500行代码构建对话搜索引擎，贾扬清被内涵的Lepton Search真开源了

来了，贾扬清承诺的 Lepton Search 开源代码来了。前天，贾扬清在 Twitter 上公布了 Lepton Search 的开源项目链接，并表示任何人、任何公司都可以自由使用开源代码。也就是说，你也可以用不到 500 行 Python 代码构建自己的对话搜索引擎了。今天，Lepton Search 又登上了 GitHub trending 榜单。此外已经有人将这个开源项目用来构建自己的 Web 应用程序了，并表示质量非常高，与 AI 驱动的搜索引擎 Perplexity 不相上下。

基于量子辅助深度学习的逆向分子设计

康奈尔大学Fengqi You教授团队，通过结合量子计算（QC）与生成式AI的优势，提出了一个新颖的逆向分子设计框架。该框架利用QC辅助的深度学习模型来学习和模拟化学空间，从而预测并生成具有特定化学性质的分子结构。生成式AI在此过程中起着核心作用，它能够从大量的分子数据中学习潜在的结构-性质关系，并生成新的分子候选物，这些分子不仅符合预设的性质，还考虑到合成的可行性。量子计算的加入则为这一过程提供了高效的计算能力和优化算法，克服了传统计算机在处理大规模化学系统时的性能瓶颈。通过这种量子-经典混合计算框架，研究人员能够在复杂的化学空间中进行高效、有效的分子设计，为新分子的发现和材料科学的进步开辟了新途径。

百川智能上新超千亿大模型Baichuan 3，冲榜成绩：若干中文任务超车GPT-4

走月更路线的百川智能，在年前猛地加速，变成了半月更：发布了超千亿参数的最新版本大模型Baichuan 3，是百川智能基础模型第三代——就在20天前，这家由王小川创办的大模型公司，刚刚发布过角色大模型Baichuan-NPC。更具标志性的是，百川智能这次模型更新，重点展示了模型在医疗场景的能力。

Meta官方的Prompt工程指南：Llama 2这样用更高效

随着大型语言模型（LLM）技术日渐成熟，提示工程（Prompt Engineering）变得越来越重要。一些研究机构发布了 LLM 提示工程指南，包括微软、OpenAI 等等。最近，Llama 系列开源模型的提出者 Meta 也针对 Llama 2 发布了一份交互式提示工程指南，涵盖了 Llama 2 的快速工程和最佳实践。

AI也造代码屎山！研究发现GitHub Copilot代码可维护性差，偏爱“无脑重写”而非重构复用已有代码

AI帮忙写代码程序员用了都说好，但代码质量真的靠谱吗？结果或许令你大跌眼镜。一家名为GitClear的公司分析了近四年超过1.5亿行代码后发现，随着GitHub Copilot工具的加入，代码流失率（即代码写入后不久又被返工修改、删除的情况）出现了显著上升：2023年为7.1%，而2020年时仅为3.3%，翻了一番。

OpenAI 董事会主席 Bret Taylor 的 AI 公司估值 10 亿美元！红杉美国领投，专注企业解决方案

Bret Taylor，前 Salesforce 联合 CEO，他曾创立了一家开发了基于云的文字处理器和电子表格应用 Quip 的软件公司，2016 年以约 7.5亿 美元的价格出售给了 Salesforce。去年，Taylor 加入了 OpenAI 董事会，担任董事长，并在与 ChatGPT 制造商前董事会的一项协议中，帮助重新任命了被罢免的 CEO Sam Altman。外媒预计 Taylor 的角色是临时性的，以便他能够回到自己的公司。这家公司名为 Sierra 的 AI 初创公司，由 Bret Taylor 和前谷歌高管，曾领导谷歌 AR/VR 工作的 Clay Bavor 共同创立，正进行一轮新的融资活动。

从零手搓MoE大模型，大神级教程来了

https://huggingface.co/blog/AviSoori1x/makemoe-from-scratch

传说中GPT-4的“致胜法宝”——MoE（混合专家）架构，自己也能手搓了！Hugging Face上有一位机器学习大神，分享了如何从头开始建立一套完整的MoE系统。这个项目被作者叫做MakeMoE，详细讲述了从注意力构建到形成完整MoE模型的过程。作者介绍，MakeMoE是受到OpenAI创始成员Andrej Karpathy的makemore启发并以之为基础编写的。makemore是一个针对自然语言处理和机器学习的教学项目，意在帮助学习者理解并实现一些基本模型。同样，MakeMoE也是在一步步的搭建过程中，帮助学习者更深刻地理解混合专家模型。

elvis：多模态大型语言模型的进展

elvis：最近几周，我们看到了多模态大型语言模型（MM-LLMs）研究论文的激增。

在这些出版物中，有一项很好的综合调查，总结了26种现有的MM-LLMs。

它还包括增强这些模型的训练配方、洞察力和一些有前途的研究方向。

能够轻松调整和增强这些系统真是不可思议。这也要感谢最近围绕MM-LLMs的开源工作，包括数据集、基准测试和模型。

Jeremy Howard 分享《CUDA-MODE 讲座3：CUDA入门》：面向所有Python背景的人的CUDA入门

CUDA-MODE 讲座3：CUDA入门

视频：https://youtu.be/6E7K4SGlXas?si=x1pCOaGdRZrvDMqw

笔记本：https://github.com/cuda-mode/lecture2/blob/main/lecture3/pmpp.ipynb

🏎️面向所有Python背景的人的CUDA入门！

@jeremyphoward 首先在Python中构建内核（使用blockIdx和threadIdx） -> 然后将它们转换为CUDA C。

如何从头开始构建大型语言模型

在如何从头开始构建大型语言模型的书中，读者将了解如何从内到外 构建 LLMs 的工作。作者将指导用户逐步创建自己的LLM阶段，用清晰的文本、图表和示例解释每个阶段。GitHub 中作者公开啦相关代码，同时也可以进行学习，感兴趣细节的朋友们可以读一读。

The Future of Prosumer: The Rise of “AI Native” Workflows

文章概述了基于人工智能原生工作流的未来展望。在这一领域，人工智能为创始人提供了完全重塑工作流程的机会，预示着全新一代完全基于人工智能的公司的诞生。这些公司将以现有技术为起点，围绕人工智能独特的生成、编辑和组合能力构建新产品。文章强调，人工智能原生平台将提升用户与软件的交互方式，使用户能够将低技能任务委托给人工智能助手，专注于更高层次的思考。同时，人工智能还将帮助用户解锁全新的技术和审美技能，缩小创造力与技艺之间的差距，让每个人都能成为新一代的“专业用户”。

2023年大语言模型融合技术调研与实践指南

本文探讨了大语言模型融合技术，介绍了五种融合算法：任务向量模型编辑（EMTA）、球面线性插值（SLERP）、修整选举合并（TIES）、剪枝缩放（DARE）和直通（Passthrough）。这些技术允许在不重新训练或使用GPU的情况下，通过合并不同模型的参数来增强模型能力。文章通过mergekit工具包展示了如何实现这些算法，并提供了配置示例。特别提到了使用SLERP方法创建的Marcoro14-7B-slerp模型，在Open LLM排行榜上表现优异。这些方法为未来语言模型的能力模块化组装提供了新途径。

PAI-ChatLearn ：灵活易用、大规模 RLHF 高效训练框架（阿里云最新实践）

PAI-ChatLearn 是阿里云PAI团队开发的大规模RLHF（基于人类反馈的强化学习）训练框架，专为大模型设计，支持SFT（有监督指令微调）、RM（奖励模型）和RLHF全流程训练。该框架采用灵活的并行策略，包括数据并行、模型并行和任务并行，以适应不同规模的模型训练需求。PAI-ChatLearn 提供了高效的参数同步机制和环境隔离，支持不同后端的推理和训练，简化了模型封装和开发流程。在实际应用中，PAI-ChatLearn 已成功支持175B+175B规模的模型训练，并在性能上优于业界框架，有助于用户专注于模型效果的优化。