Le gouvernement a sorti un comparateur d'IA en mode arène.
Ça permet de comparer les réponses de deux IA à une question pour alimenter un dataset afin de les comparer.
Au passage, ça donne des informations sur les modèles (après avoir voté) et la consommation énergétique.
La meilleure lib pour utiliser des LLMs en Python selon moi car ils supportent:
- quasiment tous les providers
- la génération structurée
- les input multi-modaux
- du streaming
- le retry
Bref, tout ce qu'il faut pour faire sérieusement du LLM Engineering en python.
La documentation est ici
Ce site est pas mal lorsqu'il s'agit de comparer les modèles sur leurs différentes caractéristiques:
- taille de la fenêtre de contexte
- "intelligence"
- prix du million de token
- vitesse de génération de token
Une technique intéressante pour améliorer les capacités des modèles de raisonnement des modèles, même les petits modèles entrainés sur de petits dataset.
Ici le modèle s1 possède seulement 32 milliards de paramètres (32B) mais est capable de dépasser les performances du modèle o1-preview d'OpenAI.
Leur approche se base sur deux techniques;
- limiter la "longueur" du raisonnement (les "reasoning tokens") en ajoutant à un moment de l'inférence un token indiquant au modèle qu'il doit fournir sa réponse définitive
- forcer le modèle à réfléchir sur la solution qu'il a généré jusqu'à maintenant en insérant "Wait" à la fin de la séquence de raisonnement
Le simple fait d'insérer "Wait', force le modèle à réfléchir sur la solution qu'il a envisagé et leur permet d'atteindre des performances similaires à un énorme modèle comme o1-preview.
C'est assez impressionnant car cela veut dire que de simples techniques de Prompt Engineering peuvent permettre d'atteindre des performances qui rivalisent avec celles des gros modèles.
Set of Mark c'est la technique qui consiste à annoter une image avec des numéro avant de la passer à un LLM vision.
Ça permet au LLM d'identifier précisément les entités et de les citer dans le prompt.
C'est ce qui est utilisé dans beaucoup de systèmes de manipulation d'interface pour que le LLM puisse identifier les différentes parties de l'interface.
Un annuaire d'instructions à ajouter dans les règles custom de Cursor (.cursorrules).
Il y a des règles spécialisées pour les langages, frameworks, etc
Le nombre de contenu généré par IA explose.
Certains de ces articles généré par IA et publié souvent sans être vérifiés sont ensuite utilisés comme source sur Wikipedia.
Gemini 2.0 flash obtient les meilleurs résultats sur la reconnaissance et l'extraction de texte depuis un PDF que la plupart des autres solutions du marché.
L'auteur propose aussi d'utiliser le LLM pour découper le texte en chunk de taille convenable conservant la même thématique.
OpenAI et Github ont rendu le modèle o3-mini disponible dans l'extension Copilot.
Le modèle est configuré sur le niveau de raisonnement "moyen" ce qui en fait l'un des meilleurs modèles du marché (3e position sur Livebench)
Cependant, Claude 3.5 Sonnet a toujours les meilleurs résultats dans les benchmarks uniquement en code (67 contre 65 pour o3-mini-medium)
Bytedance (TikTok) ont sorti un modèle de génération de vidéo spécialisé dans la génération de personnes.
Depuis une image, un enregistrement audio, une vidéo sans audio ou une combinaison des deux, ils peuvent générer des vidéos entières quasiment sans artefacts (hallucinations).
Le modèle est privé pour le moment.
Le modèle chinois DeepSeek est impressionnant en terme d'optimisation de calcul.
Ce modèle de 671 milliards de paramètres aurait été entrainé avec seulement 2.78 millions de GPU hours sur des cartes graphiques Nvidia H800 bridées pour le marché chinois.
À titre de comparaison, Llama 3 a eu besoin de 11 fois plus de puissance de calcul et possède 405 milliards de paramètres.
Plusieurs optimisations ont été implémentées par l'équipe de DeepSeek avec notamment de la prédiction de token qui fait pensé à ce qu'il se fait dans les CPU mais aussi avec une activation de seulement 37 milliards des paramètres les plus pertinents pour générer chaque token.
C'est vraiment impressionnant car DeepSeek v3 est en 7e position de https://livebench.ai avec devant lui seulement les dernières versions des modèles Gemini de Google et les modèles à raisonnement o1 de OpenAI et DeepSeek r1.
Maintenant à voir si des équipes indépendantes arrivent à reproduire des résultats similaire.
Il faut quand même prendre des pincettes avec ce modèle qui pourrait être considéré par le gouvernement chinois comme une nouvelle source de propagande.
Fireworks est un acteur majeur dans l'infrastructure d'inférence pour modèles Open Source.
Ils proposent la plupart des modèles existant comme Mistral, LlaMa, Qwen mais aussi DeepSeek v3 et R1.
Les prix sont très compétitifs avec seulement 0.9$/MTok (million de tokens) pour DeepSeek v3 qui offre de meilleures performances que GPT-4o (3$/MTok).
De nombreuses entreprises utilisent Fireworks, je l'ai découvert pendant que j’étudiai le fonctionnement de Cursor.
Ils utilisent notamment une version custom de LlaMa pour la partie "apply" des suggestions générées par des modèles plus performants.
Un modèle multi-modal (image, video, text, audio) 8B qui fonctionne sur iPad (entre autre)
Ils annoncent de meilleures performances que GPT-4V sur la reconnaissance d'image.
A vrai dire, ils annoncent que leur modèle surpasse GPT-4o et Claude 3.5 Sonnet dans beaucoup d'autres domaines (audio, realtime interaction) et sur beaucoup de benchmark classiques.
Je ne vois pas ces résultats sur https://livebench.ai/ en tout cas donc prudence dans ces allégations.
Ça reste néanmoins un modèle multi-modal suffisamment petit pour tourner sur du matériel client donc c'est intéressant.
Meta aurait utilisé des livres et articles scientifiques en provenance de Library Genesis, une plateforme de contenu pirate, pour entraîner ses modèles d'IA.
Les données auraient été téléchargé en torrent, comme au bon vieux de temps de The Pirate Bay.
Cela relance le débat sur la légitimité des LLMs vis-à-vis de leur entrainement sur du contenu sous droit d'auteur.
Un administrateur s'est rendu compte que près de la moitié des requêtes servies par son serveurs étaient pour des crawlers IA !
24% du trafic pour GPTBot (OpenAI), 15% pour AmazonBot, 4% pour ClaudeBot, etc
Les bot IA crawlent comme des porcs et même des pages complètement inutiles comme la liste des mises à jour d'une page wiki.
Par comparaison, le Google bot représente 0.14% de son trafic.
En plus, ils ne respectent pas les robots.txt, changent constamment d'IP et parfois masquent même leur user agents.
Ce sont vraiment des pratiques intolérables.
Un autre exemple d'un gérant de site de e-commerce qui a subit l'équivalent d'une attaque DDoS avec le bot d'OpenAI ayant scrappé les milliers de produits et dizaine de milliers d'images de son site avec plus de 600 IP différentes (/!) alors que son robots.txt interdit au bot d'OpenAI d'opérer.
Non seulement ce genre de pratique peut avoir des répercussion au niveau du copyright mais aussi très concrètement au niveau du porte monnaie car les serveurs sont beaucoup plus sollicités !
Pour résoudre les tâches du benchmark ARC-AGI, les requêtes faites à o3 coutaient en moyenne 1000€ !
Ce genre de prix est vraiment prohibitif même pour des tâches compliquées car à ce prix, autant demandé à un humain.
La version "low-compute" du modèle o3 s'en tire avec avec 10 points de moins (76%) mais pour seulement 20$ par tâche.
Les résultats du modèle d'OpenAI o3 au benchmark ARC-AGI sont contestés, notamment parce qu'OpenAI a avoué avoir entrainé son modèle avec les données des exercices.
Un outil no-code pour évaluer des prompts.
On retrouve tous les évaluateurs habituels: code, LLM as a judge, etc
L'outil est Open Source et tourne en local si besoin
Le meilleur résumé de l'année 2024 en GenAI
- les modèles du niveau de GPT-4 sont légions
- le coût des tokens a été divisé par 10
- les modèles multi-modaux sont monnaie courante
- la génération de code fonctionne très très bien
- les agents autonomes peinent à sortir
- le début des modèles de "raisonnement" comme o1
- les données synthétique pour l'entrainement se développent
Hâte de voir ce que 2025 nous réserve !