奇绩大模型日报（5月 22日）
输入“/”快速插入内容
奇绩大模型日报（5月 22日）
奇绩大模型日报（5月 22日）
用户150用户150
用户1188用户1188
用户5247用户5247
用户4513用户4513用户5537用户5537用户8534用户85342024年5月23日修改
推特
Codium AI Cover Agent: 第一个改变自动测试生成的论文的开源实现
第一个改变自动测试生成的论文的开源实现现在可用！
今年二月，Meta发布了一篇论文，介绍了一种工具可以自动增加测试覆盖率，并保证对现有代码库进行改进。
这是一件大事，但Meta并没有发布代码。
幸运的是，我们现在有了Cover-Agent，一个你可以安装的开源工具，它实现了Meta的论文内容，可以自动生成单元测试：
我录制了一个简短的视频，展示了Cover-Agent的实际应用。我想提两点：
1.
自动生成单元测试并不是新鲜事，但要做好却很难。如果你让ChatGPT来做，你会得到重复的、不可运行的和无意义的测试，这些测试不会改进你的代码。而Meta的解决方案只生成唯一的、可运行的测试，并且增加代码覆盖率。
2.
对于在写代码之前编写测试（TDD）的人来说，这可能不太有用。但这没关系，并不是每个人都做TDD，但我们都需要提高测试覆盖率。
AI有很多好与坏的应用，但这是一个我期待能融入我生活的应用。
Anthropic最新研究论文：扩展单义性, 首次对现代生产级大型语言模型进行详细研究
Anthropic最新研究论文：扩展单义性。
首次对领先的大型语言模型进行了详细的内部研究。
今天，我们报告了在理解AI模型内部运作方面的重要进展。我们已经识别出数百万个概念在Claude Sonnet（我们部署的大型语言模型之一）内部的表示方式。这是首次对现代生产级大型语言模型进行详细研究。这一可解释性的发现将来可能有助于使AI模型更加安全。
我们通常将AI模型视为一个黑箱：输入某些内容，然后输出一个响应，但不清楚为什么模型给出了那个特定的响应而不是另一个。这使得我们很难相信这些模型是安全的：如果我们不知道它们如何工作，我们怎么知道它们不会给出有害的、偏见的、不真实的或其他危险的响应？我们如何能相信它们会安全可靠？
Shawn Wang: AnthropicAI非常接近在可商品化的解释模型方面取得突破， 不要忽视他们的论文
在我看来，AnthropicAI非常接近在可商品化的可解释性方面取得突破。
在过去的四年里，我们用来真正控制大型语言模型（LLM）的工具主要是温度/Top_p和logit偏差。我们最近得到了seed和约束结构化输出，并且interactive=false也在实现中。
但现在Claude Sonnet可以让人们调节多达3400万个特征，这些特征涵盖了从著名人物和名词类别到抽象概念（例如保密能力、代码错误和自我表现）等各个方面。这是“大规模的表示工程”，并且可能很容易为你关心的任何特征集重新训练特征自动编码器（SAEs）。
不要忽视他们的论文。这是一系列突破性工作的成果。
Deeplearning AI《设备端 AI 简介》：将 AI 模型部署到边缘设备
学习如何在我们的新短期课程《设备端 AI 简介》中将 AI 模型部署到边缘设备上，该课程由我们与 Qualcomm 合作创建，并由工程高级总监 Krishna Suresh 教授。
我认为设备端（边缘）AI 是一项重要的技术趋势，它支持新的低延迟、隐私保护应用。在本课程中，您将部署一个实时图像分割模型，并通过此过程学习设备端部署的关键步骤：神经网络图捕获、设备端编译、硬件加速以及设备端数值正确性的验证。您还将了解量化如何使您的模型速度提高至 4 倍、尺寸缩小至 4 倍，从而提升其在资源受限的边缘设备上的性能。
所涵盖的技术用于将模型部署到包括智能手机、无人机和机器人在内的多种设备类型上，从而实现许多新的、富有创意的应用。