Qwen1.5
PulseAugur coverage of Qwen1.5 — every cluster mentioning Qwen1.5 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型探测器DANGERLENS揭示AI模型中隐藏的危险概念
研究人员开发了DANGERLENS，一种旨在揭示语言模型中可能在安全对齐训练后仍然存在的隐藏危险概念的新型探测器。通过将模型内部状态映射到词汇空间，DANGERLENS能够区分真正的危险识别和残留的有害知识。对Qwen1.5模型的实验表明，即使在表现出相似的安全输出行为时，先前接触过有害数据的模型对这些危险概念的保留了更大的可访问性。这表明内部可访问性审计与外部安全评估一样，对于全面理解模型的安全性至关重要。
-
中国开源大语言模型发布时间线（基于供应商数据整理 · 跟踪1个来源）
一份详尽的时间线列出了中国机构发布的开源大语言模型的发布日期，这些信息经过精心整理，来源于供应商页面、研究论文和Hugging Face的API。该列表排除了仅提供API或仅托管的模型，只关注可下载权重的模型。参数数量根据供应商的说明列出，对于提供多种尺寸的模型系列，则提供范围。该时间线旨在通过直接从发布者处获取信息来确保准确性，并在供应商特定日期页面不可用时，使用Hugging Face存储库创建时间戳。
-
MoE语言模型通过路由显示有限的刻板印象控制
一篇新的研究论文探讨了通过调整路由机制来控制混合专家（MoE）语言模型中刻板印象的方法。该研究引入了公平感知路由均衡（FARE）框架来诊断和潜在地减轻人口统计学偏见。然而，在包括DeepSeekMoE、Qwen1.5和Mixtral在内的五种MoE架构上的实验表明，所测试的重加权程序在减少刻板印象表达方面取得的成功有限，在偏好分数和毒性指标方面观察到的变化很小。
-
阿里巴巴将对其下一代开源AI模型向企业收费
据报道，阿里巴巴正计划对其即将推出的开源AI模型Qwen1.5进行商业化收费。虽然该模型对小型用户免费提供，但预计大型企业将需要付费。此举标志着主要科技公司在开源AI技术商业化方法上的转变。
-
开源大语言模型有效前沿由参数效率绘制
一位Reddit用户整理了一张图表，说明了开源大语言模型的有效前沿，将效率定义为模型得分与其活跃参数的比率。该图表侧重于代表性能和大小之间最佳权衡的模型，排除了效率较低的模型。用户承认所使用的聚合基准可能不完美，但认为它是整体性能的可靠指标。