首期 GPT4o Mini 特刊！

2024年7月17日至7月18日的 AI 新闻。我们为您检查了 7 个 subreddits、384 个 Twitter 账号 和 29 个 Discord 社区（467 个频道，2324 条消息）。预计节省阅读时间（以 200wpm 计算）：279 分钟。您现在可以标记 @smol_ai 进行 AINews 讨论！

正如我们在前沿模型发布日的惯例，今天的 Discord 摘要有两个版本。您正在阅读的版本中，频道摘要由 GPT-4o-MINI 生成，然后频道摘要被汇总为 {4o/mini/sonnet/opus} 的摘要之摘要。请查看 GPT4o 版本 以获取完整邮件和 GPT4o 逐频道摘要对比。

目录和频道摘要已移至此邮件的网页版：！

AI Discord 复盘

Claude 3 Sonnet

1. 突破性的模型发布

• DeepSeek-V2-0628 登顶排行榜：DeepSeek 已开源其 DeepSeek-V2-0628 模型，在 LMSYS Chatbot Arena 排行榜上排名第一，在硬提示（hard prompts）方面排名第三，可在 DeepSeek Platform 以每百万 token 0.3 美元的价格使用。
  • 此次发布引发了关于 DeepSeek 开源精神的讨论，创始人梁文锋重申了他们致力于成为 AI 生态系统中的“贡献者，而非搭便车者”的承诺。
• Mistral NeMo 打破上下文限制：Mistral AI 和 NVIDIA 联合推出了 Mistral NeMo 模型，这是一个拥有 12B 参数的多语言强力模型，具有前所未有的 128k token 上下文窗口，并以 Apache 2.0 许可证发布以供广泛采用。
  • 尽管令人印象深刻，但一些用户对其与 Meta Llama 8B 等模型相比的基准测试准确性表示怀疑，引发了 AI 工程师之间的激烈辩论。
• OpenAI 发布高性价比 GPT-4o Mini：OpenAI 推出了备受期待的 GPT-4o Mini，被誉为目前“最强大且最具成本效益的小型模型”，价格仅为每百万输入 token 0.15 美元和每百万输出 token 0.60 美元。
  • 该模型旨在取代 GPT-3.5 Turbo，以极低的成本提供增强的智能，尽管一些用户注意到与 GPT-4o 等大型变体相比存在性能限制。

2. 开创性的研究突破

• TextGrad 解锁神经网络优化：TextGrad 论文介绍了一个在神经网络中进行文本反馈微分的突破性框架，为优化超越传统方法的复合 AI 系统开辟了新途径。
  • 研究人员称赞 TextGrad 是 AI 领域的一个范式转移，允许编排多个大语言模型 (LLMs) 以增强性能。
• STORM 利用 LLM 提升文章写作：创新的 STORM 系统通过模拟多样化视角，展示了在文章组织方面的 25% 提升，使 LLM 能够生成类似于维基百科条目的有据可查且结构化的长篇内容。
  • 通过解决来源偏见转移和无关事实过度关联等挑战，STORM 展示了通过其提问框架改进 AI 生成写作的潜力。

3. 开发者工具的新兴趋势

• LangChain 赋能上下文感知应用：开发者探索了 LangChain 的功能，询问了其特性，如用于动态交互的 AgentExecutor、使用 MongoDB 作为向量数据库，以及集成专有模型以外的外部 API 模型。
  • 虽然 AgentExecutor 可能会被弃用，转而使用更灵活的 LangGraph，但 LangChain 仍在继续发展，成为构建上下文感知推理应用的强大框架。
• Modular 加速 AI 开发：Modular 生态系统（包括 Max 和 Mojo 🔥）随着官方宣布支持 GPU 而受到关注，引发了关于并行化、CUDA 集成以及潜在的 NVIDIA 合作的讨论。
  • 开发者深入研究了 Mojo 的细节，如命名规范、数据类型以及最近发布的 Keras 3.0，强调了该框架在加速 AI 开发方面的多功能性。

Claude 3.5 Sonnet

1. AI 模型发布与基准测试

• DeepSeek 在 LMSYS Arena 的主导地位：DeepSeek 宣布开源发布 DeepSeek-V2-0628，该模型在 LMSYS Chatbot Arena 排行榜的多个类别中位列第一，其中在 Hard Prompts 类别中排名第三。
  • 该模型目前已在 Hugging Face 上线，并在 DeepSeek Platform 提供 API，引发了 AI 社区对其性能和潜在应用场景的热烈讨论。
• OpenAI 的 GPT-4o Mini 引发关注：OpenAI 推出了 GPT-4o Mini，这是一款旨在取代 GPT-3.5 Turbo 的新模型，在提供更高智能的同时，成本显著降低，每百万 Input Tokens 仅需 0.15 美元，每百万 Output Tokens 仅需 0.60 美元。
  • 该模型的发布因其有望推动先进 AI 能力的普及而令人兴奋，尽管一些用户反映其在高效处理大规模代码编辑方面存在局限性。
• Mistral NeMo 的惊艳亮相：Mistral AI 与 NVIDIA 合作推出了 Mistral NeMo，这是一个拥有 12B 参数的模型，具备 128k Token 的上下文窗口和多语言能力，采用 Apache 2.0 许可证发布。
  • 虽然该模型的发布受到了热烈欢迎，但一些社区成员对其报告的基准测试准确性提出了质疑，特别是与 Llama 3 8B 等模型的对比。

2. AI 研究与开发的进展

• STORM 的结构化文章生成：研究人员介绍了 STORM，这是一种新型写作系统，利用 Large Language Models 生成有据可查、组织严密的篇章，其质量可与维基百科条目媲美，详见新论文。
  • 通过进行多视角提问，STORM 在感知组织性方面比传统方法实现了 25% 的绝对提升，解决了生成内容中来源偏见转移和无关事实过度关联等挑战。
• Patch-level Training 优化 LLM：引入了一种名为 Patch-level Training 的新技术，该技术将多个 Token 压缩成一个 Patch，正如近期论文所述，这有可能降低 Large Language Models 的训练成本。
  • 研究人员正在探索该阶段学习率的收益，并讨论改进性能的潜在修改方案，目前正在通过实验收集关于不同学习率调度方案有效性的经验证据。
• Transformers 的隐式推理能力：一篇研究论文探讨了 Transformers 如何通过广泛训练提高隐式推理能力，表明可能会形成 Inferential Generalization 电路，以更好地处理 Out-of-distribution 示例。
  • 研究强调，超越饱和点的训练可以显著增强模型推断事实的能力，而非仅仅是死记硬背输入，这可能会带来更稳健、更通用的 AI 系统。

3. AI 行业挑战与监管

• 欧盟法规造成 AI 准入障碍：讨论强调了对 EU Regulations 可能阻碍 AI 模型获取的担忧，一些用户建议未来可能需要使用 VPN 来下载某些模型。
  • 这种情况引起了大型科技公司的挫败感，可能会影响它们在该地区的运营决策，并引发了关于 AI 领域创新与监管平衡的质疑。
• 关于开源模型许可的辩论：Deepseek License 遭到了用户的批评，认为其难以理解，尽管为学术界提供了更便宜的 API 使用方案，但这可能阻碍其更广泛的采用。
  • 这引发了关于开源 AI 社区中清晰且易于获取的许可条款重要性的广泛讨论，对研究和商业应用均有影响。
• AI 公司的扩展挑战：关于 OpenAI 等公司在将规模从小型团队扩展到数千名员工，同时保持对实现 Artificial General Intelligence (AGI) 的关注时所面临的困难引发了讨论。
  • 社区成员辩论了在快速增长与创新研究之间取得平衡的挑战，将 OpenAI 的方法与老牌科技巨头进行了对比，并质疑其对产品开发和部署速度的影响。

Claude 3 Opus

1. Mistral NeMo 模型发布

• Mistral 强大的 12B 模型：Mistral AI 发布了 Mistral NeMo 模型，这是一个高容量的 12B 参数模型，拥有令人印象深刻的 128k token 上下文窗口，承诺在其同级别模型中提供顶尖的准确度。
  • 该模型是 Mistral 7B 的直接替代方案，提供预训练版本和指令微调（instruction-tuned）版本，采用 Apache 2.0 许可证，并在 Hugging Face 上公开了其代码。
• 基准测试失误？：尽管 Mistral NeMo 的规格令人印象深刻，但对其针对 Llama 3 8B 等模型进行的基准测试准确性也出现了一些质疑。
  • 一些用户认为报告的数据可能存在夸大或误导，对其与竞争对手相比的真实性能表现持怀疑态度。

2. GPT-4o Mini 震撼全场

• OpenAI 的高性价比替代方案：OpenAI 推出了 GPT-4o Mini，被誉为最具成本效益的小型模型，价格为 每百万输入 token $0.15，每百万输出 token $0.60。
  • 它在基准测试中优于许多小型模型，同时提供 128k 上下文窗口，使其适用于复杂的应用程序和实时交互。
• 取代 GPT-3.5 Turbo：GPT-4o Mini 将取代 GPT-3.5 Turbo，因为它更智能且更便宜。
  • 免费的 ChatGPT 用户以及 Plus 和 Team 订阅者均可使用该模型，这标志着先进 AI 的可访问性发生了重大转变。

3. DeepSeek 的主导地位

• DeepSeek-V2 登顶榜单：DeepSeek-V2-0628 目前在 LMSYS Chatbot Arena 排行榜的多个类别中排名 第一，其中在 hard prompts（硬核提示词） 类别中排名 第三。
  • 该模型的 checkpoint 已在 Hugging Face 上提供，并可通过 DeepSeek Platform 获取 API 访问权限，进一步巩固了其地位。
• 极具成本效益的竞争者：DeepSeek V2 在面对更庞大的对手时表现出卓越的效率，价格仅为 每百万 token $0.3。
  • 然而，用户对 DeepSeek License 感到困惑，认为其难以理解，这可能会阻碍其更广泛的采用，尽管它为学术界提供了更便宜的 API 使用方案。

4. 量化探索

• EfficientQAT 的 INT 优化：EfficientQAT 方法通过优化 Llama-2-70B 的均匀 INT 量化，实现了与矢量量化（vector quantization）相当的性能，在 2-bit 训练期间仅有 3% 的准确度下降。
  • 该模型在单张 A100 GPU 上训练，展示了显存效率优势，仅需 19.2GB，而 Llama-2-13B 则需要 24.2GB。代码可在 OpenGVLab 的 GitHub 查看。
• 量化感知查询：研究了经过 量化感知（quantization awareness） 训练的 Kernel，重点关注 Character.AI 通过使用 INT8 训练来提高推理性能的方法。
  • 针对量化感知实现的细节提出了疑问，特别是对于那些承诺在没有传统开销的情况下增强性能的方法。

5. CUDA 难题

• Kernel 拆分策略：一位成员探讨了将一个 CUDA kernel 拆分为多个 kernel 的想法，用于处理 flash attention 中的多步归约（multi-step reductions）等任务，理由是单步管理内存存在困难。
  • 他们建议通过多次 kernel 启动来实现 延迟隐藏（latency hiding） 可能会有益，尽管也承认其有效性存在不确定性。
• 动态共享内存思考：对 CUDA 中 动态共享内存（dynamic shared memory） 使用的深入探讨引发了辩论，并分享了一篇 NVIDIA 博客 以提供更多见解。
  • 围绕带有 prefills 的短区域分析展开了讨论，认为恰到好处的少量 token 可以显著简化建模中的 batch 准备工作。

GPT4O (gpt-4o-2024-05-13)

1. Mistral NeMo 模型发布

• Mistral NeMo 开辟新天地：Mistral NeMo 模型是一个拥有 12B 参数和 128k token 上下文窗口的高容量模型。它承诺提供顶尖的准确率，并可作为现有 7B 模型的快速替代方案，其代码已在 Hugging Face 上公开。
  • 该模型采用 Apache 2.0 许可证，其出色的性能以及集成到各种 AI 系统中的潜力引发了广泛讨论。
• Mistral NeMo 强力登场：Mistral 推出了 Mistral NeMo，这款 12B 模型设定了 128k 上下文长度的新基准，并根据 Apache 2.0 许可证发布。
  • 此次发布展示了与 NVIDIA 的合作，强调了该模型的实力及其在研究和工业界被广泛采用的潜力。

2. DeepSeek V2 模型发布

• DeepSeek-V2 登顶排行榜：DeepSeek-V2 跃升至 LMSYS Chatbot Arena 排行榜榜首，价格仅为 每百万 token 0.3 美元，展示了相较于大型竞争对手的卓越效率。
  • 该模型的开源特性和性能表现激发了人们对其在各种应用中潜在用例的兴趣和讨论。
• DeepSeek 称霸竞技场：DeepSeek-V2-0628 目前在 LMSYS Chatbot Arena 排行榜的多个类别中位居巅峰，其中在 hard prompts 类别中显著排名第三。
  • DeepSeek Platform 提供了该模型的 Checkpoint 和 API 访问，巩固了其在 AI 社区中的强势地位。

3. 高效模型训练与优化

• EfficientQAT 增强量化技术：EfficientQAT 为庞大的 Llama-2-70B 模型 优化了整数量化，在 2-bit 训练期间仅需 19.2GB CUDA 显存（VRAM），且性能仅下降 3%。
  • 相比 13B 模型所需的 24.2GB VRAM，该技术显著提升了内存效率，标志着在最大化利用现有计算资源方面迈出了一步。
• Patch 级训练降低 LLM 成本：通过引入 patch-level training（Patch 级训练）这一战略转折，该技术将 token 压缩为高效的 patch，为更快速、更低成本的 LLM 训练开辟了道路。
  • 将训练数据浓缩为 patch 为模型提供了“瘦身计划”，使它们在压缩后能进行微调的 token 级训练，从而节省了时间和预算。

4. GPT-4o Mini 发布

• GPT-4o Mini 重磅登场：GPT-4o Mini 是一款更精简的模型，旨在取代 GPT-3.5 Turbo，其输入和输出 token 的价格分别为 0.15 美元和 0.60 美元，推动了开发者使用 AI 的平民化。
  • 该模型的推出是迈向更广泛模型可及性的一大步，引发了关于其预期集成和潜在应用的讨论。
• 小而强大：GPT-4o Mini 对标 3.5 Turbo：OpenAI 宣布推出 GPT-4o mini，称其比 GPT-3.5 Turbo 更智能且更具成本效益。
  • 社区反应积极，强调了由于 GPT-4o mini 较低的成本，获取 AI 工具的机会可能会大幅增加。

5. LangChain 与 LlamaIndex 集成

• 探索 LangChain 迷宫：人们对 LangChain 功能 的全貌产生了浓厚兴趣，讨论集中在 AgentExecutor 的交互动态以及向 LangGraph 迁移以获得更好灵活性等方面。
  • 关于将外部 API 与 LangChain 集成的疑问引发了讨论，尽管目前缺乏权威指南，这暗示了现有 documentation（文档）中存在空白。
• RAGapp 的亮眼进化：RAGapp 现在已实现与 MistralAI、GroqInc 以及 Cohere reranker 的无缝集成，鼓励通过 Docker 进行增强部署。
  • 正如社区论坛所讨论的，它的能力引起了关注，并可能挑战 RAG 应用中的现有范式。

GPT4OMini (gpt-4o-mini-2024-07-18)

1. Mistral NeMo 模型发布

• Mistral NeMo 树立新标准：Mistral NeMo 是一个 12B 参数模型，引入了显著的 128k token 上下文窗口，有望提升推理能力和效率。
  • 它被设计为 Mistral 7B 模型的直接替代品，旨在根据 Apache 2.0 许可证 提供 state-of-the-art 的性能。
• Mistral NeMo 性能基准测试：初步基准测试表明，Mistral NeMo 在速度和准确性方面均优于许多现有模型。
  • 社区反馈表明，它在各种应用中的部署可以显著提高生产力。

2. GPT-4o Mini 发布

• OpenAI 高性价比的 GPT-4o Mini：OpenAI 推出了 GPT-4o Mini，价格为 每百万输入 token 0.15 美元，输出为 0.60 美元，使其成为 GPT-3.5 Turbo 的有力竞争替代方案。
  • 该模型旨在降低先进 AI 能力的使用门槛，以极低的成本提供类似的性能。
• 社区对 GPT-4o Mini 的反应：GPT-4o Mini 的发布受到了社区的热烈欢迎，强调了其经济实惠和高性能。
  • 用户渴望将该模型集成到他们现有的工作流中，期待能带来显著的改进。

3. DeepSeek V2 性能表现

• DeepSeek V2 登顶 Chatbot Arena：DeepSeek V2-0628 在 LMSYS Chatbot Arena 排行榜上获得了 第一名，因其 每百万 token 0.3 美元 的高性价比而备受关注。
  • 该模型的效率和性能引发了关于其在各种 AI 工作流中潜在应用的讨论。
• 用户对 DeepSeek V2 的反馈：用户的反馈强调了 DeepSeek V2 模型在实时应用中的有效性，特别是在 Chatbot 场景中。
  • 社区对其未来的发展和增强持乐观态度。

4. 量化技术与效率

• EfficientQAT 增强模型训练：EfficientQAT 方法优化了 Llama-2-70B 模型的量化，在 2-bit 训练期间仅实现了 3% 的性能下降。
  • 这种方法显著降低了内存需求，展示了向更高效训练方法转变的趋势。
• 量化对模型性能的影响：最近的研究表明，有效的量化技术可以在减少资源消耗的同时保持模型性能。
  • 这对于在资源受限的环境中部署 AI 模型至关重要。

5. AI 抓取与版权担忧

• 关于 AI 抓取伦理的辩论：围绕 AI 抓取 伦理的讨论，特别是涉及 YouTube 字幕 的讨论，强调了需要更好的 版权改革 来保护内容创作者。
  • 成员们强调了在大规模数据利用时代，为艺术家提供适当归属和补偿的重要性。
• 社区对版权问题的回应：社区对当前版权法在 AI 生成内容背景下的影响表达了强烈的看法。
  • 许多人主张在创新与尊重原创者权利之间取得平衡。

第 1 部分：Discord 高层级摘要

Unsloth AI (Daniel Han) Discord

• Mistral NeMo 取得新突破：Mistral AI 发布了 Mistral NeMo 模型，这是一个拥有 12B 参数的高容量模型，具备惊人的 128k token 上下文窗口，承诺在其同级别模型中拥有顶尖的准确度。在此查看完整解析。
  • 对于寻求模型性能飞跃的用户，Mistral NeMo 可作为现有 7B 模型的快速替代方案，它拥有预训练增强和指令微调，并采用备受推崇的 Apache 2.0 许可证，其代码已在 Hugging Face 上公开。
• EfficientQAT：量化领域的飞跃：EfficientQAT 通过优化整数型量化，提升了大规模 Llama-2-70B 模型 的表现，在 2-bit 训练期间仅有 3% 的性能下降，且仅需 19.2GB VRAM，是真正的空间节省利器。了解其实现方式。
  • 该技术增强了显存效率，相比之下 13B 模型通常需要 24.2GB VRAM，这标志着在提高模型可管理性的同时，最大限度利用现有计算资源的趋势。
• 利用 STORM 掌控叙事：STORM 系统 通过模拟多维视角，彻底改变了 LLM 的预写作阶段，与传统方法相比，提升了内容的组织结构和广度。在其 FreshWiki 数据集分析中深入了解细节。
  • STORM 增强了内容生成能力，能够构建由可靠引用支持的大纲，并有显著的产出改进作为证据；在 Stanford 的 GitHub 上查看其工作模型和方法。
• Memory3：塑造更智能的 LLM：Memory3 的出现有望激发 LLM 的效率，其特点是引入了显式记忆机制，预计将提升模型的精细度和执行力。阅读关于此创新的文章。
  • LLM 中的显式记忆可能会重新定义我们对性能的预期，在不铺张浪费的情况下提供更强的处理能力。探索 Memory3 架构在实现更精简、更灵活的计算需求方面的潜力。
• Patch-level 训练降低 LLM 成本：Patch-level 训练 引入了战略性转变，该技术将 token 压缩成高效的 patch，为更快速、更低成本的 LLM 训练开辟了道路。从原始论文中了解具体操作方法。
  • 将训练数据压缩成 patch 为模型提供了“节食计划”，使它们在压缩后能为精细的 token 级训练阶段做好准备，从而缩减时间和预算。通过这位工程师的 tweet 获取更多跨领域的见解。

HuggingFace Discord

• HuggingChat 的小插曲：讨论指出 Cohere 模型的响应速度较慢，某些提示词的处理时间长达 5 分钟，而 Llama 3 则在几秒钟内迅速响应。
  • 针对服务器能力的担忧，社区建议联系 Hugging Face 支持团队。
• 社区关注计算机视觉课程：社区计算机视觉课程（Community Computer Vision Course）宣布启动，旨在涵盖从基础到高级的计算机视觉技能。
  • 该课程为学习者提供了一个共同进步的平台，并可在此获得认证：点击此处。
• Mistral 发布 NeMo 强力模型：Mistral 推出了 Mistral NeMo，这是一个 12B 模型，以 128k 的上下文长度树立了标杆，并采用 Apache 2.0 许可证。
  • 与 NVIDIA 的合作在一篇 tweet 中展示，强调了该模型的强大实力。
• 去水印的神奇魔法：一款结合了 Florence 2 和 Lama Cleaner 的新去水印工具给用户留下了深刻印象，它在处理无水印图像方面表现出色。
  • 可在此处访问，反馈显示其在不损害图像质量的情况下表现优异。
• Cohere 修正路线：据报道，最近对 Cohere 模型仓库的修改对其性能产生了负面影响，引发了社区警报。
  • 开发人员承认了这些问题，并正在采取积极措施修复底层基础设施问题。

CUDA MODE Discord

• 内核探讨：拆分决策：讨论集中在为 Flash Attention 任务中的内存效率而拆分 CUDA kernels 的可行性和复杂性，并对延迟隐藏技术持有不同意见。
  • 一位成员思考了 CNNs 中的多个内核，提醒注意后续层中的内核大小和数据管理，并引用了增加的内存或寄存器需求。
• 内存掌控：动态转变：深入探讨了 CUDA 中 dynamic shared memory 的使用，并分享了一篇 NVIDIA 博客 以获取更多见解。
  • 围绕带有 prefills 的短区域分析展开讨论，建议只需几个合适的 token 即可显著简化模型中的批处理准备。
• 微调见解：大模型中 LoRA 的诱惑：社区成员阐明了 LLMs 中指令微调的好处，重点关注 LoRA 等方法，并参考了关于 LLM 研究见解 和 Character.AI 优化策略 的文章。
  • 一个 LinkedIn 链接详细介绍了 NVIDIA 向 Linux GPU drivers 开源的转型，揭示了增加技术包容性和优化的机会。
• 量化奇想：训练走向量化：成员们分析了训练中前卫的 Quantization Awareness 技术，探索精度平衡的配置，并深入研究 Character.AI 的推理性能方法。
  • 量化在其他讨论中也受到了审查，其中解释了组大小（group size）与质量以及内存效率之间的细微差别，并参考了 PyTorch 官方博客 上关于半结构化稀疏性的内容。
• 棘手的 Triton：超越编译器：Triton 编程引起了关注，一位成员在他们的 GitHub repo 上分享了 Triton Puzzles 的解决方案，引发了关于使用编译器进行优化的对话。
  • 关于 Triton 将 Python 代码转换为高性能 GPU 代码的能力存在大量推测，同时在没有开发者直接干预的情况下管理 SMs 内的优化。

Stability.ai (Stable Diffusion) Discord

• Stable Diffusion 模型故障：一位用户在利用 Stable Diffusion 模型时遇到障碍，报告称尽管上传了模型但无法生成图像。
  • 另一位参与者就 Stable Diffusion 运行所需模型的必要性提供了指导，并询问了更多细节以解决困境。
• Adobe Stock 政策收紧：Adobe Stock 针对使用艺术家姓名制定了更严格的内容政策，这可能会影响 Gen AI 项目，导致潜在的内容清除。
  • 社区对版权复杂性感到烦恼，特别是在像 Rembrandt 这样的艺术家不太可能拥有活跃版权的情况下。
• 艺术放大对话：关于 “Hires Upscaler” 及其他 AI 艺术工具中的放大功能的讨论正在进行中，引发了对命名和应用的询问。
  • 鉴于 Adobe 最近的政策更新，艺术家们正在交流成功让平台接受其 AI 生成艺术的技巧。
• 社区机智与智慧：聊天中弥漫着活泼的气氛，用户在热烈的社区对话和成员间的友好调侃中分享关于“爆米花时刻”的俏皮话。
  • 即使在俏皮的讨论盛行时，关于内容审核的实质性讨论也在展开，平衡了技术谈话与社区情谊。

Eleuther Discord

• GoldFinch 稳步前行：最近推出的 GoldFinch 模型结合了 Linear Attention 和传统的 Transformers，旨在解决平方级减速问题并减少 KV-Caches，从而在标准硬件上实现更长的上下文长度。
  • 详细的 GoldFinch 论文展示了如何通过线性缩放实现高效的 KV-Cache 生成，大幅缩减了缓存大小并提升了推理速度。
• 字幕抓取之争：社区热烈讨论了 AI 抓取的伦理问题，特别是针对 YouTube 字幕的抓取，引发了关于这种做法是否侵犯版权以及是否忽视了公平补偿的质疑。
  • 共识倾向于认为，在大规模数据利用时代，有必要进行版权改革，以确保适当的署名和补偿。
• ICML 洞察行程：对 ICML 2024 的期待值很高，特别是关于新型蛋白质语言模型（Protein Language Models）的演讲，同时讨论也涉及了对上传海报与视频演示的偏好。
  • 诸如 patch-level training 和 multi-token prediction 模型等令人兴奋的进展已被探索，其潜力在于降低训练成本并增强性能，详见各类研究论文。
• 是否告别 Token？：关于无分词语言模型（tokenization-free language models）是增强还是削弱可解释性引发了辩论，人们担心粒度可能会受到损害。
  • 然而，一些人声称避开分词可能会简化模型结构，从而增强输出解释，并更紧密地模拟自然语言的细微差别。
• 利用 lm-eval-harness：lm-eval-harness 的用户对 --predict_only 标志等功能表现出极大的兴趣，以便在生成补全后优化指标，正如关于即将推出的增强功能的讨论中所提到的。
  • 关于 LoraConfig 不匹配的咨询促使官方澄清了 lm_eval 版本的更新，而社区驱动的 Gigachat 模型 PR 审查展示了模型开发中的协作努力。

LM Studio Discord

• 兼容性冲突：DeepSeek Coder V2 Lite：LM Studio 中的讨论指出了 DeepSeek Coder V2 Lite 模型的问题，特别是围绕其架构和 NVIDIA GeForce RTX 2080 的差异。
  • 关于 LM Studio 是否优先考虑客户端参数的询问，有助于更好地理解参数对生成响应一致性的影响。
• Resizable BAR：LLM 性能不受影响：对 Resizable BAR (ReBAR) 的审查结论是，它对 LLM 推理速度没有显著影响，这引发了对其在模型加载时间和多 GPU 设置中作用的思考。
  • 辩论围绕 ReBAR 对显存速度的影响展开，并针对其在 GPU 配置中的益处制定策略。
• 为 AutoGen 探索 LM Studio 预设：Llama-3-Groq-8B 工具的实现引发了关于 LM Studio 预设与 AutoGen 案例兼容性的疑问。
  • AI 工程师商讨了为配合最新计算进展而提高性能所需的配置更改。
• Meta Llama 的股票分析方案：Meta Llama 3 作为交易战略合作伙伴受到关注，重点在于详细的市场分析和风险管理。
  • 在 Prompt 中，风险管理被强调为 AI 辅助交易策略开发的关键讨论点。
• Groq 模型在工具调用方面表现出色：Groq 的工具调用模型因其在 Berkeley Function Calling Leaderboard 上的表现而引起轰动，其 8b 和 70b 模型均获得高分。
  • 这些模型的成功表明它们具有无缝集成到依赖工具的计算工作流中的潜力。

Nous Research AI Discord

• TextGrad 激发优化热潮：TextGrad 论文 介绍了一个独特的神经网络内 textual feedback differentiation（文本反馈微分）框架，提供了潜在的优化空间。
  • AI 正在经历一场变革，TextGrad 通过探索超越传统方法的新优化途径，在社区中引起了轰动。
• STORM 酝酿有序文章生成：开创性的 STORM 论文 介绍了一个使用 LLM 创作有序长篇文章（类似于维基百科条目）的系统。
  • STORM 展示了文章组织能力的 25% 绝对提升，其提问框架克服了在偏见和事实关联方面的重大挑战。
• DeepSeek 在 Chatbot Arena 中夺魁：DeepSeek-V2-0628 登顶 LMSYS Chatbot Arena 排行榜，现在可通过 DeepSeek 平台 访问。
  • 鉴于该模型领先的性能指标，技术社区期待其发布后能带来具有影响力的用例。
• Mistral NeMo 的报告引起关注：NVIDIA 和 Mistral AI 的 12B 参数模型 Mistral NeMo 是一款多语言奇迹，拥有 128k context window，可在 GitHub 上获取。
  • 对其相对于同类产品的基准测试准确性出现了怀疑，在 AI 工程师中引发了激烈讨论，有人声称其性能指标存在水分。
• FP8 Quantization 引发行业辩论：关于 FP8 Quantization 的讨论升温，探讨了该技术在 AI 模型训练中的可行性，参考了 vLLM 文档。
  • 虽然有些人将其视为提高效率的途径，但其他人质疑其稳定性以及 NVIDIA 的参与，引发了一系列专业见解。

Latent Space Discord

• DeepSeek 魅力征服全场：DeepSeek 发布的 DeepSeek V2-0628 凭借其高性价比的表现，夺得 LMSYS Chatbot Arena 榜首，在 AI 社区引起轰动。
  • 价格仅为 每百万 token 0.3 美元，DeepSeek V2 在面对更庞大的对手时展示了出色的效率。
• ChatGPT 开启语音模式：OpenAI 预告了 ChatGPT 语音模式的 alpha 发布，预计将于本月晚些时候启动，为平台引入了新的交互性层级。
  • Sam Altman 的声明标志着人们对 AI 服务中全新的交互式对话功能的期待进一步升级。
• 小而强大：GPT-4o Mini：OpenAI 的 GPT-4o Mini 首次亮相，这是一款经济型模型，号称是最实惠的模型，具有显著的 128k context window，输入和输出 token 的成本分别为 0.15 美元和 0.60 美元。
  • 它以节俭的 token 定价击败了竞争对手，使其成为复杂 AI 运营领域中的强力竞争者。
• Llama 3 亮相倒计时：对于推测中的 Llama 3 400B 版本 的发布充满期待，社区关注其在未来几天内的发布。
  • 对话暗示了一个同步的发布议程，旨在扩大 Llama 3 系列在 AI 领域的影响力。
• 选择加入以获得更深入的讨论：鼓励 AI 爱好者选择加入深入的 thread 讨论，这些讨论会发布重大更新，确保参与者能够获得信息并保持关注。
  • 此举巩固了在深耕行业发展的 AI 专业人士之间培养动态且富有洞察力的对话的主动方法。

OpenAI Discord

• Mini Might：GPT-4o mini 对比 3.5 Turbo：OpenAI 宣布推出 GPT-4o mini，被描述为比 GPT-3.5 Turbo 更智能且更具性价比。
  • 社区反应积极，许多人强调由于 GPT-4o mini 成本更低，AI 工具的普及潜力将增加。
• Eleven Labs 的音频突破：Eleven Labs 发布了一个新的语音提取模型，扩展了 AI 音频处理能力，并提供了更多详情链接。
  • 这一创新符合人们对 AI 在众多应用中实际整合的日益增长的期望。
• 用户趋势：从 ChatGPT 转向 Claude：讨论揭示了用户从 ChatGPT 转向 Claude 的趋势，表明首选 AI 平台格局发生了变化。
  • 情绪从失望到渴望不等，反映了社区对不断演进的 AI 解决方案的脉搏。
• NVIDIA 的社交整合：围绕 NVIDIA 即将与 Facebook 和 Instagram 的整合出现了猜测，质疑 Meta 在 AI 嵌入式社交媒体背景下的动机。
  • 关于这一战略举措的未决问题让社区对数据共享和隐私的影响产生了猜测。
• AI 调节语速：一位开发者分享了在 AI 语音 Agent 中完善停顿插入以调节语音输出的见解，引发了关于改善人机语音交互的辩论。
  • 虽然实现自然停顿具有挑战性，但关于使用常见语音模式训练模型的建议提出了一种协作式的进步方法。

Interconnects (Nathan Lambert) Discord

• DeepSeek 称霸 Arena：DeepSeek-V2-0628 目前在 LMSYS Chatbot Arena Leaderboard 的多个类别中位居榜首，在 hard prompts 类别中名列第三。
  • 该模型的 checkpoint 已在 Hugging Face 上提供，API 访问由 DeepSeek Platform 提供，巩固了其地位。
• GPT-4o Mini 镜像其前身：GPT-4o Mini 在某些基准测试中的得分与 GPT-3.5 相当，作为一个小型但胜任的模型引起了关注，特别是在 aider 的代码编辑基准测试中。
  • 尽管如此，该模型对大型代码编辑的处理欠佳引发了讨论，迫切需要在未来的迭代中进行改进。
• Codestral Mamba 挑剔的注意力：与预期相反，Codestral Mamba 的准确率在超过 1k token 上下文后会下降，让用户在面对其狭窄的关注范围时苦寻解决方案。
  • 由于其无法像宣传的那样有效处理“无限”上下文，失望情绪随之而来，使其在更广泛的上下文需求中的应用受到质疑。
• AI 的“巫术”认知：用户表达的 AI 类似于“巫术”的氛围，反映了公众对 ChatGPT 等工具带来的 AI 进步日益增长的不安。
  • 这种与历史焦虑的类比引发了关于社会对 AI 适应能力的辩论，并对未来 AI 的接受度和监管产生影响。
• OpenAI 的规模化困境：OpenAI 在其宏大的规模化进程中，似乎在平衡快速增长与追求 AGI 之间苦苦挣扎，引发了行业讨论。
  • 与 Google 等科技巨头的对比凸显了 OpenAI 灵活的抱负与迅速交付 AI 产品所需的韧性之间的矛盾。

OpenRouter (Alex Atallah) Discord

• Mistral NeMo 开启新的上下文视野：Mistral NeMo 的发布为上下文窗口设定了新标准，支持高达 128,000 tokens 并展示了其推理能力，详情见综合博客文章。
  • 社区对其许可协议展开讨论，强调 Apache 2.0 协议拓宽了其在研究和工业领域的应用前景。
• GPT-4o Mini 揭幕：OpenAI 的最新力作：OpenAI 最近推出的 GPT-4o Mini 以其 $0.15/M 输入和 $0.60/M 输出 的定价策略备受关注，有望成为 GPT-3.5 Turbo 的继任者。
  • 社区充满期待，准备将这一多功能模型集成到工作流中，该模型即将向广大用户开放。
• OpenRouter：运行顺畅的绿灯信号：OpenRouter 的状态报告显示一切正常，截至 2024 年 7 月 18 日的性能指标显示无干扰或停机，已由 OpenRouter Status 确认。
  • 用户正密切关注区域访问性和性能，反映了对 OpenRouter 持续服务交付的依赖。
• 解决图像 Token 定价难题：关于 image tokens 计费的讨论正在展开，模型更新促使人们重新评估图像分辨率如何与不断上升的成本挂钩。
  • 关于不同图像规格的统一计费实践仍存在疑问，体现了社区对成本透明度的警惕。
• Gemma 2 的既视感：解决重复问题：Gemma 2 9B 模型面临用户的审查，用户遇到了响应重复的问题，引发了关于潜在修复和性能优化的讨论。
  • 社区热衷于从性能指标中提取模式，旨在追踪并减轻导致重复响应的因素。

Modular (Mojo 🔥) Discord

• Max/Mojo 结合 GPU 掌控力：成员们热议 Max/Mojo 中的 GPU 支持，并提及 Lattner 的 Nvidia 演讲，凸显了集成潜力。
  • 关于 Mojo 并行化 的推测不断展开，用户提出了直接暴露给尖端硬件的想法。
• Mojo 编译器的 Nightly 升级：Mojo 编译器的 Nightly 更新引入了嵌套 Python 对象支持等功能，并修复了标准库。
  • 有关于 stdlib 扩展提案 的讨论，旨在减轻维护者的工作负担，目前正等待强有力的社区验证。
• Max Inference 引导 Llama3 洞察：使用 Llama3 的 Max Inference 将 prompt 作为上下文，实现了 Max 的 GitHub 示例中所示的交互式聊天。
  • 对话涉及通过利用本地下载和 --model-path 参数在 Llama 3 中加载自定义权重。
• Lubeck 在基准测试中领先：一场激烈的交流发生，据报道 Lubeck 的性能超越了 MKL，LLVM 的“秘密武器”可能在其中发挥了作用。
  • 虽然 SPIRAL 作为数字信号处理库的自动化竞争者出现，但其复杂性引发了关于日常功能实用性的辩论。
• 社区对 Stdlib 策略的思考：一项 stdlib 扩展提案 通过建议社区驱动的“扩展”作为简化贡献的手段，引起了热议。
  • 围绕适用于高性能场景的 Async IO API 展开了讨论，避开了 Python 的内置功能。

Cohere Discord

• Cohere API 探索之旅：成员们分享了关于创建调用 API 工具的见解，强调了 Cohere 控制面板在合并工具和连接器任务中的实用性。
  • 详尽的文档重点介绍了步骤，展示了如何利用这些 API，并重点关注单步和多步方法。
• Discord 关于图片的指令：Discord 中的图片成为了讨论焦点，共识倾向于为特定角色启用权限，以保持内容不偏离主题。
  • 随着管理员授予图片分享权限，社区活跃度激增，引发了一波庆祝 GIF 的热潮。
• 深入 DuckDuckGo 搜索：一位成员利用 Python package 发挥 DuckDuckGo 的威力，实现高效的链接检索，并暗示将与 Firecrawl 集成。
  • 这引发了关于增强信息提取的讨论，表明了利用现有工具最大化产出的趋势。
• Firecrawl 通过自托管节省成本：围绕自托管 Firecrawl 作为一种省钱替代方案的讨论非常热烈，尽管其价格不菲。
  • 社区分享了经验和资源，为那些受困于服务成本的人们描绘了缓解压力的前景。
• GPT-4o 与 Streamlit 结合实现高效 PoC：出现了将 GPT-4o 与存储在 .env 文件中的个人 API key 集成的策略，并结合使用 Streamlit 进行敏捷的 PoC 开发。
  • 这种集成方案为 API 与抓取工具的无缝融合奠定了基础，体现了渐进式的协作。

Perplexity AI Discord

• 罗技提供的 Perplexity Pro 优惠：围绕罗技发送的提供 6 个月 Perplexity Pro 的邮件展开了讨论，用户们对该优惠的真实性进行了辩论，直到成功兑换 promo code 的确认信息出现。
  • 参与者指出 Dmitry Shevelenko 与罗技之间的合作推文，展示在这里，标志着合作旅程的开始。
• GPT-4o Mini 重磅登场：OpenAI 推出了备受瞩目的 GPT-4o Mini，这是一款更精简的模型，旨在取代 GPT-3.5 Turbo 并为开发者普及 AI。
  • 该模型的推出是迈向更广泛模型可访问性的一大步，引发了关于模型预期集成的讨论，详见 OpenAI 的公告。
• ChatGPT 拆分句子引发猜测：由于用户剖析了 ChatGPT 发送拆分响应的奇特行为，试图理解其复杂性，从而引发了困惑。
  • 这一困境被认为与最新的 GPT-4o Mini implementation 有关，引发了对根本原因的辩论，但尚未有明确结论。
• DALL-E 升级备受关注：随着用户报告故障并期待新版本发布，DALL-E 的更新引发了讨论。
  • 这些见解引发了关于通过升级解决图像生成问题的猜测，指向即将推出的更新。
• 在 NextCloud 中连接 Perplexity：一位用户在尝试配置 NextCloud 以使用 Perplexity API 时遇到了集成困难，特别是关于模型选择的谜团。
  • 一位热心的成员提供了建议，通过修改 payload 中的 ‘model’ 字符串来调整模型选择，尽管具体的实现细节仍不明确。

LangChain AI Discord

• LangChain 迷宫探索：对 LangChain features 全貌的好奇心激增，讨论涵盖了 AgentExecutor 的交互动态以及向 LangGraph 转型以提升灵活性。
  • 关于将外部 API 与 LangChain 集成的提问引发了讨论，尽管目前缺乏明确的指南，这暗示了现有 documentation 中存在空白。
• Debugger 深入探讨与 Langserve 层级：求知者们探讨了 Langserve Debugger 在解决 LangChain ecosystem 内部问题方面的效用。
  • 辩论聚焦于区分标准的 Langserve container 与其 Debugger 版本，后者更侧重于解决问题的能力。
• ChatPromptTemplate 中的模板纠葛：一位用户在尝试于 ChatPromptTemplate 中发挥 JSON 威力时遇到了令人困惑的 KeyError，其中 ‘$schema’ 变量似乎“玩起了捉迷藏”。
  • GitHub interventions 建议将 JSON 相关问题包装在双大括号中，这一未经测试的方案为该问题引发了更多讨论。
• Easy Folders 在 Product Hunt 上线：Easy Folders 在 Product Hunt 亮相，在 Browser Extensions 和 AI 类别中备受关注，以有序的聊天记录和整洁的 prompt 管理器吸引用户。
  • 一项巧妙的 30-day Superuser giveaway 活动通过点赞和评论进行引流，用户纷纷涌向 Easy Folders 寻求 free trial。
• 聊天机器人幻觉的融合修复：Corrective RAG 与 RAG Fusion 的结合成为解决 AI 聊天机器人幻觉的一种方案，是追求可靠性的 Python 开发者的良方。
  • 一个关于使用 LangGraph 创建本地聊天机器人的 YouTube guide 承诺了简易性，解决了关于构建可信 AI 交互的讨论。

LlamaIndex Discord

• 知识助手的预言：Jerry Liu 关于知识助手未来的精彩主题演讲吸引了与会者，录音已发布，标志着他作为 AI 领域引领者的地位。
  • 社区成员强调了该演讲对于理解该领域关键改进的价值。
• RAGapp 的显著进化：RAGapp 现在已与 MistralAI、GroqInc 和 Cohere reranker 无缝集成，并鼓励通过 Docker 进行增强部署。
  • 它的竞争力引发了关注，并可能挑战 RAG 应用程序的现有范式。
• Stack Podcast 上的数据深度探讨：在由 Jerry Liu 主持的 Stack Podcast 中，围绕 prompt engineering 和 long context windows 展开了重要讨论，提供了对主流 AI 障碍的 insights。
  • 这些对话得到了社区的回响，提炼出了对任何 AI 工程师工具箱都至关重要的知识。
• 索引效率受到质疑：社区成员讨论了处理 Neo4jPropertyGraphStore 时缓慢的索引性能，并将数据量视为一个影响因素。
  • 达成的共识是，大型存储库会增加索引时间，这一细节对于管理预期至关重要。
• 查询效能与解析难题：使用 GPT4o 和 Sonnet3.5 进行的 Multimodal RAG 试验引发了对 query rewriting 及其益处以及 LlamaIndex 内部机制的好奇。
  • 在 RAG 的 Langchain 使用和文档处理方面的具体经验引发了与 LlamaIndex 独特解析方法的比较，并促成了一次关于正确实现的 GitHub-based exchange。

OpenAccess AI Collective (axolotl) Discord

• Mistral 在 Axolotl 武器库中的威力：一名成员询问 Axolotl 是否能无缝集成拥有 128k token 上下文窗口 的 Mistral 12B NeMo 模型。
  • 对话中引发了关于通过尝试来验证兼容性的玩笑，强调了 实验 (experimentation) 是潜在的解决之道。
• MMLU 意外：Llama 3 的评分风云：Llama 3 8B 的 MMLU 评分报告不一致，范围在 62.3% 到 66.6% 之间，引发了关于模型性能差异的讨论。
  • 随后展开了关于 TriviaQA 基准测试有效性的辩论，建议有必要进行标准化报告。
• Transformer 跨越到深度推理：成员们分享了一篇关于 Transformer 实现 grokking（一种增强的推理形式，暗示处理复杂推断的能力）潜力的论文见解。
  • 该论文假设，通过大量的训练，Transformer 可能会发展出超越记忆的 推理性泛化 (inferential generalization) 能力。
• 微调：更大的空间意味着更多的余地？：讨论强调了 12B 模型 为优秀的微调提供了充足的空间，相较于 Llama 3 8B 处于有利地位。
  • 大模型尚未达到其训练极限的观点表明，在微调场景中更有机会获得卓越的结果。
• Llama3：首选模型还是潜在幻象？：在 #general-help 频道中，成员们将 Llama3 视为未来工作的目标模型，引发了一系列充满希望的推测。
  • 尽管训练损失呈现积极趋势，但社区在实验性 Rank 调整后对其潜力仍保持谨慎乐观。

LLM Finetuning (Hamel + Dan) Discord

• 模型进入微调狂热：成员间的辩论揭示了在微调过程中，开源模型（如 Mistral 7B 和 Llama3）与 gpt-3.5-turbo 之间令人惊讶地缺乏性能对比。
  • 当 gpt-3.5-turbo 表现似乎优于其他模型时，引发了好奇，人们猜测 OpenAI 的 数据政策 (data policies) 可能是导致其未能被更广泛采用的原因。
• M1 Mac 在模型内存上遇到对手：首次加载模型的延迟让一位在 Mac M1 上进行测试的 Hugging Face 爱好者感到沮丧，指出初始内存分配是罪魁祸首。
  • 社区成员表示，这个瓶颈在后续运行中可以被绕过，建议通过重复测试以获得更流畅的体验。
• 计时策略解决棘手问题：成员们交流了如何将 模型加载 (model loading) 与 推理 (inference) 分开的策略，以解决工作流中的计时难题。
  • 这种诊断性的划分可以揭示流程中哪一部分是性能痛点。
• 保密性引发微调中的敏感性：敏感的业务数据成为了障碍；用户表达了对将客户和患者数据等机密信息委托给外部公司的担忧。
  • 这种忧虑凸显了在隐私保护与外部微调服务能力之间取得平衡的普遍困境。

LAION Discord

• Meta 的多模态探索：Meta 的雄心壮志随着其在 multimodal AI models（多模态 AI 模型）领域的突破而飙升，承诺将增强用户与技术的交互方式。
  • Meta 的这一举措旨在将不同类型的数据输入编织在一起，以创造更丰富、更集成的用户体验。
• Llama 告别欧盟：由于监管环境的影响，Llama models 告别了欧盟用户，引发了关于该地区 AI 能力削弱的讨论。
  • 这一决定凸显了欧洲日益增长的监管挑战，这些挑战正影响着先进 AI 技术的可用性和可访问性。
• Codestral Mamba 迈向成功：源自 Mixtral 系列的 Codestral Mamba 发布，标志着代码生产力的进步，它具备线性时间推理和处理理论上无限长度序列的能力。
  • 该模型由 Albert Gu 和 Tri Dao 提供技术支持，确保了深度交互的快速响应，正如其 发布公告 中所强调的那样。
• 通过 Prover-Verifier 对话提升清晰度：为了提高模型输出的可读性，OpenAI 的 Prover-Verifier 机制通过阐明 LLMs 回答背后的思维过程，提升了清晰度。
  • 通过参与这些人工对话，LLM 输出的透明度得到了显著提升，促进了更深层次的理解，详见 OpenAI 的方法。
• NuminaMath-7B 的数学造诣：NuminaMath-7B 在 AIMO 竞赛中脱颖而出，超越了竞争对手，解决了大量复杂的高中数学问题。
  • 然而，爱好者们强调在解读这些胜利时要保持谨慎，因为基准测试可能无法完全捕捉到 LLMs 的基础推理缺陷，这一观点在一条 推文 中有所分享。

Torchtune Discord

• 自动化 CI 的烦恼：有人对在 Pull Requests (PRs) 上自动运行的持续集成 (CI) 流程表示担忧，这干扰了开发者的工作流。
  • 建议的修复方案是让 CI 不受干扰地运行，直到 PRs 退出草稿状态并需要同行评审。
• 为搞怪 AI 调整模板：讨论围绕自定义 AI 模板重命名列的模糊性，以及是否保留 alpaca cleaned dataset。
  • 一位成员做出了澄清，他计划在未来使用 alpaca 数据集，尽管目前的重点是一个配置为输出 “HAHAHA” 的滑稽模板。

tinygrad (George Hotz) Discord

• GTX 1080 在 tinygrad 运行中受阻：用户在使用其 GTX 1080 时遇到了 tinygrad.device.CompileError，引发了关于在设置 CUDA=1 时该显卡与 tinygrad 兼容性的技术咨询。
  • 社区成员参与了讨论，探讨了旧代 NVIDIA 显卡是否缺乏支持，以及是否需要通过补丁 ops_cuda 或禁用 tensor cores 等解决方案。
• 展望未来：新硬件，新视野：讨论转向 2080 series GPUs，这似乎是顺利运行 tinygrad 的最低要求，凸显了旧款 NVIDIA 型号可能被排除在外。
  • 作为积极的一步，原帖作者提到正在更现代的系统上设置 tinygrad 以规避兼容性障碍，并对社区的建议表示感谢。

Alignment Lab AI Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

LLM Perf Enthusiasts AI Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

AI Stack Devs (Yoko Li) Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

MLOps @Chipro Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

Mozilla AI Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

DiscoResearch Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

AI21 Labs (Jamba) Discord 没有新消息。如果该公会长时间没有动态，请告知我们，我们将将其移除。

PART 2: Detailed by-Channel summaries and links

完整的逐频道详情已针对电子邮件进行了删减。

如果您想查看完整详情，请访问此电子邮件的网页版：！

如果您喜欢 AInews，请分享给朋友！预谢！