最新

免费 Wi-Fi 一个月

谷歌不允许非企业账户接收发票。我必须注册 Workspace 订阅（我既不想要也不需要），才能以我需要的格式接收发票，以便将我的 Gemini 订阅费用作为业务支出进行报销。这很荒谬，因为我在 OpenAI 和 Anthropic 的相应服务上不需要这样做——只需更改两秒钟的设置即可。因此，我不得不放弃 Gemini。

如果是这样，那么哪种短篇小说在这方面往往最成功呢？

对于那些希望进入这个领域或提升自身技能的人来说，有哪些好的资源？我很乐意听取一些建议。

我开发了 1e4.ai - 一个国际象棋网络应用，你可以在这里与经过训练的神经网络对战，这些神经网络模仿了特定 Elo 等级的人类 Lichess 玩家。每个 100 分的等级区间（从约 800 到 2200+）都有一个单独的模型，这些机器人不仅会选择类似人类的走法，还会消耗时间，在时间压力下表现更差，并且会像人类一样犯错。<p>在线演示：<a href="https:&#x2F;&#x2F;1e4.ai" rel="nofollow">https:&#x2F;&#x2F;1e4.ai</a> 代码：<a href="https:&#x2F;&#x2F;github.com&#x2F;thomasj02&#x2F;1e4_ai" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;thomasj02&#x2F;1e4_ai</a><p>一些可能有趣的事情：<p>- 基于近一年的 Lichess 快棋游戏训练，总共约 10 亿局游戏<p>- 架构是一个小型（约 900 万个参数）基于 Transformer 的网络，它将棋盘、最近的走棋历史、玩家的等级和剩余时间作为输入。每个等级区间有三个单独的模型：走棋、时间使用和胜率。时间模型使机器人在时间压力下感觉更像人类，而不是瞬间做出反应。由于走棋模型将时间作为输入参数之一，因此它也学会了像人类一样在时间压力下犯错。<p>- 由于网络非常小，推理不需要 GPU - 它可以轻松地在本地 CPU 上运行<p>- 小型网络的缺点是，当你的等级超过 1700 左右时，它会变得有点弱。它可以发现短期的战术，但不能发现长期的多步组合。<p>- 最初在租用的 8xH100 集群上进行训练，然后在我的本地 GPU 上针对不同的等级范围进行微调<p>- 灵感来自 Maia-2 和 DeepMind 的“无需搜索的大师级国际象棋”。在 Lichess 快棋基准测试中，它在最佳走棋预测（56.7% vs 52.7%）和胜率校准（Brier 0.176 vs 0.272）方面明显优于 Maia-2 快棋。数字和代码在 <a href="https:&#x2F;&#x2F;github.com&#x2F;thomasj02&#x2F;1e4_ai&#x2F;tree&#x2F;master&#x2F;experiments&#x2F;maia2_benchmark" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;thomasj02&#x2F;1e4_ai&#x2F;tree&#x2F;master&#x2F;experiments&#x2F;...</a><p>- 数据管道是 C++ 通过 nanobind，然后用 Pytorch 进行训练。实际上，我在这方面花费了最多的时间。预先打乱数据集，然后在训练时能够顺序读取打乱后的数据集，保持了 GPU 的高利用率。如果没有这样做，它会花费大量时间在 I/O 上，而 GPU 却闲置着。<p>很乐意回答关于等级条件、时间模型或数据管道的问题。