最新

谷歌不允许非商业账户接收发票。我必须注册一个Workspace订阅（我既不想要也不需要），才能以我所需的格式接收发票，以便将我的Gemini订阅费用作为商业支出。这真是太愚蠢了，因为在OpenAI和Anthropic的服务上，我不需要这样做——只需两秒钟的设置更改。因此，我不得不离开Gemini。

如果是这样，哪种类型的短篇故事在这方面通常最成功呢？

对于那些希望进入这个领域或普遍提升技能的人，有哪些很好的资源？我很想听听一些推荐。

我创建了1e4.ai——一个国际象棋网页应用，你可以与经过训练以模仿特定等级范围内人类Lichess玩家的神经网络对弈。每个100分的等级区间（从约800到2200+）都有一个独立的模型，这些机器人不仅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，并以人类常见的方式犯错。 <p>实时演示：<a href="https://1e4.ai" rel="nofollow">https://1e4.ai</a> 代码：<a href="https://github.com/thomasj02/1e4_ai" rel="nofollow">https://github.com/thomasj02/1e4_ai</a> <p>一些可能有趣的内容： <p>- 训练数据几乎涵盖了一整年的Lichess快棋比赛，总计约10亿局游戏。 - 网络架构是一个小型的（约900万参数）基于变换器的网络，输入包括棋盘、最近的走棋历史、玩家的等级和剩余时间。每个等级区间有三个独立的模型：走法、时间使用和胜率。时间模型使得机器人在时间压力下的表现更像人类，而不是瞬间决策。由于走法模型将时间作为一个输入参数，它也学习在时间压力下犯错，类似于人类的表现。 - 由于网络非常小，推理时不需要GPU——它可以轻松在本地CPU上运行。 - 小型网络的缺点是，当等级超过约1700时，表现会稍显弱势。它能够识别短期战术，但无法处理长时间的多步组合。 - 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。 - 受到Maia-2和DeepMind的“无搜索的国际象棋大师级别”启发。在一个保留的Lichess快棋基准测试中，它在第一步走法预测上击败了Maia-2（56.7%对52.7%），在胜率校准上也有显著优势（Brier 0.176对0.272）。相关数据和代码见<a href="https://github.com/thomasj02/1e4_ai/tree/master/experiments/maia2_benchmark" rel="nofollow">https://github.com/thomasj02/1e4_ai/tree/master/experiments/...</a>。 <p>- 数据管道通过C++和nanobind实现，然后使用Pytorch进行训练。确保这一点是我花费最多时间的部分。预先打乱数据集，并能够在训练时顺序读取打乱后的数据集，使得GPU的利用率保持在高水平。没有这一点，GPU在空闲时会浪费大量时间在输入/输出上。 <p>欢迎就等级条件、时间模型或数据管道提出问题。