การใช้งาน AI ที่มีประโยชน์ในปัจจุบันขึ้นอยู่กับการจับคู่โมเดล ข้อมูลนำเข้า และข้อเสนอแนะให้เข้ากับงานที่ได้รับมอบหมาย
ตามการสาธิตของ Google, Gemini 4 Argon สามารถแปลงข้อมูลนำเข้า เช่น ภาพถ่าย ให้กลายเป็นผลงานสำเร็จผ่านการใช้เครื่องมือและซับเอเจนต์ ในขณะที่ Gemini 4 Carbon มุ่งเป้าไปที่งานด้านวิศวกรรมและความปลอดภัยทางไซเบอร์ที่ต้องใช้ระยะยาว ซึ่งการปรับปรุงเล็กน้อยในความน่าเชื่อถือต่อขั้นตอนจะทบรวมไปทั่วทั้งงาน
Mistral’s Timestral นำเสนอการพยากรณ์แบบ pretrained, zero-shot สำหรับอนุกรมเชิงตัวเลข โดยให้ผลลัพธ์เชิงควอนไทล์ที่บ่งบอกถึงความไม่แน่นอน
เราได้สำรวจวิธีการประเมินระบบที่ใช้ Argon สำหรับโครงการที่เสร็จสมบูรณ์, เหตุใดระยะเวลาและสัญญาณภายนอกจึงสำคัญสำหรับเอเจนต์สไตล์ Carbon, และ Timestral จัดการกับอนุกรมหลายชุด, ข้อมูลในอนาคต, และการฝึกฝนล่วงหน้าแบบสังเคราะห์อย่างไร
บทความปิดท้ายด้วยการออกแบบที่เสนอซึ่งจับคู่ตัวพยากรณ์เชิงตัวเลขกับเอเจนต์แบบทั่วไป โดยใช้ส่วนต่อประสานที่ชัดเจนและตรวจสอบได้ระหว่างกัน
ศัพท์ที่ควรรู้
- Gemini 4 Argon – โมเดลของ Google ที่ใช้เครื่องมือและซับเอเจนต์ในการแปลงข้อมูลนำเข้า เช่น ภาพถ่าย ให้เป็นผลงานสำเร็จ
- Gemini 4 Carbon – โมเดลที่เน้นการทำงานด้านวิศวกรรมและความปลอดภัยทางไซเบอร์ที่ต้องใช้การสะสมความน่าเชื่อถือในระยะยาว
- Mistral’s Timestral – ระบบที่นำเสนอการพยากรณ์แบบ pretrained สำหรับอนุกรมเชิงตัวเลข พร้อมแสดงระดับความไม่แน่นอนของผลลัพธ์
ที่มา: The Sequence