知识卡片
进步降成本不代表升级便宜
达到同一性能水平的成本可能随技术进步下降,但继续提高性能仍可能要求大量额外数据与计算。两种比较的参照点不同,不能从“模型越来越便宜”推导出最后几个百分点也容易取得;微小损失改进还可能带来明显下游价值。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 理解基础模型
原书出处 · 1 处
- · 查看原书依据
进一步提升模型性能的代价仍然很高。这类似于第1章提到的“最后一公里”挑战:将模型准确率从90%提升到95%的成本,要高于从85%提升到90%的成本。正如Meta的论文“Beyond neural scaling laws: beating power
参考来源
- 位置:《AI工程:大模型应用开发实战》第2章《理解基础模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section010.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:进一步提升模型性能的代价仍然很高。这类似于第1章提到的“最后一公里”挑战:将模型准确率从90%提升到95%的成本,要高于从85%提升到90%的成本。正如Meta的论文“Beyond neural scaling laws: beating power