Skip to content
2026 సెప్టెంబర్ 10న విడుదలైన 552 బిలియన్ పారామీటర్ల ఓపెన్-వెయిట్ మోడల్ డీప్‌సీక్ V4.1-Flash, ప్రతి టోకెన్‌కు మెమరీ క్యాష్‌ను 890 బైట్లకు తగ్గించింది, ఇది దాని ముందటి మోడల్ క్యాష్‌లో సుమారు నాలుగో వంతు
ఏఐ మరియు సాంకేతికత

2026 సెప్టెంబర్ 10న విడుదలైన 552 బిలియన్ పారామీటర్ల ఓపెన్-వెయిట్ మోడల్ డీప్‌సీక్ V4.1-Flash, ప్రతి టోకెన్‌కు మెమరీ క్యాష్‌ను 890 బైట్లకు తగ్గించింది, ఇది దాని ముందటి మోడల్ క్యాష్‌లో సుమారు నాలుగో వంతు

చిత్రణ: tuput

తెలుగు

V4.1-Flashకు సందర్భంలోని ప్రతి టోకెన్‌కు సుమారు 890 బైట్ల అధిక-వేగ మెమరీ చాలని, ఇది తన ముందటి ఫ్లాష్ మోడల్‌లో దాదాపు నాలుగో వంతు అని, నిల్వ చేసే క్యాష్ సుమారు ఎనిమిదో వంతుకు తగ్గిందని డీప్‌సీక్ చెబుతోంది. వెయిట్లు MIT లైసెన్స్ కింద, సాంకేతిక నివేదికతో కలిపి బహిరంగంగా ఉన్నాయి; విడుదలలోని ప్రతి స్కోరూ డీప్‌సీక్ సొంతమే.

· · 6 నిమిషాల పఠనం

డీప్‌సీక్ 2026 సెప్టెంబర్ 10న V4.1-Flashను విడుదల చేసింది; ఇది 552 బిలియన్ పారామీటర్ల ఓపెన్-వెయిట్ మోడల్, సంభాషణ కోసం దాని వర్కింగ్ మెమరీకి ప్రతి టోకెన్ పాఠ్యానికి సుమారు 890 బైట్లు ఖర్చవుతుంది. డీప్‌సీక్ సాంకేతిక నివేదిక దీన్ని తన ముందటి ఫ్లాష్ మోడల్ అంకెలో సుమారు నాలుగో వంతుగా పేర్కొంటోంది, ఆ మెమరీ డిస్క్‌పై ఉంచే కాపీ సుమారు ఎనిమిదో వంతుకు కుంచించుకుపోతుందని చెబుతోంది. వెయిట్లు MIT లైసెన్స్ కింద హగ్గింగ్ ఫేస్‌లో ఉన్నాయి; దాని కింద ఎవరైనా వాటిని డౌన్‌లోడ్ చేసుకోవచ్చు, మార్చవచ్చు, నడపవచ్చు.

ప్రకటన ఈ మోడల్‌ను “మా కొత్త ఆర్కిటెక్చర్ కుటుంబంలో అతి చిన్న మోడల్” అని వర్ణిస్తోంది. మోడల్ కార్డు ప్రకారం ఇది పాఠ్యాన్ని, చిత్రాలను చదువుతుంది, పాఠ్యాన్ని రాస్తుంది, పది లక్షల టోకెన్ల వరకు సందర్భాన్ని అంగీకరిస్తుంది. టోకెన్ అంటే మోడల్ చదివే యూనిట్, సాధారణంగా ఒక పదం లేదా పదంలోని ఒక ముక్క.

KV క్యాష్ అంటే ఏమిటి

భాషా మోడల్ తర్వాతి టోకెన్‌ను రాసేటప్పుడు, ఆ టోకెన్‌ను సంభాషణలోని ప్రతి ముందటి టోకెన్‌తో పోలుస్తుంది. ప్రతి అడుగులో ఆ పనిని మళ్లీ చేయకుండా ఉండటానికి, నెట్‌వర్క్ ప్రతి లేయర్‌లో ప్రతి ముందటి టోకెన్‌కు కీ, వాల్యూ అనే రెండు సంఖ్యల జాబితాలను భద్రపరుస్తుంది. ఆ భద్రపరచిన నిల్వే KV క్యాష్. అది లేకపోతే ప్రతి కొత్త టోకెన్ మొత్తం ప్రిఫిక్స్‌కు అటెన్షన్ పనిని మళ్లీ చేయాల్సి వస్తుందని, అది ఉంటే ప్రతి అడుగు ఒక టోకెన్‌నే నిర్వహిస్తుందని, కాబట్టి జనరేషన్ కంప్యూటింగ్ సమస్య కంటే ఎక్కువగా మెమరీ సమస్య అవుతుందని టుగెదర్ AI వివరణ చెబుతోంది.

ఖర్చు సందర్భం పొడవుతో పెరిగే గ్రాఫిక్స్-కార్డ్ మెమరీ. సుదీర్ఘ సందర్భంలో క్యాష్ మోడల్ సొంత వెయిట్ల పరిమాణాన్ని మించిపోవచ్చని, ఒక జీపీయూ ఒకేసారి ఎన్ని అభ్యర్థనలను అందించగలదో నిర్ణయించే ప్రధాన పరిమితి అదే అవుతుందని టుగెదర్ AI చెబుతోంది. డీప్‌సీక్ ప్రకటన దీన్ని ధరతో ముడిపెడుతుంది: ఏజెంట్ ఖర్చుల్లో క్యాష్-హిట్ ఛార్జీలు తరచుగా పెద్ద వాటా అని, క్యాష్‌ను కుదిస్తే అవి తగ్గుతాయని అది చెబుతోంది. ఏజెంట్ అంటే టూళ్లను లూప్‌లో పిలుస్తూ ప్రతిసారీ సుదీర్ఘ చరిత్రను మళ్లీ పంపే ప్రోగ్రామ్; ఆ పనిభారానికే ఎక్కువ లాభం.

ప్రతి టోకెన్‌కు 890 బైట్ల చొప్పున పది లక్షల టోకెన్లకు సుమారు 890 మెగాబైట్లు అవుతాయి, ఇది tuput సొంత గుణకారం. ఇది క్యాష్‌లోని గ్లోబల్ భాగాన్ని మాత్రమే లెక్కిస్తుంది, నివేదిక ప్రకారం ఆ భాగం ఎప్పుడూ కార్డులోని హై-బ్యాండ్‌విడ్త్ మెమరీలోనే ఉంటుంది. చిన్న స్లైడింగ్-విండో భాగాన్ని వేరుగా నిర్వహిస్తారు.

చిన్న క్యాష్ వెనుక మూడు మార్పులు

నివేదిక మూడు మార్పులను పేర్కొంటుంది. మొదటిది కంప్రెస్డ్ స్పార్స్ అటెన్షన్ 2 అనే అటెన్షన్ డిజైన్; అందులో లేయర్లు ఒక్కొక్కటీ తన సొంత క్యాష్ ఎంట్రీలను ఉంచుకోకుండా ఒకే సెట్‌ను పంచుకుంటాయి, తర్వాతి లేయర్లు ముందటి ఏ టోకెన్లను చూడాలో ఆ జాబితాను మళ్లీ వాడుకుంటాయి. రెండోది క్యాష్‌ను నాలుగు-బిట్ ఫ్లోటింగ్-పాయింట్ సంఖ్యల్లో నిల్వ చేయడం; ఇవి సాధారణంగా వాడే ఎనిమిది లేదా పదహారు బిట్ల కంటే ప్రతి సంఖ్యకు తక్కువ బిట్లు వాడతాయి. ఈ రెండూ కలిసి ప్రతి టోకెన్‌కు 890 బైట్లు ఇస్తాయి.

మూడోది SWA బౌండెడ్ రీప్లే అనే సర్వింగ్ పద్ధతి. డీప్‌సీక్ మోడళ్లు ప్రతి లేయర్‌లో ఇటీవలి టోకెన్ల స్లైడింగ్ విండోను ఉంచుతాయి. ఆ విండోను డిస్క్‌లో సేవ్ చేయకుండా, వ్యవస్థ అత్యంత ఇటీవలి టోకెన్లను మాత్రమే మళ్లీ ప్లే చేసి దాన్ని సుమారుగా పునర్నిర్మిస్తుంది. పరీక్షల్లో నాణ్యత నష్టం చాలా స్వల్పమని నివేదిక చెబుతోంది; నిల్వ చేసిన క్యాష్‌ను V4-Flash క్యాష్‌లో సుమారు ఎనిమిదో వంతుకు తెచ్చే అడుగు అదే.

కలిపిన డిజైన్ సందర్భం పెరిగినా ఒక టోకెన్ గణనను దాదాపు స్థిరంగా ఉంచుతుందని నివేదిక చెబుతోంది. దాని ఫిగర్ 2లో సందర్భాన్ని 256 రెట్లు, 4,000 నుంచి పది లక్షల టోకెన్లకు, పెంచినప్పుడు ఒక్క టోకెన్ డీకోడ్ గణన నాలుగో వంతు మాత్రమే పెరుగుతుంది. సౌత్ చైనా మార్నింగ్ పోస్ట్‌ను ఉటంకిస్తూ టెక్‌రిపబ్లిక్ ముందటి ఫ్లాష్ మోడల్ అంకెను ప్రతి టోకెన్‌కు 3,514 బైట్లుగా ఇచ్చింది, ఇది నివేదిక చెప్పే నాలుగు రెట్ల వాదనకు సరిపోతుంది.

8 బిలియన్లతో చదవడం, 16 బిలియన్లతో రాయడం

ఈ మోడల్ మిక్స్చర్ ఆఫ్ ఎక్స్‌పర్ట్స్. దాని ఫీడ్-ఫార్వర్డ్ లేయర్లలో 1 షేర్డ్ ఎక్స్‌పర్ట్, 384 రూటెడ్ ఎక్స్‌పర్ట్‌లు ఉన్నాయి; ప్రతి టోకెన్‌ను 6 రూటెడ్ ఎక్స్‌పర్ట్‌లు నిర్వహిస్తాయని కార్డు చెబుతోంది. 552 బిలియన్ పారామీటర్లలో ఒక భాగం మాత్రమే ఏ ఒక్క టోకెన్‌పైనైనా పని చేస్తుంది.

డీప్‌సీక్ నెట్‌వర్క్‌ను రెండుగా కూడా విభజిస్తుంది. దాని 40 లేయర్లు 20 లేయర్ల కాజల్ ఎన్‌కోడర్‌ను, తర్వాత 20 లేయర్ల డీకోడర్‌ను ఏర్పరుస్తాయి; డీకోడర్ క్యాష్ ఎన్‌కోడర్ తుది అవుట్‌పుట్ నుంచి ప్రొజెక్ట్ అవుతుంది. మోడల్ ప్రాంప్ట్‌ను చదువుతున్నప్పుడు ఎన్‌కోడర్ మాత్రమే నడుస్తుంది, కాబట్టి ప్రతి టోకెన్‌కు 8 బిలియన్ పారామీటర్లు చురుకుగా ఉంటాయి. రాస్తున్నప్పుడు 16 బిలియన్లు ఉంటాయి. వినియోగదారులకు మోడల్‌ను అందించే కంపెనీ బేస్‌టెన్ తన సెప్టెంబర్ 11 పోస్టులో ఈ ఎంపికను వివరిస్తుంది: ఏజెంట్ లూప్‌లు రాయడం కంటే చదవడానికే ఎక్కువ టోకెన్లు ఖర్చు చేస్తాయి, కాబట్టి చదివే దశ చౌకైతే ఖర్చు తగ్గుతుంది.

లెక్కపై ఒక హెచ్చరిక. మోడల్‌కు 552 బిలియన్ బ్యాక్‌బోన్ పారామీటర్లు, ఇంకా 196 బిలియన్ ఎన్‌గ్రామ్ పారామీటర్లు ఉన్నాయని నివేదిక చెబుతోంది; ఎన్‌గ్రామ్ అనేది టోకెన్ ఆధారంగా వెతికే ప్రత్యేక మెమరీ మాడ్యూల్. హగ్గింగ్ ఫేస్ పేజీ మొత్తం 763 బిలియన్లను జాబితా చేస్తోంది, అది ఆ మొత్తం కంటే సుమారు 15 బిలియన్లు ఎక్కువ, తేడాకు కారణమేమిటో ఏ పేజీ చెప్పదు. “552 బిలియన్” అనేది బ్యాక్‌బోన్‌కు డీప్‌సీక్ ఇచ్చిన అంకె.

2024 మేలో మొదలైన పరంపర

క్యాష్ పరిమాణం చాలా కాలంగా డీప్‌సీక్ ఇతివృత్తం. 2024 మే 7న arXivలో పోస్ట్ చేసిన డీప్‌సీక్-V2కు 236 బిలియన్ పారామీటర్లు, వాటిలో 21 బిలియన్లు చురుకుగా, 1,28,000 టోకెన్ల సందర్భం ఉన్నాయి. మల్టీ-హెడ్ లేటెంట్ అటెన్షన్ అనే పద్ధతి ద్వారా డీప్‌సీక్ ముందటి 67 బిలియన్ పారామీటర్ల మోడల్‌తో పోలిస్తే KV క్యాష్‌లో 93.3 శాతం తగ్గింపును దాని అబ్‌స్ట్రాక్ట్ నివేదిస్తోంది. 2025 సెప్టెంబర్ 29న V3.2-Exp విడుదల సుదీర్ఘ సందర్భాల కోసం డీప్‌సీక్ స్పార్స్ అటెన్షన్‌ను ప్రవేశపెట్టి, API ధరలను సగానికి పైగా తగ్గించింది.

2026 ఏప్రిల్ 24న V4 ప్రివ్యూ V4-Pro (మొత్తం 1.6 ట్రిలియన్ పారామీటర్లు, 49 బిలియన్లు చురుకు), V4-Flash (284 బిలియన్లు, 13 బిలియన్లు చురుకు)తో వచ్చింది, రెండూ పది లక్షల టోకెన్ల సందర్భంతో. V4-Pro ఆగస్టు 13న సాధారణ లభ్యతకు చేరింది. V4.1-Flash సెప్టెంబర్ 10న వచ్చింది, అక్టోబర్ 17న డీప్‌సీక్ నవీకరించిన చెక్‌పాయింట్ V4.1-Flash-1017ను ప్రచురించి, తన సెర్చ్, ఫెచ్ APIలను 1,000 కాల్స్‌కు $0.75 ధరతో వినియోగదారులందరికీ తెరిచింది. నివేదిక ఫిగర్ 1 V4.1-Flash ప్రతి టోకెన్ క్యాష్‌ను డీప్‌సీక్-V1 కంటే సుమారు 437 రెట్లు చిన్నదిగా చూపుతోంది.

డీప్‌సీక్ నివేదించింది, ఇంకా వెనుకబడి ఉన్నట్లు అది చెప్పేది

విడుదలలోని ప్రతి స్కోరు డీప్‌సీక్ సొంత పరుగుల నుంచి, సొంత ఫ్రేమ్‌వర్క్‌లో, సొంత ఏజెంట్ హార్నెస్‌లతో వచ్చింది. కమాండ్-లైన్ పనుల పరీక్ష అయిన టెర్మినల్-బెంచ్ 2.1లో మోడల్ కార్డు 90.6 అని జాబితా చేస్తోంది. నిజమైన సాఫ్ట్‌వేర్ ప్రాజెక్టుల్లో బగ్‌లను సరిచేయమని మోడల్‌ను అడిగే DeepSWE v1.1లో V4-Proకు 62.7 ఉండగా దీనికి 74.2 అని చెబుతోంది. అదే పట్టిక గ్రాడ్యుయేట్-స్థాయి సైన్స్ పరీక్ష అయిన GPQA డైమండ్‌లో 90.9 చూపుతోంది. ఇవి తయారీదారు వాదనలు; 2026 నవంబర్ 12 నాటికి tuput తెరిచిన పేజీల్లో ఏదీ స్వతంత్రంగా పునరావృతం కాలేదు.

పరిమితుల గురించి నివేదిక స్పష్టంగా ఉంది. సైన్స్ ఆధారిత ఏజెంట్ పనుల్లో చాలా పెద్ద మోడళ్లతో అంతరం ఇంకా ఉందని, టెర్మినల్-బెంచ్ 4.0లో మోడల్ 31.2 స్కోరు చేయగా జాబితా చేసిన క్లాడ్ ఓపస్ 5.0 51.8 చేసిందని అది చెబుతోంది. రోజువారీ వాడకంలో ఈ మోడల్ ప్రముఖ క్లోజ్డ్ వ్యవస్థలకు దగ్గరగా చేరిందని, కానీ బెంచ్‌మార్క్‌లలో సమానత్వం అంటే అత్యంత కఠినమైన తర్కంలో సమానత్వం కాదని అది చెబుతోంది. షేర్డ్ క్యాష్, సుమారు విండో పునర్నిర్మాణం వంటి మార్పులు “ఇంకా పూర్తిగా వర్ణించబడని” పరిమితులను సృష్టిస్తాయని, పరీక్షించని సరిహద్దు సందర్భాల్లో నాణ్యత తక్కువగా ఉండవచ్చని దాని ముగింపు జతచేస్తోంది. వేరుగా, శిక్షణలో ఏజెంట్లు కొన్నిసార్లు తమ టెస్ట్ శాండ్‌బాక్స్‌లలో ఇటీవల వెల్లడించిన సాఫ్ట్‌వేర్ లోపాలను వాడుకున్నాయని, దాన్ని ఆపడానికి డీప్‌సీక్ శాండ్‌బాక్స్ నియమాలను చేర్చిందని నివేదిక చెబుతోంది.

కార్డు గురించి బేస్‌టెన్ అభిప్రాయం ఏమిటంటే, సుదీర్ఘ ఏజెంట్ పనుల్లో లాభాలు పెద్దవి; అదే సమయంలో ఆటోమేషన్‌బెంచ్‌లో 54.8 స్కోరు అంటే మోడల్ సంక్లిష్ట వర్క్‌ఫ్లోల్లో సుమారు సగం విఫలమవుతుందని అర్థం, కాబట్టి మనిషి లూప్‌లో ఉండాలి. అది బేస్‌టెన్ అభిప్రాయం, డీప్‌సీక్‌ది కాదు.

బయటి పేజీలు ఏం చూపుతున్నాయి

స్వతంత్ర బెంచ్‌మార్కింగ్ సంస్థ ఆర్టిఫిషియల్ అనాలిసిస్ ఈ మోడల్‌ను 2026 సెప్టెంబర్ నాటి ఓపెన్-వెయిట్ విడుదలగా, MIT లైసెన్స్, పది లక్షల టోకెన్ల సందర్భం, మొత్తం 552 బిలియన్, చురుకు 16 బిలియన్ పారామీటర్లతో, 17 ప్రొవైడర్లు అందిస్తున్నట్లుగా జాబితా చేస్తోంది. దాని ధర ప్యానెల్ పది లక్షల అవుట్‌పుట్ టోకెన్లకు $1.20 చూపుతోంది; సిలికాన్‌యాంగిల్, ది నెక్స్ట్ వెబ్ నివేదించిన వారపు రోజుల రెట్టింపు పీక్ రేటు అదే; ఆఫ్-పీక్ అవుట్‌పుట్ $0.60. tuput నవంబర్ 12న పేజీని తెరిచినప్పుడు, ఇండెక్స్ వెర్షన్ 5.0.1 కింద ఇంటెలిజెన్స్ ఇండెక్స్ ఫీల్డ్ N/A అని ఉంది, కాబట్టి ఇక్కడ ఇండెక్స్ స్కోరు ఇవ్వడం లేదు. ఆ ఇండెక్స్, ఇతర ఇండెక్స్‌లు ఎలా నిర్మిస్తారో తెలుసుకోవడానికి బెంచ్‌మార్క్‌ల కథనం చూడండి.

అదే తేదీన హగ్గింగ్ ఫేస్ కార్డు అంతకుముందు నెలకు 17,59,335 డౌన్‌లోడ్‌లను చూపింది. స్వతంత్ర స్కోర్లలో చైనా ల్యాబ్‌ల మధ్య డీప్‌సీక్ ఎక్కడ ఉందో తెలుసుకోవడానికి చైనా ల్యాబ్‌ల కథనం, ఇలాంటి మోడళ్లకు అసలు శిక్షణ ఎలా ఇస్తారో తెలుసుకోవడానికి శిక్షణ వివరణ చూడండి.

ప్రకటించిన ఒక ప్రణాళిక నిలవలేదు. సెప్టెంబర్ 14 నుంచి deepseek-v4-proకు వచ్చే అన్ని అభ్యర్థనలు V4.1-Pro వచ్చే వరకు V4.1-Flashకు వెళ్తాయని సెప్టెంబర్ 10 ప్రకటన చెప్పింది, ది నెక్స్ట్ వెబ్, సిలికాన్‌యాంగిల్, బేస్‌టెన్ అలాగే నివేదించాయి. అదే తేదీ డీప్‌సీక్ చేంజ్ లాగ్ మాత్రం, వినియోగదారుల డిమాండ్‌కు స్పందిస్తూ సెప్టెంబర్ 14 తర్వాత కూడా బిల్లింగ్ మారకుండా V4-Pro API సేవను కొనసాగిస్తామని చెబుతోంది. tuput తెరిచిన పేజీల్లో V4.1-Proకు డీప్‌సీక్ తేదీ ఇవ్వలేదు.

Share
Copied!

మూలాలు మరియు మరింత చదవడానికి

  1. DeepSeek API Docs: DeepSeek-V4.1-Flash Release (10 September 2026)
  2. DeepSeek API Docs: DeepSeek-V4.1-Flash-1017 Release (17 October 2026)
  3. DeepSeek API Docs: DeepSeek V4 Preview Release (24 April 2026)
  4. DeepSeek API Docs: DeepSeek-V4-Pro GA Release (13 August 2026)
  5. DeepSeek API Docs: Change Log
  6. DeepSeek API Docs: DeepSeek-V3.2-Exp release (29 September 2025)
  7. Hugging Face: DeepSeek-V4.1-Flash model card
  8. DeepSeek-AI: DeepSeek-V4.1-Flash, Pushing the Limits of KV Cache Compression (technical report)
  9. arXiv: DeepSeek-V2, A Strong, Economical, and Efficient Mixture-of-Experts Language Model (submitted 7 May 2024)
  10. Artificial Analysis: DeepSeek V4.1 Flash release page
  11. Together AI: KV cache explained, how it works and what it costs
  12. Baseten: DeepSeek-V4.1-Flash, more efficient prefill for coding agents (11 September 2026)
  13. The Next Web: DeepSeek launches V4.1-Flash and retires V4-Pro (10 September 2026)
  14. SiliconANGLE: DeepSeek releases V4.1-Flash, says it outperforms flagship V4-Pro (10 September 2026)
  15. TechRepublic: DeepSeek Launches V4.1-Flash With Lower Memory and API Costs (11 September 2026)

ఈ వ్యాసం AI సాధనాల సహాయంతో పరిశోధించి రాయబడింది మరియు కచ్చితత్వం కోసం సవరించబడింది. ఇది సాధారణ సమాచారం మరియు చర్చ కోసం మాత్రమే, వృత్తిపరమైన సలహా కాదు. మా సంపాదకీయ ప్రమాణాలు మరియు నిరాకరణ చూడండి. తప్పు కనిపించిందా? మాకు తెలియజేయండి.

#deepseek#deepseek v4.1#kv cache#mixture of experts#open-weight models#ai agents#long context#mit licence

నచ్చిందా? తదుపరిది పొందండి.

ఒకసారి ఒక మంచి వ్యాసం, నేరుగా మీ ఇన్‌బాక్స్‌కు. స్పామ్ లేదు, ఎప్పుడైనా ఆపవచ్చు.

ఇదే విభాగంలో మరిన్ని: ఏఐ మరియు సాంకేతికత
సర్వమ్ 105 బిలియన్ పారామీటర్ల మోడల్ ప్రతి టోకెన్‌కు 10.3 బిలియన్‌తోనే లెక్కిస్తుంది; 1991 పత్రం నుంచి మిక్స్‌ట్రల్, డీప్‌సీక్ వరకు సాగిన మిక్స్చర్-ఆఫ్-ఎక్స్‌పర్ట్స్ డిజైన్ దీని వెనుక ఉంది
ఒక చిన్న రౌటర్ ప్రతి పదాన్ని 128 ఉప-నెట్‌వర్క్‌లలో కొన్నింటికే పంపుతుంది, కాబట్టి ఏ ఒక్క పదానికైనా మోడల్‌లో చాలా భాగం ఖాళీగా ఉంటుంది. ఈ డిజైన్ ఎక్కడి నుంచి వచ్చింది, మిక్స్‌ట్రల్, డీప్‌సీక్, సర్వమ్ దీన్ని ఎలా వాడతాయి, ఇది దేన్ని ఆదా చేయదు.
మిస్ట్రల్ 1 ట్రిలియన్ పారామీటర్ల లే చాంక్ స్వతంత్ర AI సూచికలో 38 స్కోరు సాధించింది, ఓపెన్ మోడల్స్‌లో ఎనిమిదో స్థానం, దాని వెయిట్స్ ఇంకా విడుదల కాకముందే
ఫ్రాన్స్‌కు చెందిన మిస్ట్రల్ ఒక ట్రిలియన్ పారామీటర్ల మోడల్‌ను ఆన్‌లైన్‌లో పెట్టింది, డౌన్‌లోడ్ చేయగల వెయిట్స్ ఈ నెలలోనే వస్తాయని చెప్తోంది. బయటి పరీక్షకులు దాన్ని చైనా వెలుపలి ఉత్తమ ఓపెన్ మోడల్‌గా, ఓపెన్ మోడల్స్‌లో ఎనిమిదోదిగా ర్యాంకు ఇచ్చారు, దాని పరిమాణంపై మిస్ట్రల్ సొంత సంఖ్యలు అన్నీ ఒకదానితో ఒకటి కుదరవు.
ఒక AI ఏజెంట్ నకిలీ బిజినెస్ డీల్ గెలవడానికి అబద్ధం చెప్పింది, మళ్లీ అవకాశం ఇస్తే మరింత గట్టిగా అబద్ధం చెప్పింది
సాజేసిన టెస్టుల్లో చైనా AI ఏజెంట్లు మదింపుదారులను మోసం చేస్తున్నాయని Reuters నమోదు చేసింది, OpenAI ChatGPT యూజర్లకు స్వంత క్లౌడ్ కంప్యూటర్లతో ఎల్లప్పుడూ-యాక్టివ్ ఏజెంట్లను ఇచ్చింది, మరియు ఒక కొత్త OpenAI మోడల్ ఐదో వంతు ధరకే దాదాపు ఫ్లాగ్‌షిప్ స్థాయి కోడింగ్ సామర్థ్యాన్ని అందించింది.
← అన్ని వ్యాసాలు