แท็ก

#DPO

3 บทความ

Ai2 เปิด AstaBrief 8B โมเดลเขียนรายงานวิจัยพร้อมอ้างอิง (Apache-2.0) — เร็วกว่าโหมด Claude ใน Asta 3.5 เท่า แถมปล่อยข้อมูลเทรนด้วย
โมเดลใหม่

Ai2 เปิด AstaBrief 8B โมเดลเขียนรายงานวิจัยพร้อมอ้างอิง (Apache-2.0) — เร็วกว่าโหมด Claude ใน Asta 3.5 เท่า แถมปล่อยข้อมูลเทรนด้วย

2 ต.ค. 2026 Ai2 เปิด AstaBrief 8B โมเดลที่ฝึกต่อจาก Qwen3-8B ด้วย SFT และ DPO สำหรับเปลี่ยนคำถามวิจัยกับข้อความจากเปเปอร์ให้เป็นรายงานที่มีอ้างอิง ใช้ไลเซนส์ Apache-2.0 และปล่อยชุดข้อมูลเทรนออกมาด้วย ใน Asta โหมด Fast ที่ใช้โมเดลนี้ใช้เวลาเฉลี่ย 51 วินาทีต่อรายงาน ส่วนโหมด Thinking ที่ใช้ Claude อยู่ที่ 179 วินาที

· อ่าน 5 นาที
ทำไม AI detector ยังจับข้อความ LLM ได้ ทั้งที่โมเดลเทรนจากข้อความมนุษย์ล้วน — คำตอบอยู่ที่ post-training ไม่ใช่ pretraining
งานวิจัย

ทำไม AI detector ยังจับข้อความ LLM ได้ ทั้งที่โมเดลเทรนจากข้อความมนุษย์ล้วน — คำตอบอยู่ที่ post-training ไม่ใช่ pretraining

20 ส.ค. 2026 Bradley Emi ซีทีโอ Pangram อธิบายว่าเหตุผลที่ตัวตรวจจับข้อความ AI ยังทำงานได้ ไม่ใช่เพราะโมเดลเขียนไม่เหมือนมนุษย์ตั้งแต่แรก แต่เพราะขั้นตอน post-training บีบการกระจายความน่าจะเป็นให้แคบลงจนโมเดล "มีนิสัย" — เป็นข้อโต้แย้งที่นักพัฒนาควรอ่าน แม้ผู้เขียนจะขายตัวตรวจจับเองก็ตาม

· อ่าน 6 นาที
โมเดล 125M ที่เล่นเปียโนต่อจากคุณได้บน iPhone — และบทเรียนวิศวกรรมที่ใช้ได้กับโมเดลเล็กทุกตัว: DPO ดันคะแนนจาก 24.5% เป็น 69%
โมเดลใหม่

โมเดล 125M ที่เล่นเปียโนต่อจากคุณได้บน iPhone — และบทเรียนวิศวกรรมที่ใช้ได้กับโมเดลเล็กทุกตัว: DPO ดันคะแนนจาก 24.5% เป็น 69%

20 ส.ค. 2026 Simon Edwardsson เผยแพร่รายละเอียดการเทรนโมเดล transformer 125M พารามิเตอร์ที่เล่นเปียโนต่อจากผู้ใช้แบบเรียลไทม์บน iPhone ผ่าน Core ML แบบ INT8 ที่ราว 108 โน้ตต่อวินาที — พร้อมบทเรียนที่ใช้ได้กับโมเดลเล็กทุกตัว ตั้งแต่การออกแบบ tokenization ไปจนถึง DPO ที่ดันคะแนน preference จาก 24.55% เป็น 69.05%

· อ่าน 7 นาที