歐盟人工智能法案：四種AI系統風險類型的劃分及監管措施
作者：趙志東 蔡佳雯來源：區塊鏈日報該法案采用風險分級的規制路徑，將人工智能系統的風險劃分成不可接受的風險、高風險、有限風險和輕微風險四種類型，并針對不同類型施加了不同
3 月 27 日消息，科技媒體 NeoWin 昨日（3 月 26 日）發布博文，報道稱數據智能公司 Databricks 發布新型大語言模型微調方法 TAO（Test-time Adaptive Optimization），通過無標注數據和強化學習技術，在顯著降低企業成本的同時提升模型性能。
測試顯示，在金融文檔問答和 SQL 生成任務中，通過 TAO 微調后的 Llama 3.3 70B 模型，表現甚至超越傳統標注微調方法，逼近 OpenAI 頂級閉源模型。
TAO 方法利用測試時計算（test-time compute）自動探索任務可能性，結合強化學習優化模型，省去人工標注成本。在三大企業基準測試中，TAO 微調的 Llama 模型表現亮眼：
FinanceBench（7200 道 SEC 文檔問答）：TAO 模型得分 85.1，優于標注微調（81.1）和 OpenAI o3-mini（82.2）。
BIRD-SQL：TAO 模型 56.1 分，接近 GPT-4o（58.1），遠超標注微調（54.9）。
DB Enterprise Arena：TAO 模型 47.2 分，而 GPT-4o 模型得分為 53.8 分。
TAO 技術為開源模型提供了持續進化路徑：用戶使用越多，模型通過反饋數據自我優化的潛力越大，目前該技術已在 Llama 模型上啟動私測，企業可通過申請表單參與。
本文鏈接：http://www.rrqrq.com/showinfo-45-11783-0.html開源逆襲：TAO 方法微調 Llama 模型，FinanceBench 跑分超 GPT-4o
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：[email protected]
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：[email protected] 津ICP備18001702號
津公網安備 12010102000574號