Latest / Verbos: AI og Softwareudvikling / #65 - Vi taler OpenAI’s nye o1 LLM feat Mads Henrichsen

Transcript

#65 - Vi taler OpenAI’s nye o1 LLM feat Mads Henrichsen · Verbos: AI og Softwareudvikling

0:00
Hej allesammen og velkommen til eva bos podcast afsnit nummer 65
0:04
i denne her episode. Der skal vi snakke om open air s
0:06
nye releasede model. Ja o et tror jeg den hedder opin
0:12
ERO et Jeg kan ikke nå den hedder o et eller oben AO et det
0:16
skal vi snakke om i dag. Der har været en masse rygter i
0:19
optakten til den her model og Det er stadig helt klart hvordan
0:22
den helt fungerer under motoriel men så det skal vi prøve at
0:25
komme lidt ind på i dag her. Hvad hedder det?
0:28
Vi har ikke Jonas med i aften, men Jeg har været så heldig at
0:30
få få mads Henriksen med så velkommen til mads.
0:33
Mange tak. Du har jo været med II podcasten
0:36
før og fortælle om ja dansk bibliotek og hvordan du hvordan
0:40
du trænede den første danske lars lang well så jeg tænker at
0:44
jeg tænker at nærmest ikke man kunne have nogen bedre med her
0:48
på på potten end end end dig i dag, så så ja har du været inde
0:52
og prøve opining af jeres nye o et.
0:57
Mini og preview. Ja.
1:00
Jeg har også været inde og prøve lidt men men Jeg er men man er
1:04
jo begrænset i chat kapite og man jo i hvert fald begrænset
1:07
med de her. Hvad er det 30 ugentlige
1:10
beskeder man kan sende? Ændret i dag?
1:13
Nå, så nu er det. 30 om dagen tror jeg Det er OK 30.
1:17
Om dagen OK. Fair nok ja, men det det virker
1:21
i hvert fald som om de har en. De har en rimelig tung model
1:23
kørende deromme bagved ved ved API et der så så det tænker jeg
1:27
Det er det Vi skal snakke lidt om i dag.
1:28
Først og fremmest tænker jeg at det kunne være spændende.
1:31
Bare lige prøve at snakke lidt om alle de rygter der har været
1:34
op til abene. Jeg er jo notorisk kendt for at
1:38
være Sådan super Sådan hype-agtig og være rigtig Sådan
1:43
gode til at. Jeg ved ikke bare få det til at
1:46
virke Sådan lidt episk alt det de arbejder på.
1:49
Hvad hedder det og der har været noget med noget.
1:51
Jeg var startet det med var det Sådan noget que star og?
1:56
Ja hvad hed de alle sammen? Ja que star og så gik det lidt
1:59
over så store bag og Sådan noget ikke?
2:04
Ja, og så har folk spekuleret Sådan og og og der var også
2:07
noget med der under. Altså da da same olkman blev
2:10
fyret fra fra bestyrelsen. Jamen så var det fordi at de var
2:13
i gang med at udvikle AGI og de havde allerede udviklet AGI og
2:18
Det var den der q star og Sådan noget.
2:21
Ja så så der har været en masse boss i hvert fald.
2:24
Det er helt sikkert, men jeg tænker på Sådan Det kan være Vi
2:28
skal prøve at at snakke om Sådan til at starte med hvordan det
2:31
ligesom. Altså de announcede det jo lige
2:35
pludselig og. Altså den første Sådan
2:38
interaktion jeg havde med Det var jo inde i chatkebæ, og det
2:40
tror jeg måske. De fleste har altså Sådan hvad
2:43
hvordan hvordan er det at bruge o et i forhold til?
2:48
De andre altså fordi Det er jo ligesom bare en chat.
2:50
Du kan bare vælge GBT 4 eller GBTO et hedder den så.
2:56
Min første reaktion var, at hold kæft det langsomt.
3:02
Jeg sad, og der bliver virkelig brugt meget tid på at tænke.
3:07
Altså der går virkelig mange tungs til noget som brugeren
3:10
ikke kan se. Og alt efter hvordan bruger det
3:16
ekstremt OK? Ja Det er også helt klart min
3:18
oplevelse. Altså man kan sige det der Sådan
3:21
skulle være det nye ved. Det er jo det her med at.
3:25
At at den ligesom tænker før den taler, og det skulle ligesom
3:30
være. Hvad skal man sige være med til
3:32
at kunne give den altså? Den giver endnu bedre svar ikke,
3:35
men Det er også helt klart min oplevelse at at Sådan den er god
3:39
til nogle ting, altså den er god til.
3:42
Det er ikke bare Sådan alle prompte Jeg vil give den give
3:45
til den og så bare stå og vente de der. 10 flere minutter, nogle
3:49
gange 10 sekunder flere minutter nogle man nogle gange kan vente
3:52
ikke. Det er helt klart ligesom om at
3:53
den er den den den er optimeret til nogle bestemte typer
3:57
opgaver. Ja er der også det hvad har du
4:00
men har du Sådan har har du nogle oplevelser af at den er
4:03
bedre til noget end end den gamle?
4:05
De andre modeller var Sådan vibecheck-agtigt.
4:09
Altså Sådan helt generelt, så synes jeg at at det bedste ved
4:13
dine modeller er ikke at de har været klogere, men.
4:19
Mere at de har et meget større output toing window.
4:24
Så kapitel 4 år og andre modeller har 4000 tunge og nogle
4:30
af BT modeller og 8000. Men.
4:35
O et og et lini har 36.000. Så du kan bare skifte en helt
4:41
kæmpe code repub og så kan den view det hele en.
4:44
Gang du kan bruge Copenhagen jo til det.
4:46
Ja dav godt kan du se. Ja stor fan.
4:50
Stor fan ja åh Det er ikke godt hvad hedder det?
4:54
Ja altså hvad hedder det jo ja så du så du tænker meget på det
4:58
her kontekstvindue som 1 1 1 1 differentiator på modellerne.
5:02
Ja outputums. Men oplever det ikke også, at
5:05
Jeg synes bare også det, jeg oplever at at Sådan.
5:08
Uanset hvor meget kontekst man giver dem, så kan de godt blive
5:12
forvirrede, hvis man ligesom blother det alt for meget det
5:15
der kontekst endnu. Jo helt sikkert.
5:20
I dag skulle jeg noget så simpelt som.
5:25
At tilføje SSL til en server og jeg kunne ikke lige huske
5:28
kommandoen og så spurgte de chatkebæ og så kom jeg til at
5:31
ramme. Et mini og den skrev i 4
5:36
minutter. Altså den ting de er 5 sekunder
5:39
og så skrev den 3000 år. Så Det var fuldstændig altså Det
5:45
er hele vinduet lacket fordi Det er et andet større så meget sex.
5:48
Bare for Sådan et spørgsmål der. Hvad OK.
5:54
OK så den overinger bare total svar.
5:56
Den tænkte overalt wow jeg skal bare lige bruge en simpel
5:59
korando. Ellers skulle den op og Google
6:02
det. Virker som om altså fordi det
6:04
virker altså. Altså det virker som om at
6:07
opinay de har trænet altså de har ligesom været bevidste om at
6:11
de her modeller er sygt dårlig til risning.
6:14
Altså Sådan. De kan godt lave altså det her
6:17
Der er en eller 2 form for interessante.
6:19
Hvad skal man sige feature ved ved dem og Det er at de kan lave
6:23
det her hvis man beder dem om at lave det her change of though så
6:26
bliver de bedre men altså de bliver ikke Sådan.
6:30
Gode til at lave Sådan rigtig visninger.
6:32
Man kan typisk se, at de vil lave forkerte ræsonnementer og
6:37
typisk så vil de også lave det rigtige ræsonnement, men gør det
6:40
forkerte eller altså Sådan det det.
6:42
Det er Sådan lidt hallucinerings agtigt det her chancer ford
6:45
resing. Det virker som om at og og det
6:48
gør at det her med at det her sprogmodeller har svært ved
6:51
ligesom at rent faktisk at ræsonnere sig frem til løsninger
6:55
på problemer. Så så har de svært ved at løse
6:58
Sådan komplekse resulting tunge opgaver såsom matematiske
7:03
opgaver og programmeringsopgaver og så videre og og der har de
7:06
ligesom Det har de. Det er ligesom som du selv også
7:09
er inde på her. Det virker som om at o et serien
7:12
er Sådan meget laser fogest trænet til at løse lige præcis
7:16
den type problemer. Meget problemet opgaver.
7:21
Og og det tror jeg også ligegyldig.
7:24
Bærer bærer præg af. Så Det er ikke de der Sådan helt
7:28
simple instruktioner. Altså givet et eller andet
7:31
spørgsmål om at have et svar. Nej helt sikkert ikke.
7:35
Jeg læste på Twitter eller x som det som det hedder.
7:41
At. Der var nogle der har været til
7:45
interview hos åben ej som havde fået nogle opgaver.
7:50
Hvor at Det var meget Sådan visningen.
7:53
Komplekse opgaver og de her ting.
7:55
De blev jo Sådan optaget og transporteret.
7:59
Så er der mange, der går og tænker på, at de her
8:02
transfusioner og de her interviews af folk, Der er til
8:05
ekstremt. Teknisk dygtige måske allerede
8:09
brugte til træning. Altså for deres jobsamtale eller
8:12
hvad? Ja det ved jeg ikke men men man
8:15
kan sige strukturen er meget påfaldende.
8:18
Ja fordi måske skal vi bare prøve at dykke ned i det med det
8:20
samme fordi hvad fanden er det egentlig hvad?
8:22
Hvad er det egentlig man regner med der foregår bag de her?
8:24
Altså bagved den her model fordi.
8:27
Som Jeg kan forstå det så siger opinay at det her.
8:30
Det er ikke et chat GPT moment for o et modellerne.
8:35
Det er mere et GPT 3 moment for o et modellerne, så Det er
8:40
stadig altså på samme måde som GBT 3 famlet rimelig meget i
8:45
blinde dengang den kom ud, men stadig havde noget interessant
8:48
ved sig, så er det lidt det samme.
8:51
Vi er hvor det samme sted Vi er nu med o et modellerne.
8:55
At de de kan noget interessant, men de er Sådan stadig lidt lidt
8:59
måske specifikke og ikke Sådan helt.
9:04
Så nemt at styre også måske og opføre sig i mange henseender
9:08
ikke. Så hvad skal man sige
9:09
hensigtsmæssigt? Især hvis man bare lige gerne
9:11
vil have en eller 2 kommando til sig selv.
9:12
Så er det måske ikke lige den man man hiver frem, men men
9:15
altså det virker som om at de altså der har jo været mange
9:18
rygter i forhold til hvordan de helt konkret er blevet trænet.
9:21
Men ove baner har Jeg har jo været, hvad skal man sige?
9:25
Åbne om at de i hvert fald bruger Brian forcement learning
9:29
til at til at træne de her modeller og til at.
9:33
Ja nu nu er jeg lidt i tvivl om hvad Der er spekulation og hvad
9:35
der ikke er spekulation. Men altså de er i hvert fald
9:37
åbne omkring at de bruger rainforcement learning til at
9:40
lave en form for. Jeg ved ikke altså en form for.
9:46
Reward optimering i forhold til. Den altså Sådan change of futs i
9:53
virkeligheden. Ja.
9:56
Som Jeg kan forstå Det er Sådan en autokorrektur.
10:00
Jamen ford hvor at datasættet. Bliver genereret, mens man
10:10
træner. Så hvis man kommer frem til et
10:14
eller andet svar, og så har man flere Sådan trestrukturer af af
10:20
prompt, så den her Der er lidt hen til svaret på en eller 2
10:26
score hvor de andre får en dårligere skov.
10:29
Ja. Så man starter med en eller 2
10:30
print der udtrykker en eller 2 opgave, og det vil typisk
10:34
spørgsmålet er om de er autogenereret eller hvordan de
10:36
ligesom har fået de her initielle proms.
10:39
Men det virker som om, at Der er i hvert fald en eller 2 prop der
10:41
ligesom beder om at løse en eller 2 en eller 2 reasing tung
10:44
opgave som kunne være noget kode eller kunne være noget matematik
10:47
eller et eller andet der kræver noget kompleks visning og så
10:51
virker det til så vidt Jeg kan forstå at de får.
10:54
De har så fået ligesom en ja jeg bruger det sikkert kapitel 4 til
10:57
ligesom at generere mange tjenere forts.
11:01
Altså ligesom bare genererer mange gange stod odds.
11:03
Mod opgaven ned for eksempel. Ja lige præcis.
11:06
Prøv lige at se en i en del af gangen.
11:08
Og så har samplet mange og så genereret mange af dem ikke.
11:12
Måske pænt udøvende? Jo genereret det jo ikke.
11:15
Nej lige præcis, men så måske generelt 10 og så er det ligesom
11:17
bare begyndt at køre ned af de forskellige II hvad skal man
11:21
sige patt så har man lavet lavet Sådan en.
11:23
Jeg tror der har været paper på et tidspunkt der hedder trief
11:25
thats altså hvor man har genereret Sådan 1 3 af af
11:28
reasning steps til ligesom at at at hvad hedder det gå ned de her
11:34
altså prøve at løse problemet og det.
11:38
Det der så også er påfaldende. Det er at mange af de opgaver
11:40
som. O et skulle være bedre til at
11:43
løse er ofte opgaver, som har et altså Sådan et et verificerbart.
11:50
Hvad skal man sige outputat? Kode som kan testes for en eller
11:57
2 test eller Sådan noget. Så det vil sige man kan man kan
12:01
træne. Man burde kunne træne, lave en
12:05
eller 2 måde syntetisk data som som som ligesom genererer alt
12:09
det her de her gange altså jinoff og så søger ned i dem og
12:14
laver en eller 2 form for reward modeling på gode steps imod at
12:19
løse et eller andet problem og så ligesom søge noget af de
12:21
forskellige past der bliver genereret og så.
12:24
Det sørge for at dem, der genererer den rigtige.
12:28
Change of start ligesom får høj, altså de får en høj reboard
12:32
fordi de løser problemet, og så er det ligesom signalet om den
12:35
løse det man gør. Hvad tænker du om det?
12:37
Hvad tænker du om den den løsning?
12:40
Altså det. Det er en god løsning, altså den
12:45
vi får bedre visning af det. Det kan vi jo tydeligt se.
12:49
Problemet er bare lidt at man sparer computer i træningen og
12:55
så bruger alt computeren i inflands.
12:59
Det vil sige på sigt vil. Modellerne altså bruge dem langt
13:05
mere computer, end hvis du bare havde trænet dem til at være
13:07
god. Ja out of the box fordi den
13:11
ligesom skal bruge. Så vidt jeg kunne forstå så så
13:15
mere comput i træningsfasen giver bedre resultater.
13:19
Så det det det vil du det vil give et bedre resultater ligesom
13:22
det jo man forventer. Men mere computer i inferns
13:25
altså i under test time, som man kalder.
13:27
Det giver altså også bedre resultater.
13:31
For endnu bedre, end hvis de var brugt til computer eller en
13:34
tilstræning. Og Det er jo interessant ikke,
13:38
men det betyder så også bare at så betaler man også bare
13:41
inferens på inferens siden ikke fordi så skal man ligesom bare
13:45
bruge force generere tungens. Og de skal ligesom genereres de
13:49
skal, og der genereres genereres rigtig mange reasing tungnes.
13:53
Som man også, som de også beskriver i april at de Det er
13:57
altså nogle man også betaler for, og som ligesom bliver
13:59
genereret som der bliver genereret vilkårligt mange af i
14:02
baggrunden og så man i øvrigt heller ikke har adgang til via
14:05
AP et. Ej Det er lidt.
14:08
Det er et rimelig suspekt. Det her.
14:10
Altså Sådan. De kan jo bare sige nå men så
14:12
har vi lige genereret 3 mio. om tryk 5 eller.
14:17
Altså det ville det ville et dårligt vejr gøre det på.
14:21
Så Jeg kan lige pynte lidt på. På antallet af tokens deroppe.
14:25
Men jeg tænker de gør det altså de har skjult de der reasing
14:28
tokens at Sådan så man ikke bare kan træne på det.
14:31
Ja altså de har været rimelig ond og omkring mig for.
14:36
Det er bare for kompetit for fordel.
14:40
Fordi man kunne generere den virkelig fantastisk data ud fra
14:44
fra dem. Men noget jeg også tænker på i
14:48
forhold til også noget jeg Sådan forestiller mig er nødvendigt
14:51
for at køre Sådan en her model og sikkert også.
14:54
Grunden til at den er dyrere og. Der ikke er lige så mange ting
14:59
du ved. Man kan ikke lave det der.
15:00
De har ikke deres bachelor i til batch AP tilgængeligt med o et
15:03
modellerne. De har ikke billede API hvis man
15:06
kan sende billeder med og man kan ikke rette på temperaturerne
15:10
og man kan ikke rette på altså de Sådan de her restrikted AP et
15:13
ret meget, men jeg forestiller mig også at det må være mere
15:16
kompleks opgave at køre hele det her system, fordi du skal
15:20
generere mange flere tokens. Og så skal du vel egentlig også
15:24
i modsætning til GPT 4, når du kører den med en Frans, så skal
15:27
du vel også i den her o et opsætning have reward modellen
15:32
kørende. Undervejs.
15:37
Det er jo egentlig et godt spørgsmål.
15:40
Muligvis skal du have flere modeller kørende.
15:45
Men alternativt kunne det jo også godt være en.
15:49
En model som både outputtet toobens og en prop abilty.
15:54
Altså udover bartin loggets. Ja det kunne det selvfølgelig
15:57
godt være. Ja Sådan så at men jeg får
16:00
grunden til at jeg tænker at der skal være en reboard model
16:02
kørende. Det er fordi at den den ligesom
16:04
genererer de her. Parallelt genererer det her 3 af
16:08
af. Det er jo i virkeligheden Sådan
16:10
en 3 research alguéme over chane of thut ikke altså den skal den
16:15
ligesom generere og i takt med den generere den skal de også
16:18
scores. Af en reward model forestiller
16:22
jeg mig, men der tænker du at Det kan være at det ligger i
16:25
selve modellen at den outputter ja.
16:29
Ja det det altså det man kan jo egentlig godt lægge det lave et
16:33
datasæt hvor den laver en eller 2 careford og når den er færdig,
16:38
så skal den evaluere den. Ja og give.
16:41
Den en eller 2 skovl. Og den skovkage er.
16:45
Jeg kan godt være udregnet fordi logget det vil sige hvor sikker
16:49
den er for hvert tåke i den sekvens.
16:54
Der er ikke nogen, der ved hvordan det her fungerer, men
16:57
altså man kunne forestille sig at Det er lidt mere komplekst
16:59
end som så i hvert fald jeg. Jeg forestiller mig, at når de
17:03
ligesom genererer de her de her. Chain of thu pats så skal de
17:07
ligesom også live score hver enkelt step.
17:11
Det er jo. Det er hvert enkelt step i
17:12
planen der bliver lagt, som ligesom bliver scoret og så
17:16
afgøre hvad for en vej modellen ligesom skal gå ned af.
17:20
Den bliver ligesom ja. Det er jo Sådan en en search
17:23
algoritme ned igennem forskellige ting.
17:25
Forts ikke så. Jeg så nogle der skrev at de
17:29
gjorde lidt grin med det at open meget de havde egentlig opført.
17:35
Endelig op. Altså så Det var jo den har
17:38
lavet Sådan en kort. Hvad sagde du?
17:41
Du røg lige ud. De havde opfundet agents som
17:44
alle andre har jeg så bare fucking dårlig skyld.
17:48
Ja ja fantastisk ja. Og Det er rigtig nok.
17:51
Jamen på en eller 2 måde er det jo lidt agents ikke.
17:53
Altså Det er Sådan en agent agtig problem.
17:57
Solving tilgang. Hvor den Sådan itererer henover
18:02
og og søger noget af det. Det ved jeg ikke.
18:04
Det gør den jo så ikke med agent søger på samme måde men men Det
18:07
er Sådan 1 1 1 1 1 loop hvor den ligesom reasener sig igennem
18:12
bare hvor det ligesom er trænet ind i modellen.
18:16
Hvilket jeg forestiller mig? Giver den nogle nogle fordele?
18:20
Altså det bliver ligesom bagt mere ind i modellen det.
18:23
Gør det helt sikkert. Vi så for. 2 uger siden.
18:29
Min gut der hedder match humor USA han er Sådan marketing good
18:35
han sagde nej, men nu har jeg lige lavet den bedste larmende
18:38
model eller open source model nogensinde, og Jeg har bygget
18:41
den på samme struktur som åbner. Jeg vil lancere deres model på.
18:47
Som er det her på det her tidspunkt kaldte reflection.
18:52
Hvilket egentlig er man bare træner model til altid at gener
18:56
tjener ford? Og så gemme det for brugeren.
19:02
Det viser sig at at han open source en model, at den var
19:06
faktisk virkelig dårlig. Og problemet var at han.
19:10
Det kunne han. Det kunne han ikke forstå.
19:11
Sagde han og han havde et privat APP, hvor den performede rigtig
19:16
godt. Så fik han nogen til at teste
19:19
her API og det pervnede sindssygt godt og der var ikke
19:24
nogen. Jeg forstår det, og det viser
19:25
sig at han hans AP var en proxy gloss.
19:29
Nå OK. Den ligger stadig efter Holding
19:33
pæs og la model der. Det er en kæmpe skandale.
19:38
Ja så kan man bare se. Så altså man kan sige.
19:44
Ja og Jeg synes også Jeg har hørt mange snakke om Sådan.
19:46
Amen Det er sgu da ikke så imponerende.
19:47
Vi kan sgu da bare lige altså Det kan man da godt lave med med
19:52
en eller 2 open source model og så bare få den til at tænke det
19:54
step by step ikke men. Er det ikke helt lige til?
19:59
Nej, det virker bare som om Der er noget andet der der der
20:02
bliver bagt nogle andre ting ind i modellen, når man rent
20:05
faktisk. Træner, det forestiller jeg mig,
20:08
eller det virker bare som om at. Der er nogle ting, man ikke kan
20:12
promingere sig ud af, hvor det ligesom skal base ind.
20:18
Altså Jeg tror hele Sådan helt grundlæggende.
20:20
Jeg har et rigtig godt dag, og Det er noget der ikke.
20:25
Er syntetisk. Fordi man har kunnet generere
20:30
det i lang tid og kunne genet tror jeg ikke.
20:33
Jeg kan stadig have mig selv. Man er kun genereret rigtig
20:36
gode, Sådan typisk lang tid som at kunne performe rigtig godt på
20:42
et meget specifikt task også bare plumps og ud af ud af ting.
20:50
Men det her er rigtig svært at give mig at generere syntetisk.
20:55
Fordi at hotput længden er slank.
20:59
Ja. Så Der er ikke en enkelt model,
21:01
der på noget tidspunkt er kunne generere Sådan nogle outputs.
21:06
Så en af tricksene er faktisk også det her med at de er så
21:08
lange. Men jeg tænker Sådan, hvad er
21:10
det OK nu nu? Nu snakker vi om, at de sidder
21:12
med datasæt, som er utrolig værdifuld og som er svært at
21:15
genskabe. Men hvordan ser det?
21:19
Hvad er det? Ligesom hvad er det for noget
21:21
benarbejde Der er gået ind i at lave det her datasæt?
21:24
Fordi før der snakkede vi om at man kunne forestille sig man
21:28
kunne lave det med. Ja ligesom bare at have nogle
21:29
initielle prompt som. Man kunne forestille sig man
21:33
havde en eller 2 prompt som definerede et eller andet et
21:36
eller andet kode der skulle skrives eller et eller andet
21:37
matematisk problem. Og så havde man så også den test
21:42
som som også genererede den test der ville kunne løse.
21:47
Det kunne altså som ville være opfyldt, hvis Det var rigtig
21:50
løsning, ikke? Og så kunne man ellers bare gå i
21:53
gang med at generere de her tree of thuts og så søge ned igennem
21:56
og optimere for dem. De stier, som ligesom gav
22:00
korrekt. Altså Sådan hvad tænker du
22:04
egentlig? Hvad tænker du kunne være
22:06
benarbejdet i forhold til at konstruere Sådan et datasæt?
22:09
Så bare mennesker der løser opgaver og blæser opgaver.
22:15
Altså det det startede ud med bare at være et spørgsmål med
22:19
find svaret så skrev folk svaret ned og nu er det Sådan mere
22:23
fokuseret på reasningen. Givet det her spørgsmål, hvad
22:28
kan du? Hvordan kan du finde frem til
22:30
svar? Betalt med Sådan forklar mig,
22:33
hvad du tænker. Og så træner man på det, så.
22:36
Du forestiller dig at til at starte med, så har man ikke
22:39
lavet det her reenforce myt learning, så har man måske bare
22:41
først altså indsamlet få folk til at generere de her data.
22:46
Altså Sådan her er et problem og så løst det og så du ved en
22:51
eller 2 person der bare sidder og skriver alle sine step
22:55
bypingning ned og så har man måske samlet en ordentlig bunke
23:00
af dem. Altså generelt produceret en
23:02
ordentlig bunke af den type data punkter, så har man trænet 1 1 1
23:07
supervis model altså lidt ligesom reinforce learning
23:11
feedback metoden ikke altså så kører man ligesom Sådan et
23:14
supervised step for at få modellen i modet til at opføre
23:19
sig Sådan, at den genererer de her meget lange ting og så har
23:23
man ja så har man ligesom brugt det til at sample.
23:27
Mange forskellige ja de her træer, og så har man kørt min
23:29
force mad learning på det. Det kunne jo godt være en det.
23:33
Kunne det kunne helt sikkert være en mulighed.
23:36
Jeg tror de mennesker, der har været med til genererer
23:38
datasættet, også har givet forkerte løsninger.
23:41
Altså lad os sige du får en ekstrem kompleks opgave, og du
23:46
så prøver at løse den og så på et eller andet tidspunkt.
23:47
Så finder du ud af det her. Det er ikke løsningen.
23:51
Så går du så tilbage til et eller andet trimmet og så prøver
23:54
at starte derfra igen, indtil du finder løsningen.
23:57
OK så menneskerne har har været fuldstændig open source i
24:00
forhold til deres tanke. Rækkerækker altså Sådan hvis de
24:03
også Sådan hov Det var sgu ikke rigtigt gået tilbage.
24:05
Ja OK ja fordi Det er der også nogle der.
24:08
Det kan man også se i de der jin of thutts man trods alt har
24:12
adgang til i chat GBT ikke at den Sådan så nogle gange så
24:16
siger den Det var ikke rigtigt. Hvad du har adgang til summer.
24:22
Ikke det Sådan dybere vægte tanker Det er.
24:27
Så de har lige en gebit 4 o til at samuise.
24:30
Løber ja. Ja Det er det godt nok lidt Der
24:33
er meget campus. Jeg kan ikke lade være med at
24:36
tænke på, at Jeg tror måske altså da sam målmand blev fyret
24:40
og kniv star og nu har de opfundet AY og var det derfor
24:43
han blev fyret og Sådan noget ikke?
24:45
Jeg kan ikke lade være med at Sådan at at at Sådan.
24:50
Altså blive en lille smule skuffet over at at Det er jo
24:53
ikke altså. At man ikke længere.
24:56
Jeg, men Jeg har regnet med at man var længere, men Jeg tror
25:00
bare at åkane og er rigtig dygtige til at puste rigtig
25:03
meget op. Ikke og virkelig skabe det her
25:06
slør og mystik omkring dem. Det Det har været lidt skuffende
25:10
på det seneste altså 3 4 måneder siden.
25:16
Gemsa 4 OK mod og de sagde voice delen vil blive release og nu er
25:21
det collager waics cover weeks. Så ja.
25:26
Det kunne godt være det kunne godt blive til Sådan et.
25:28
Det opinerer i mean ikke? Ja så man man kan sige.
25:36
Måske er man også nået dertil hvor at.
25:39
Altså altså bevares Det er da imponerende.
25:43
At den at de har kunne træne den til at blive bedre til at lave
25:47
den her. De her reasoning traces og ja.
25:54
Men som de også selv siger Det er måske lidt mere et kapitel 3
25:57
moment end Det er et kapitel kapitel moment for for den type
26:00
modeller ikke. Så Jeg tror måske også bare man
26:02
skal man skal forvente. Altså det man kalder for en
26:07
kriminel. Incriumental på engelsk
26:11
forbedringer, ikke? Men det smarte er jo nogle.
26:16
At det datasæt bliver genereret, men det promter Det har de jo og
26:22
de har de rigtige og de forkerte pars som før har været ekstremt
26:27
dyre at generere, for du skal bruge mennesker.
26:31
Så Det er også derfor de har holdt det.
26:33
Gemt ja. Så Det kan de bare træne på nu.
26:37
Jamen, hvordan tænker du så også Sådan når man skriver ind, så
26:39
genererer den jo selvfølgelig resing traces og alt det her
26:44
hvor hvad hvad er signalet så? Signalet er bare sluttet altså
26:49
den proppen kan til bruges. Okay så det men men men du
26:53
tænker ikke der skal være en eller 2 form for hård heart?
26:56
Hvad skal man sige report-past eller et past eller Sådan?
27:00
Hvad er revorten? Jeg kan godt.
27:02
Jeg kan godt se hvad du hvor du hen.
27:06
Men fordelen i at. Prøve at undgå de steps Warren
27:12
er forkert. Der er noget værdi i det, fordi
27:15
det koster computer. Så du får måske ikke
27:18
nødvendigvis et bedre svar, men du sparer en masse.
27:23
Computer. Ved at du kan frasortere alle de
27:26
forkerte svar. Men uden tvivl altså de får de
27:30
har altså de er uden tvivl de en fordel for dem at de har blæst
27:34
ud til så mange brugere ikke og at at.
27:37
Vi betaler for genereret, Der er datasæt.
27:40
Det er nok smart. Og de er for feedback ikke og
27:44
altså. Ja.
27:48
Har du Sådan nogle ideer til hvor altså nogle use cases hvor
27:51
at altså Sådan produktvis hvor at det kunne give mening og hvor
27:56
man tænker Sådan Det er o et Vi skal have fat i her.
28:00
Nej. Nej overhovedet ikke.
28:04
Altså meget af det vi laver er jo Sådan rackbaseret.
28:09
Og der tror jeg slet ikke Der er nogen der har lyst til at vende
28:11
20 eller eller 25 sekunder på et svar.
28:14
Nej. Og Det er så måske bestille en
28:17
lille bitte bedre. Sneg.
28:21
Vi laver ikke noget fysik på PHD niveau eller matematik, som skal
28:28
med til den matematiske olympiske lege eller eller Sådan
28:31
noget i stil. Jeg kunne godt forestille mig
28:32
Der er nogle muscases II Sådan forskning.
28:37
For at verificere en eller 2 teori hurtigt.
28:42
Der er jo kamp. Tidernes bare det.
28:46
Kan godt være man kunne forestille sig Sådan nogle en
28:48
eller 2 form for ja Sådan en eller 2 form for.
28:53
Teorien prover eller Sådan noget et eller andet et eller andet
28:57
spekulativt net af prompt og automatisering, der læser papers
29:02
og alt muligt tokensering ud i det lyder pisse dyrt.
29:07
Ja, det gør det godt nok ja. Men jeg tænker ultimativt er det
29:11
vel det som opinayar? Hvad skal man sige vil opnå med
29:14
det her ikke? Altså Det er jo det snakker de
29:16
meget om det her med at hvis man kan få få dem til at lave rigtig
29:19
rensning og opfinde nye ting og ligesom gøre Sådan at de kan.
29:27
Udlede ting som. Ikke var kendt viden før og
29:32
Sådan noget. Jeg tænker Det er det Der er
29:34
målet. Ikke fordi så.
29:37
Jeg søgte med Twitter, lige da det udkom og at.
29:42
Hvad hedder ham der og Der er en eller 2.
29:45
Jeg kan ikke huske. Hvad den måde?
29:47
Nej, nej. Nej nej.
29:50
Der var en der skrev at han var virkelig skuffet, fordi nu har
29:52
den tænkt det 5 minutter. Og den har stadigvæk kunne være
29:56
kræft. Men en lille smule skuffelse
30:01
synes jeg godt man kan tillade sig at have altså altså.
30:04
Den performer rigtig godt i bench maks ja det gør den.
30:09
Men den er uforholdsmæssigt dyrt at køre.
30:11
Og den er ikke så. Lang jeg kager.
30:13
Den er ikke så praktisk anvendelig vel, men man kan
30:15
sige, men man kan sige den rykker jo.
30:19
Benchmarksene kan man sige ikke, og Det er jo interessant altså
30:22
Det er jo interessant, men Sådan rent du ved brugbart.
30:25
Det er også fordi man forventer at nu skal det være brugbart og
30:27
og så videre ikke og nu er det et nyt.
30:31
Deft tools som man kan bruge til at lave et eller andet specifikt
30:33
ikke, og som kan gøre nogle andre ting mere.
30:37
Nogle applikationer bedre og Sådan noget, men det virker bare
30:39
som om at det stadig er lidt umodent i hvert fald.
30:43
Altså. Jeg kommer til at beholde mit åh
30:45
mere ab run. Jeg havde ikke lige opsagt det.
30:50
Men Det er kun fordi at nu har de fået en model der kan afputte
30:54
så mange tungs. Det gør arbejden kode så meget
30:58
oven nemmere. Okay altså med ow et ja.
31:02
O. K så det ja OK Jeg synes bare
31:06
ikke så tit. Jeg synes ikke særlig tit.
31:09
Jeg rammer den der væg der. Altså indputtet bagbuds.
31:15
II chat kapitel. Jamen inputtet og outputow.
31:20
Jeg blæser bare tungt selv og så du ved jeg.
31:23
Jeg synes aldrig en brokker sig. Altså den den brokker sig jo
31:28
aldrig omkring output eller det. Det kan den ikke fordi den har
31:33
kun trænet op til et eller andet som åbenhus, men den kan klages
31:38
over input. Eller input er for langt, ja,
31:41
men Det er rigtigt nok. Det har jeg ramt et par gange.
31:43
Det er selvfølgelig ikke nok, men Jeg synes bare når man når
31:46
derop anyways. Så begynder den bare at blive,
31:50
altså så begynder den bare at blive forvirret.
31:55
Og man skal helst ikke spørge om for mange ting på en gang, fordi
31:58
så. Så forstår den sgu ikke altså
32:01
ej. Jeg ved ikke helt, hvordan vi
32:02
gør det, men jeg føler ikke, man får hele værdien af kontekst.
32:07
Min døde ud, så Jeg har brugt den. 8 mini til at vi Factor og
32:16
hele alt alt mit next DS kode i Sådan et kald.
32:21
OK det tog også 35 øre. Jo jo Det var alle filer. 2 tænk
32:27
den så lang tid. Nej nej en outputtet i 35
32:31
minutter. Wow OK.
32:35
Den skrev jo, det ved jeg ikke flere 1000 år og.
32:38
Har ikke været sindssyg, eller Det er helt.
32:40
Klart det bedste ved modellere Det er.
32:43
De kan bare skrive så meget. Men hvad?
32:44
Hvor lang tid brugte den så på reasoning ikke?
32:47
Særlig lang tid. Ikke særligt Det var bare en et
32:48
sekund. Eller skrive, skrive løs.
32:51
Vildt nok sygt nok. Det har jeg sgu ikke lige
32:53
prøvet, men det kunne da godt være man bare lige skulle
32:55
kopiere. Altså.
32:57
Jeg tror ikke Jeg tror ikke modellerne er så store.
33:02
Jeg tror et. Og et mini er nok ikke meget
33:08
større end kapsa 4 o mini. Men altså de bruger bare så
33:17
meget tid på at tænke at at det går langsomt.
33:21
Ja. Og så hvis Der er noget ekstra
33:23
obs noget hvis Der er en reward model der også kan køre os og
33:26
nogle mere toast der skal reasing tokens der skal generes
33:30
og Sådan noget så det så Det er en tung en der kører.
33:35
Ja mit største problem nu er. Hvis jeg bruger den der gult in
33:40
mac app. Som Det har så lacker det for
33:45
meget og så når afko bliver forlangt.
33:49
Fuldstændig ubrugeligt. Så mange tokens til at til at
33:52
appen kan klare det. Jeg forstår det ikke.
33:54
Det er bare tekst men det. Er rigtigt nok.
33:58
Det er bare hurtigt det så de. Er gode til at lave modeller.
34:00
De er ikke gode til at lave apps.
34:03
Med Microsoft kan virkelig helt noget word EXDE sætte den til at
34:08
fikse det. Ja hvad hedder det altså Sådan
34:14
jeg hvad. Hvad tænker altså Sådan hvad
34:17
tænker du bare Sådan hvis man skulle prøve at kigge lidt på
34:19
fremtiden i forhold til det her? Har du Sådan nogle ideer til
34:23
hvad? Hvad hvad er din næste skridt
34:24
bliver og du ved. Er er vi ikke også ved at være
34:28
der, hvor Vi har nået det der plateau, hvor Det er mest nogle
34:33
instrumental skridt, vi vi kommer til at tage.
34:36
Det er vi. Det er helt klart ja.
34:39
Hvis på den på et tidspunkt bare kan opfinde fuldstændig
34:42
vanvittige ting, som vi ikke kan forestille os lige nu, så bliver
34:46
det fuldstændig sindssygt. Og Det kan godt være, at Vi er
34:51
tæt på det. Vi ved det bare ikke.
34:56
Men indtil der sker, så tror jeg det vil være lidt skuffende.
34:59
Men så har det jo også hvad hedder det man kan sige, hvis
35:01
man hvis den skulle gøre det. Så ville det nok være et noget
35:07
badge job agtigt noget ikke. Altså hvis man skulle lære Sådan
35:09
helt kynisk og kigge på det på hvordan du vil kode det ikke
35:12
altså det ville. Ikke være.
35:14
Ja du ville altså men men altså hvis du kunne finde kurven til
35:17
kræft eller et eller andet sindssygt ikke altså så kunne du
35:20
godt have råd til at have det der API til at hakke tokens
35:25
afsted. Ikke bare III evigheder ikke?
35:28
Altså. Der er jo folk der har
35:30
eksperimenteret med at lave de her.
35:32
Hvad skal man sige? Paper agent systemer der ligesom
35:36
bare prøver at skrive papers og prøver at finde på nye vinkler
35:39
til forskellige forskninger og Sådan noget.
35:41
Jeg ved ikke om der har været super god held med det, men
35:43
altså man kunne forestille sig at.
35:46
Hvis man brænder endnu mere inferience af og får lavet nogle
35:48
interessante, hvad skal man sige?
35:51
Agent systemer der. Der kan tale sammen på en eller
35:55
2 måde og rent faktisk lave noget resing som som giver
35:59
mening så. Så kunne man godt forestille
36:01
sig, at der kunne komme et eller andet ud af det.
36:03
Altså Sådan. Jeg ved heller ikke hvad jeg
36:04
hvad Sådan et succesfuldt. Et en succesfuld case vil se ud
36:10
i det tillid. Altså Sådan.
36:13
Og stemmer meget sjov fordi altså de har målt dens IQ.
36:19
Altså hvis man lige tager et IQ test der skal snart 120 der har
36:23
Vi skal haft noget klogere end 9 ud af 10 mennesker.
36:28
Men alligevel så fejler den jo stadig på Sådan en dumme ting.
36:33
Og Der er stadig svært at at skrive prompt til og Sådan noget
36:37
med programmering og så videre. De der benchmarks til
36:39
programmeringen, der lytter den jo kunstneret. 30 40%.
36:45
Ja. Af reelle software og opgave.
36:49
Fuldstændig. Mindst bucking.
36:52
Ej man må sige 30% er stadig meget.
36:57
Vi skal spare 30 40% træffe at udvikle.
37:00
Ja. Så så bliver det alligevel meget
37:03
billigere at tage påvirket. Ja.
37:04
Det er selvfølgelig helt klart, og så har de jo også.
37:06
De har jo også den her de har den her mini ude og så har de
37:08
preview ude og så har de o et ude ikke så den der o et som de
37:13
holder bag. Lukket døre?
37:16
Den er jo. Den er selvfølgelig meget bedre,
37:20
ikke så, men spørgsmålet er ikke om det der også er bare
37:21
kæmpestort altså det virker bare som om at det virker bare som om
37:25
at Der er noget comput Der er noget Der er noget hastighed på
37:29
noget hardware som som som halter halter bagud, ikke?
37:34
Og er pissedyrt og som skal. Sige.
37:38
Det skulle de også lige have været for. 0,5 år siden.
37:41
Hvad siger du sorora? Ja sorø ja.
37:45
Ja det kommer heller. Ikke?
37:46
Nej nej. Det er alt for dyrt.
37:49
Ja fordi du skal køre de der frames og Det er simpelthen der
37:53
Der er noget hardware hvor at jeg forestiller mig også at de
37:55
får sikkert flere og flere brugere til chatklip og skal
37:58
fortsætte med at skal lære det op ikke og Der er ikke uendelig
38:01
GPU er i verdenen altså så de de har vel også noget
38:04
kapacitetsudfordringer? Kunne jeg forestille mig, hvor
38:09
de bliver nødt til at sige okay, vi vil gerne køre.
38:13
Altså vi vi kører kobber produkt som som laver penge.
38:17
Eller vil vi køre de her? Demoer som eller få de her
38:22
demoer. Vi har lovet at få dem ud i
38:25
livet eller? Ja.
38:28
Hvad skal man bruge til inferant?
38:30
Hvad skal man bruge til at til at træne nye modeller?
38:34
Så på en eller 2 måde, så synes jeg også Der er et eller andet
38:35
der kalder på at at det skal blive lidt.
38:38
Altså det kunne også være fedt hvis modellerne kunne blive mere
38:40
effektive. Ikke altså Sådan
38:42
bordelarkitekturerne. Jamen det findes jo.
38:47
Altså så er Sådan noget lamba eller Sådan noget.
38:50
Andet jamen Det er jo ikke Sådan markant.
38:52
Altså de skal jo stadig være store.
38:54
Ja ja helt sikkert. Altså Sådan du ved Det er jo Det
38:56
er jo stadig jo så kan de have lidt de kan håndtere længere
39:00
kontekst, vinduer og Sådan lidt, men men altså de er jo stadig
39:03
fucking store, ikke der det virker som om der var et eller
39:04
andet der kalder på at. At det kunne være brugbart hvis
39:09
de de kunne. Hvad skal man sige være lidt
39:11
mere samplet effektive de her appdeller men men spørgsmålet er
39:16
jo om der overhovedet altså man om der kan være mere information
39:19
i dem eller Der er en en silverbullet for det altså.
39:23
Altså et spørgsmål om du er træner for viden eller
39:27
kundskaber? I dansk kapitalitet, der griner
39:31
jeg jo ikke for viden. Altså det kræver jo bare en
39:35
empreital preetraer modellerne. Hvorimod jeg træner mere for
39:42
færdigheder altså nu skal jeg kun og lave opsummering og og
39:46
alle mulige andre opgaver. Og Det er langt billigere.
39:50
Ja fordi så er det rent faktisk. Ja, Det er faktisk en meget god
39:53
pointe. Altså Sådan man kan se det på
39:54
hvordan man træner de her modeller at altså i pret
39:58
training. Det er der hvor at du grinder
40:01
data igennem og hvor du ligesom blot force predictelext token på
40:05
random alt muligt tekst og der hvis du virkelig går i dybden
40:09
med det, så får du bagt en masse viden ind i modellen men.
40:14
Men hvis du hvis du men men du kan også godt træne på Sådan
40:18
selve opgaveløsningen altså. Hvor at hvor at du er mere
40:24
afhængig af den kontekst Der er inde i altså information Der er
40:28
inde i kontekstsvinduet og så løse opgaver på baggrund af det.
40:34
Eksempel er Microsoft filmodeller.
40:37
De træner 100% på sydix status. Af en meget høj kvalitet.
40:42
Så de ved ikke en skid, men de kan løse rigtig mange opgaver.
40:46
Ja Sådan. En virkelig god modeller af
40:48
deres størrelse. Men altså.
40:51
De ved ikke noget om verden. Nej.
40:55
Den er jeg også meget interessant det der med hvis man
40:57
altså de kan godt de kan godt hvis man ligesom altså som man
41:01
kan forestille sig at når man skal lære en model rigtig meget
41:04
op så meget at mange af parametrene går ligesom til at
41:07
lære. Viden ja ud fra det du fortæller
41:12
der kunne det da godt tyde på det i hvert fald.
41:15
Helt sikkert altså. Det er jo.
41:19
I bund og grund Sådan en komprimeringsalkritme.
41:22
Så hvis du skal presse alt brugen ud i en model.
41:28
Så kan man ligeså godt få bedre performance ved at kun at træne
41:31
på færdigheder. Spørgsmålet er også altså, kunne
41:34
man også godt forestille sig, at openinger kunne altså fordi hvor
41:37
meget lad os nu sige at o et er bare super god og mega god til
41:40
at lave reasing og Sådan noget? Altså hvor meget er?
41:43
Knowledge og hvor meget er færdighed?
41:45
Ikke fordi hvis man ja, Det er bare en interessant, nærmest
41:49
lidt halvfilosofisk diskussion ikke.
41:51
Og så stiler jeg hvad er? Kunne man forestille sig, man
41:53
kunne klare sig meget mindre i virkeligheden ikke altså Sådan
41:55
og så bare stadig have nogle vilde recinges.
42:02
Altså helt klart. Hvad kan man sige lovage altså
42:05
Sådan ved man. Verden skal lige have rigtig
42:08
godt med parametret. Hvorimod det gør færdigheder
42:13
ikke. Altså Der er Sådan et flader ud
42:18
rim hurtigt. Hoppingface her i dag udgivet.
42:24
En konstantion. Og Det er faktisk ikke den der
42:28
udgivet. Det er mig, som du udgiver til.
42:32
Der hedder bit net. Og Det er hvordan man kontakter
42:36
selv kontis centre modeller til at være 1,58 bit.
42:43
Det vil sige jeg de kan have værdierne minus en nul og en.
42:50
I stedet for. 16 bit som er kæmpetal.
42:54
Det kan jeg ikke lige sige i hovedet.
42:58
Og den måde Holbæk en fisk gør det på.
43:03
Der beholder de rigtig meget deres færdigheder.
43:08
Mm men ikke ingen ved de ved ingenting.
43:11
Og Det er også interessant. Det er sgu da interessant
43:13
egentlig. At man ligesom bare kan raise
43:16
memory og så bare du ved bibeholde Sådan formen eller
43:21
hvad skal man sige færdighederne.
43:22
Det er sgu meget. Det har jeg aldrig tænkt på det
43:23
på den måde før, men det grineren.
43:26
Altså Der er også virkelig meget verden Der er undskyld viden ude
43:29
i verden. Som man ikke kan bruge Sådan
43:33
noget. Det er grineren.
43:38
Det er også sjovt noget Det er Sådan det.
43:40
Det er i virkeligheden også lidt en en interessant diskussion
43:43
ikke? Jeg synes bare mange og mange
43:45
der taler om AYI så taler de om Sådan, så så virker det nærmest
43:48
som om at Det er Sådan en gud en gud gud model man man har at
43:52
gøre med ikke? Og når man snakker om gud så så
43:56
så antager man også ofte synes jeg at gud har adgang til al
44:00
information alle steder på alle på alle tidspunkter.
44:05
Sådan så hvis hvis og hvis man forestiller sig at det og det,
44:09
det tror jeg bare ikke at en en age i altså Sådan en eller 2
44:12
super intelligens ville have en super intelligens ville bare
44:15
være utrolig god til at udnytte den information og det den
44:18
ligesom har til rådighed i dens kontekst.
44:21
Ja, men hvis den skulle hvis den ligesom.
44:25
Skulle løse et problem, hvor at den skulle vide, hvad er
44:27
temperaturen på den mørke side af månen er på et eller andet
44:30
bestemt random koordinat. Og den på ingen måde, altså der
44:34
ikke er nogen transmission på en eller 2 måde.
44:37
Er det nogen altså, så vil den ikke bare kunne du ved.
44:41
Der er plantet drøm. Nej vel altså på en eller 2 måde
44:43
så. Så tænker jeg også at en en hvad
44:48
hedder det? En superintelligens vil også
44:49
være begrænset af den information, der ligesom havde
44:51
tilgængelig i sin egen kontekst ikke, og Det er egentlig sjovt
44:55
at tænke på den. Den information Der er
44:57
tilgængelig. Versus den information man har
45:01
lagret den viden man har lagret ikke altså fordi på en eller 2
45:04
måde så det her med viden versus færdigheder ikke altså viden.
45:07
Det er jo det må være noget Sådan common knowledge altså
45:11
noget som mange ved og noget som står nogle steder og Sådan noget
45:14
Der er blevet bygget op over generationer og Sådan nogle ting
45:16
hvor at færdigheder Det er mere Sådan.
45:20
Hvad har du at? Gøre.
45:21
Ja Det er Sådan noget du du du har noget noget her.
45:25
Gøre noget brugbart med det, ikke?
45:28
Ja ja det Det er grineren hvad hedder det?
45:31
Men men jeg tænker Sådan lidt at nu har vi også snart snakket en
45:35
times tid. Jeg tænker Sådan lidt på.
45:39
Ja jeg Jeg tror jeg tænker meget på Sådan.
45:41
Jeg synes Vi har været inde på det her måde om Det er brugbart
45:44
i hvad er det brugbart i forhold til?
45:45
Altså om Det er om Der er nogle use cases ikke og det virker til
45:49
at din primære usecase er at den kan blæse mange flere tokens ud
45:54
end de andre modeller. Og Det er jo fedt altså men men
45:58
Det er jo ikke Det er jo fandeme ikke et job vel altså en
46:00
ubevagel så men. Det er god til at vi.
46:04
Ja, men det virker bare som om at den ikke bruger det der.
46:08
De der altså du sagde det der med at den OK så får du den
46:11
altså kodet tænker sig om et sekund eller et eller andet, så
46:14
den bruger ikke rigtig den der resening magi sorte magi der den
46:20
har. Jeg ved faktisk ikke, at den
46:21
stopper Sådan løbende og tænker. Det.
46:25
Endelige svar. Det kunne være sygt nok, hvis
46:28
den gjorde det. Det ville give god mening nå
46:32
lige Sådan at stoppe engang imellem og tænker er jeg på
46:35
rette spor? Giver det mening det her?
46:38
Ja så. Så på den måde begrænset break
46:45
through fakta, begrænset utality openy har også været at sige at
46:50
Det har mere et GVT 3 moment end det her chat gb t moment og GBT
46:56
3 var jo langt fra lige så brugbar som som kapitel 3,5
47:00
turbo varer da den kom ud. Så Det kan også Sådan være Sådan
47:04
selve framing af af det som produkt at den bike Sådan er
47:07
klar til det nu og det stadig er Sådan ret frisk research og at
47:12
de så ligesom som du siger ligesom bare bruger den her nye
47:15
feature chatkapacitet til at få brugerne til at betale for deres
47:19
datasisset. Altså minimen er jo.
47:23
Altså den er godt prisssat fordi den er billigere.
47:26
Ej den er faktisk lidt dyrere end o.
47:31
Men ikke særlig meget, men Det er da bare pisse langsomt.
47:35
Så Det er Sådan det største problem.
47:37
Ja. Så må den er svær at styre.
47:41
Svære styrker. Så men og så tænker jeg Sådan
47:46
lidt. Man kan nok forvente i
47:48
fremtiden, at de bliver nemmere at bruge.
47:52
De bliver mere effektive at bruge billigere og så videre.
47:56
Men det virker til lige nu, så er det i hvert fald et værktøj,
47:59
man tager frem. Hvis man har en ganske særlig
48:01
use case, som man som man, som man synes man vil smide noget
48:04
ekstra resing kærlighed efter og ellers så er vi stadig samme er
48:10
stadig ret godt kørende med de gode gamle.
48:13
Modeller også fordi jeg jeg Jeg synes altså Der er GPT 4 kom der
48:17
havde man det der Sådan at den ville man helst bruge, men Det
48:20
var bare dyrt. Det var de helt sikkert.
48:26
Hvor har man det? Jeg.
48:26
Tror stadig jeg skifter lidt mellem.
48:31
I nej Jeg er ung mini og o. Ej hold kæft Jeg kan slet ikke
48:37
finde ud af de. Navne der nej.
48:38
Det er også virkelig. Jeg skal lige sidde med dem o et
48:42
men. Og GPT 4 o.
48:47
Fordi altså Det er bare hurtigere end den. 2 nogle
48:51
gange. Selvom den er dårlig, er det ja.
48:54
Ja ja yes men jeg ved ikke Det kan være Vi skal til at runde
48:57
det af nu. Her er der et eller andet her
48:59
til slut at du godt kunne tænke dig at sige om overening er
49:04
jeres nye fantastiske model, som vi ikke allerede har snakket om.
49:09
Nej, Det er en fin model. Den gode benchmarks bliver for
49:13
dyrt. Langsomt.
49:16
Langsomt ja altså, men det skal der sikkert være hvis den skal
49:19
tænke. Ja.
49:21
Så det. Det er fair nok.
49:24
Ja. Og så har jeg kæmpet modstander
49:28
af, at man betaler på Torben, hvis man kan se.
49:32
Det virker virkelig scening. Ja ja Vi har en masse tokens
49:36
heromme som som vi kalder for. Ja ja, men vi vil ikke vise dem
49:39
til dig fordi det det synes vi ikke lige at du skal have
49:43
indsigt i. Det er rigtig nok.
49:46
Yeah right. Jeg brugte en million tokens.
49:50
Bare fordi du kunne sende mig en stort bæll.
49:52
Altså fucking mand ja helt sikkert megafedt jamen så tror
49:57
jeg bare at vi vil til at afslutte her nu. 1000 tak fordi
50:01
i lyttede med og vi håber at i. Ja fik et eller andet ud af at
50:07
vi snakkede lidt om den her model, og jeg håber selvfølgelig
50:09
også at de i ikke skal sidde for længe og vente på den her de her
50:13
resing tokens der bliver banket ud af o et prev o et mini
50:18
derude, men hav det rigtig godt til vi lyttes igen i næste uge.
50:22
Og tak fordi du ville være med mads.
50:24
Det var så godt hej tak for hjælpen også.
50:26
Selv tak.