala azaltzen du.

Grok3 eta Musk of the Garatzaileek gertakari horiek sakonki ulertzen eta identifikatzen dituzte. Horregatik, Musk-ek bertsio sozialetan aipatu du etengabe erabiltzaileek "oraindik beta" da eta "bertsio osoa datozen hilabeteetan kaleratuko da". Musk-ek Grok3-ren produktuen kudeatzailearen eginkizuna hartu du, erabiltzaileek iruzkinen atalean topatutako hainbat gairi buruzko iritzia ematea proposatuz. Lurreko produktu kudeatzaile ezagunena izan liteke.

Hala ere, egun batean, Grok3-ren errendimenduak, zalantzarik gabe, alarmak altxatu zituen, "Muskulu konputazionala" handitzen dutenak. Microsoft-eko informazio publikoetan oinarrituta oinarrituta. Microsoft-eko informazio publikoan oinarrituta, OpenAi-ren GPT-4k 1,8 bilioi parametroen arteko parametroaren tamaina du, hamar aldiz GPT-3 baino hamar aldiz gehiago. Zurrumurruek iradokitzen dute GPT-4.5-ren parametroaren tamaina are handiagoa izan daitekeela.

Eredu parametroaren tamaina igo ahala, prestakuntza kostuak ere gainezka daude. Grok3-ren presentziarekin, GPT-4.5-ek eta "dirua erretzen" duten beste batzuek, ereduaren errendimendua hobetu nahi duten beste batzuek, parametroen tamainaren bidez, argi eta garbi ikusiko dute eta hori gainditzen duten kontutan hartu behar da. Momentu honetan, OpenAIko zientzialari nagusi ohiak, joan den abenduan adierazi zuten, "Ezagutzen dugun aurrez entrenamendua amaierara iritsiko da", eztabaidetan berrezarri duena, eredu handiak prestatzeko benetako bidea aurkitzeko ahaleginak bultzatuz.

Ilyaren ikuspegiak industrian alarma jo du. Datu berri irisgarrien nekeak zehaztasunez gainditzen zituen, errendimendua ezin da datuen eskuratzearen bidez hobetzen jarraitu, erregai fosilen nekeak antzematen dituena. Adierazi zuen "olioa, gizakiak sortutako edukia Interneten baliabide mugatua dela". Sutskever-en iragarpenetan, aurreko ereduak, aurrez prestakuntza osteko prestakuntza, "benetako autonomia" edukiko du "gizakiaren garunaren antzekoak" "arrazoitzeko gaitasunak".

Gaur egungo aurrez prestatutako ereduek ez bezala, batez ere, edukien parekatuta oinarritutako (aurrez ikasitako ereduaren edukia oinarritzat hartuta), etorkizuneko AI sistemek gizakiaren garunaren "pentsamendua" modu batean arazoak konpontzeko metodologiak ezartzen dituzte. Gizaki batek oinarrizko gaitasuna lor dezake oinarrizko literatura profesionala izanik, eta eredu handi batek milioika datu puntu behar ditu, sarrera-maila eraginkorrenak soilik lortzeko. Idazpena zertxobait aldatzen denean ere, ezin da behar bezala ulertu, ereduak ez du adimenean benetako hobetu. Artikuluaren hasieran aipatutako oinarrizko galderek fenomeno honen adibide garbia adierazten dute.

Bukaera

Hala ere, indar gordinaz haratago, Grok3-k "aurrez prestatutako ereduek beren amaierara hurbiltzen ari diren industriari agerian uzten badiote", landa egiteko ondorio garrantzitsuak izango lituzke.

Agian, Grok3-ren inguruko zorabiatu ondoren, "Fei-Fei Li-k" errendimendu handiko ereduak datu multzo jakin batean sintonizatzeko adibidea bezalako kasu gehiago izango ditugu, "azken finean AGIrako benetako bidea ezagutzeko.