頭條
Kaggle 模型 (Product Launch)
我們都知道 Kaggle 的人工智能和數據科學競賽。 現在，他們推出了 Kaggle 模型，這是一個通過與 Kaggle 平臺的其余部分深度集成來發現和使用預訓練模型的中心。 Kaggle 正在與 TensorFlow Hub (tfhub.dev) 合作，在該平臺上本地提供一組近 2,000 個公共 Google、DeepMind 和其他模型。
Anthropic 對 AI 安全和進步的看法
緊隨 OpenAI 最近關于 AGI 的帖子 - Anthropic 的帖子更加審慎地看待當前的研究狀態以及它如何符合他們組織的目標。 一般來說，他們對安全感興趣，因為它與能力和政策有關。 他們將他們的研究結構化為能力、調整能力和調整科學研究。 總之，他們構建健壯系統的可擴展方法似乎非常有效。
Chat by Copy.ai (Product Launch)
Copy.ai Chat 是更智能的 ChatGPT，可幫助您完成更多工作。 為公共數據抓取網站，生成個性化副本，將 YouTube 視頻總結為關鍵要點，以及更多與下一代 AI 聊天。
研究
Magic Prompt (HuggingFace Space)
自動提示工程 - 輸入一個簡單的描述，Magic Prompt 將為您提供幾個示例，這些示例在提供給 Stable Diffusion 時看起來很棒。
Video-P2P: 使用交叉注意力控制進行視頻編輯
該項目展示了 Video-P2P，這是一個使用交叉注意力控制的現實世界視頻編輯框架。 它采用圖像生成擴散模型并提出文本到集 (T2S) 模型以進行精確的視頻反演。 該框架結合了用于詳細編輯的解耦指導策略，并支持文本驅動的編輯應用程序。 Video-P2P 優于以前的方法并保留了原始姿勢和場景。
文本到圖像擴散模型的全景分割
該論文介紹了 ODISE，它使用預訓練的文本圖像擴散和判別模型來執行開放式詞匯全景分割。 所提出的方法利用兩種模型的表示在開放詞匯全景和語義分割任務中優于以前的最新技術。 僅通過 COCO 訓練，ODISE 在 ADE20K 數據集上實現了 23.4 PQ 和 30.0 mIoU，比之前的最先進方法提高了 8.3 PQ 和 7.9 mIoU。
工程
4 bit 量化 llama (GitHub Repo)
使用 GPTQ 對 llama 進行 4 位量化 - 最先進的零樣本權重量化。 使用這些技術，您可以在 GPU 內存使用量上節省一個數量級，同時性能略有下降，這可能允許一些大型模型在消費類硬件上運行。 然而，量化技術需要相當大量的 CPU 內存來生成減少的模型權重。
具有大量新功能的新 Accelerate 版本
您現在可以將 Pytorch 2.0 與 Accelerate 結合使用。 鑒于新 Pytorch 版本的加速，這是一個很好的好處。 此外，Accelerate 現在具有 fp8 支持和實驗性 TPU 訓練支持。
可視化 ChatGPT (GitHub Repo)
這是將多個強大模型鏈接在一起的絕佳示例。 這也是 Tool 使用的第一個公開且有些復雜的示例。 自述文件中有一個很好的功能 GIF。
雜七雜八
ChatGPT API 又好又便宜，你不需要其他任何東西
在保持質量的同時顯著降低成本使得其他文本生成系統難以證明其合理性。 這可能是虧損的領導者，或者是對競爭的反應，但無論如何，這種模型的強大功能使大多數希望在其產品中添加文本生成的公司不費吹灰之力。 目前尚不清楚這種情況會持續多久，但就目前而言，這是一種有趣的狀態。
使用 AI 將 Web 變成數據庫
人工智能的進步正在使以前不可能的產品成為現實。 現在是重新審視一些失敗的最初想法的最佳時機。 語義網最激動人心的想法之一是創建“語義網代理”，它可以在網絡中導航并代表您執行任務。 語義網將為網頁的有意義的內容帶來結構，創建一個環境，在這個環境中，從一個頁面漫游到另一個頁面的軟件代理可以很容易地為用戶執行復雜的任務。
Grammarly 正在添加 AI 功能
語法檢查工具 Grammarly 添加了一個 AI 工具，可以按照您的個人寫作風格編寫內容。
The Office lines 數據集
50k+ 臺詞，包含來自美國熱門電視節目的劇季、劇集、場景、演講者和文字。 可能是一個有趣的數據集，可用于副項目。
超級簡單的 ChatGPT 包裝器 (GitHub Repo)
一個簡單的包裝器來處理 gpt-3.5-turbo 的稍微奇怪的格式。 它設置系統的角色并解開響應，同時保持一些聊天歷史的外觀。
ML Papers Explained (GitHub Repo)
這個 GitHub 庫解釋了機器學習中的關鍵概念。
