Radal
Radal是一个无代码平台，可使用您自己的数据微调小型语言模型，适用于需要定制人工智能而不涉及MLOps复杂性的初创公司、研究人员和企业。其主要优点是使用户能够快速训练和部署自定义语言模型，降低了技术门槛，节省时间成本。
产品详情
Radal是一个无代码平台，可使用您自己的数据微调小型语言模型。连接数据集，通过可视化配置训练，并在几分钟内部署模型。
主要功能
使用教程
使用示例
医疗保健：在医院网络中微调7 B临床模型，满足HIPAA要求，节省临床人员时间
法律科技：在律师事务所的文件、审讯记录和特定司法法规上微调5 B法律模型，为律师节省时间
工业物联网：在每次生产线运行中的振动和传感器日志上微调3 B边缘模型，实时识别异常
快速访问
访问官网 →所属分类
相关推荐
发现更多类似的优质AI工具
Gitee AI
Gitee AI 汇聚最新最热 AI 模型，提供模型体验、推理、训练、部署和应用的一站式服务，提供充沛算力，定位为中国最好的 AI 社区。
Modihand
Modihand是一个训练属于你的文本大模型的平台，无需专业知识，只需要准备好训练数据，即可训练出专属于你的文本大模型。内置市面上大多数的开源模型，支持多种微调训练方式，性价比高，独立可部署，推理 API 支持，提供更多问题解决支持。
魔搭社区ModelScope
魔搭社区是一个人工智能模型的开发者社区。它汇聚各领域最先进的机器学习模型,为用户提供模型探索、定制、训练、部署和应用的一站式服务。用户可以便捷地搜索感兴趣的模型,快速上手使用。同时,社区还开源了众多预训练模型,开发者可以基于这些模型进行二次开发。魔搭社区致力于降低AI开发门槛,帮助开发者更便捷地获取、使用AI能力。
BOMML
BOMML是一个智能AI托管平台，为您的业务提供一站式AI解决方案。我们从数据收集到模型部署，为您提供全方位的协助。我们的AI模型运行在安全的数据中心云上，保护您的隐私和数据安全。BOMML支持多种任务，包括文本生成、对话聊天、嵌入控制、分析、光学字符识别等。无论您的技术栈如何，都可以轻松地通过API集成AI到您的应用中。我们提供市场上最具竞争力的定价，您只需按实际使用量支付费用。如果您有特定任务或基于您的数据需要AI，我们可以为您进行调优和训练。您可以将文档、文件和其他元数据添加为知识库，以生成更相关的响应。如果您需要在您的硬件上运行专属的AI模型，我们也会提供帮助。无论您有什么需求，我们的专家都会为您找到解决方案。
AppAI
AppAi是人工智能领域的创新者，我们致力于将未来变为现实，通过人工智能优化流程和改变生活。请浏览我们的网站，了解更多关于我们以人工智能为动力的未来愿景。
盘古大模型
盘古大模型是华为云推出的人工智能解决方案，通过 NLP 大模型、CV 大模型、多模态大模型、预测大模型和科学计算大模型等多个模型，实现对话问答、图像识别、多模态处理、预测分析和科学计算等多种功能。盘古大模型具有高效适配、高效标注和准确可控的特点，可广泛应用于各行各业。详情请访问官方网址。
Openfabric AI
Openfabric AI是一个分布式人工智能平台，通过区块链、先进的加密和新型基础设施，为人工智能应用的构建和使用创造了一个新的基础。它降低了利用人工智能应用所需的基础设施需求和技术知识，促进了新的市场机会。
MouSi
MouSi是一种多模态视觉语言模型，旨在解决当前大型视觉语言模型（VLMs）面临的挑战。它采用集成专家技术，将个体视觉编码器的能力进行协同，包括图像文本匹配、OCR、图像分割等。该模型引入融合网络来统一处理来自不同视觉专家的输出，并在图像编码器和预训练LLMs之间弥合差距。此外，MouSi还探索了不同的位置编码方案，以有效解决位置编码浪费和长度限制的问题。实验结果表明，具有多个专家的VLMs表现出比孤立的视觉编码器更出色的性能，并随着整合更多专家而获得显著的性能提升。
OpenAI Embedding Models
OpenAI Embedding Models是一系列新型嵌入模型，包括两个全新的嵌入模型和更新的GPT-4 Turbo预览模型、GPT-3.5 Turbo模型以及文本内容审核模型。默认情况下，发送到OpenAI API的数据不会用于训练或改进OpenAI模型。新的嵌入模型具有更低的定价，包括更小、高效的text-embedding-3-small模型和更大、更强大的text-embedding-3-large模型。嵌入是表示自然语言或代码等内容中概念的一系列数字。嵌入使得机器学习模型和其他算法更容易理解内容之间的关系，并执行聚类或检索等任务。它们为ChatGPT和Assistants API中的知识检索以及许多检索增强生成（RAG）开发工具提供支持。text-embedding-3-small是新的高效嵌入模型，相比其前身text-embedding-ada-002模型，性能更强，MIRACL的平均分数从31.4%提升至44.0%，而在英语任务（MTEB）的平均分数从61.0%提升至62.3%。text-embedding-3-small的定价也比之前的text-embedding-ada-002模型降低了5倍，从每千个标记的价格$0.0001降至$0.00002。text-embedding-3-large是新一代更大的嵌入模型，能够创建高达3072维的嵌入。性能更强，MIRACL的平均分数从31.4%提升至54.9%，而在MTEB的平均分数从61.0%提升至64.6%。text-embedding-3-large的定价为$0.00013/千个标记。此外，我们还支持缩短嵌入的原生功能，使得开发者可以在性能和成本之间进行权衡。
Adept Fuyu-Heavy
Adept Fuyu-Heavy是一款新型的多模态模型，专为数字代理设计。它在多模态推理方面表现出色，尤其在UI理解方面表现出色，同时在传统的多模态基准测试中也表现良好。此外，它展示了我们可以扩大Fuyu架构并获得所有相关好处的能力，包括处理任意大小/形状的图像和有效地重复使用现有的变压器优化。它还具有匹配或超越相同计算级别模型性能的能力，尽管需要将部分容量用于图像建模。
Meta-Prompting
Meta-Prompting是一种有效的脚手架技术，旨在增强语言模型（LM）的功能。该方法将单个LM转化为一个多方位的指挥者，擅长管理和整合多个独立的LM查询。通过使用高层指令，元提示引导LM将复杂任务分解为更小、更易管理的子任务。然后，这些子任务由相同LM的不同“专家”实例处理，每个实例都根据特定的定制指令操作。这个过程的核心是LM本身，作为指挥者，它确保这些专家模型的输出之间的无缝沟通和有效整合。它还利用其固有的批判性思维和强大的验证过程来完善和验证最终结果。这种协作提示方法使单个LM能够同时充当全面的指挥者和多样化专家团队，显著提升其在各种任务中的性能。元提示的零射击、任务无关性质极大地简化了用户交互，无需详细的任务特定指令。此外，我们的研究表明，外部工具（如Python解释器）与元提示框架能够无缝集成，从而扩大了其适用性和效用。通过与GPT-4的严格实验，我们证明了元提示优于传统脚手架方法：在所有任务中取平均值，包括24点游戏、一步将军和Python编程难题，使用Python解释器功能的元提示比标准提示高出17.1%，比专家（动态）提示高出17.3%，比多人格提示高出15.2%。
WARM
WARM是一种通过加权平均奖励模型（WARM）来对齐大型语言模型（LLMs）与人类偏好的解决方案。首先，WARM对多个奖励模型进行微调，然后在权重空间中对它们进行平均。通过加权平均，WARM相对于传统的预测集成方法提高了效率，同时改善了在分布转移和偏好不一致性下的可靠性。我们的实验表明，WARM在摘要任务上的表现优于传统方法，使用最佳N和RL方法，WARM提高了LLM预测的整体质量和对齐性。
ReFT
ReFT是一种增强大型语言模型（LLMs）推理能力的简单而有效的方法。它首先通过监督微调（SFT）对模型进行预热，然后使用在线强化学习，具体来说是本文中的PPO算法，进一步微调模型。ReFT通过自动对给定问题进行大量推理路径的采样，并从真实答案中自然地得出奖励，从而显著优于SFT。ReFT的性能可能通过结合推理时策略（如多数投票和重新排名）进一步提升。需要注意的是，ReFT通过学习与SFT相同的训练问题而获得改进，而无需依赖额外或增强的训练问题。这表明ReFT具有更强的泛化能力。
Contrastive Preference Optimization
Contrastive Preference Optimization是一种用于机器翻译的创新方法，通过训练模型避免生成仅仅足够而不完美的翻译，从而显著提高了ALMA模型的性能。该方法在WMT'21、WMT'22和WMT'23测试数据集上可以达到或超过WMT竞赛获胜者和GPT-4的性能。
GLM-4
智谱AI在首届技术开放日上发布了GLM-4和CogView3。GLM-4性能全面提升近60%，支持更长的上下文、更强的多模态支持和更快速的推理。CogView3逼近DALL·E 3的多模态生成能力。产品定位为下一代基座大模型和图像生成AI。