Command R+ ของ Cohere - LLM ที่ขยายขนาดได้ซึ่งสร้างมาเพื่อธุรกิจ

 (txt.cohere.com)
2 คะแนน โดย GN⁺ 2024-04-06 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • โมเดลภาษาขนาดใหญ่ (LLM) ที่ขยายขนาดได้ ซึ่งปรับให้เหมาะกับงานและกรณีใช้งานระดับองค์กรจริง
  • Command R+ อยู่ในตระกูล LLM ซีรีส์ R ที่รักษาสมดุลระหว่างประสิทธิภาพสูงและความแม่นยำที่แข็งแกร่ง
  • ช่วยให้องค์กรนำ AI ไปใช้งานจริงในโปรดักชันได้ ไม่ใช่หยุดอยู่แค่ขั้นพิสูจน์แนวคิด

คุณสมบัติหลักของ Command R+

  • มาพร้อมหน้าต่างคอนเท็กซ์ขนาด 128k โทเค็น และมอบความสามารถระดับแนวหน้าดังนี้:
    • Retrieval-Augmented Generation (RAG) ขั้นสูงพร้อมการอ้างอิง เพื่อลดอาการหลอนของโมเดล
    • รองรับหลายภาษาหลัก 10 ภาษา เพื่อสนับสนุนการดำเนินธุรกิจทั่วโลก
    • การใช้เครื่องมือเพื่อทำให้กระบวนการธุรกิจที่ซับซ้อนเป็นอัตโนมัติ
  • ยกระดับประสิทธิภาพโดยรวมต่อยอดจากข้อดีหลักของ Command R
  • ให้ประสิทธิภาพเหนือกว่าโมเดลใกล้เคียงในกลุ่มตลาดที่ขยายขนาดได้ และสามารถแข่งขันกับโมเดลที่มีราคาสูงกว่ามากในความสามารถหลักทางธุรกิจ
  • มอบคำมั่นด้านความเป็นส่วนตัวของข้อมูลและความปลอดภัยในระดับเดียวกัน

ความร่วมมือกับ Microsoft Azure

  • ประกาศความร่วมมือใหม่กับ Microsoft Azure เพื่อชุมชนองค์กรทั่วโลก
  • มุ่งนำโมเดลล่าสุดของ Cohere สู่ Azure AI เพื่อเร่งการนำ AI ไปใช้ในองค์กร
  • มอบชุดเครื่องมือ AI แบบครบถ้วนที่ช่วยให้องค์กรทำได้มากขึ้น พร้อมยึดตามมาตรฐานสูงสุดด้านความปลอดภัยและการปฏิบัติตามข้อกำหนด
  • สร้างอนาคตที่เทคโนโลยีช่วยขยายขีดความสามารถและนวัตกรรมของมนุษย์

ความพร้อมใช้งานของโมเดล

  • นักพัฒนาและองค์กรสามารถเข้าถึงโมเดลล่าสุดของ Cohere บน Azure ได้ตั้งแต่วันนี้
  • จะพร้อมใช้งานบน Oracle Cloud Infrastructure (OCI) และแพลตฟอร์มคลาวด์อื่นเพิ่มเติมในเร็ว ๆ นี้
  • พร้อมใช้งานได้ทันทีบน Hosted API ของ Cohere เช่นกัน

โซลูชัน RAG ระดับแนวหน้าของอุตสาหกรรม

  • RAG เป็นรากฐานที่ช่วยให้องค์กรนำ LLM มาใช้และปรับแต่งด้วยข้อมูลกรรมสิทธิ์ของตนเอง
  • Command R+ ถูกปรับให้เหมาะกับ RAG ขั้นสูงเพื่อมอบโซลูชันที่พร้อมสำหรับองค์กร มีความน่าเชื่อถือสูง และตรวจสอบได้
  • โมเดลใหม่นี้มีการอ้างอิงแบบอินไลน์ที่ช่วยเพิ่มความแม่นยำของคำตอบและลดอาการหลอน
  • ความสามารถนี้ช่วยให้องค์กรขยายการใช้ AI เพื่อสนับสนุนงานธุรกิจในหลายภาคส่วน ด้วยการค้นหาข้อมูลที่เกี่ยวข้องที่สุดได้อย่างรวดเร็ว

การทำให้งานอัตโนมัติในเวิร์กโฟลว์ธุรกิจที่ซับซ้อนด้วยการใช้เครื่องมือ

  • คำมั่นสำคัญของโมเดลภาษาขนาดใหญ่ไม่ได้มีแค่การรวบรวมและสร้างข้อความ แต่ยังรวมถึงความสามารถในการทำงานเป็นกลไกการให้เหตุผลหลัก
  • สามารถทำให้งานยากที่ต้องใช้สติปัญญาในการตัดสินใจและใช้เครื่องมือเพื่อแก้ปัญหาเป็นอัตโนมัติได้
  • Command R+ มาพร้อมความสามารถในการใช้เครื่องมือที่เข้าถึงได้ผ่าน API และ LangChain เพื่อทำให้เวิร์กโฟลว์ธุรกิจที่ซับซ้อนเป็นอัตโนมัติได้อย่างราบรื่น
  • ใน Command R+ รุ่นใหม่นี้ รองรับ Multi-Step Tool Use แล้ว ทำให้โมเดลสามารถผสานหลายเครื่องมือข้ามหลายขั้นตอนเพื่อทำงานที่ยากได้

รองรับหลายภาษาสำหรับการดำเนินธุรกิจทั่วโลก

  • Command R+ ถูกออกแบบมาเพื่อให้บริการผู้คน องค์กร และตลาดได้กว้างที่สุดเท่าที่เป็นไปได้
  • จากการหารือกับองค์กรต่าง ๆ พบว่ามีความต้องการสูงมากต่อความสามารถหลายภาษา ที่ช่วยให้องค์กรทำงานข้ามภูมิภาคและวัฒนธรรมได้อย่างราบรื่นยิ่งขึ้น
  • Command R+ ถูกสร้างมาให้มีประสิทธิภาพโดดเด่นใน 10 ภาษาหลักของธุรกิจระดับโลก (อังกฤษ ฝรั่งเศส สเปน อิตาลี เยอรมัน โปรตุเกส ญี่ปุ่น เกาหลี อาหรับ และจีน)
  • ความสามารถหลายภาษานี้ช่วยให้ผู้ใช้สามารถสร้างคำตอบที่แม่นยำจากแหล่งข้อมูลขนาดใหญ่ได้ ไม่ว่าภาษาแม่จะเป็นภาษาใดก็ตาม

ราคาและความพร้อมใช้งาน

  • Cohere ทำให้โมเดลพร้อมใช้งานอย่างกว้างขวางผ่านผู้ให้บริการคลาวด์รายใหญ่ทั้งหมด รวมถึงแบบ on-premise สำหรับอุตสาหกรรมที่มีการกำกับดูแลและกรณีใช้งานที่อ่อนไหวต่อความเป็นส่วนตัว
  • โมเดล Command R+ ล่าสุดพร้อมให้ใช้งานแล้วในสภาพแวดล้อมเดโมของ Cohere มอบประสบการณ์ตรงในการทดสอบโมเดลผ่านอินเทอร์เฟซแชตแบบเรียบง่าย

คำมั่นด้านความเป็นส่วนตัวของข้อมูลและความปลอดภัย

  • Cohere มุ่งปกป้องข้อมูลลูกค้า ความเป็นส่วนตัว และความปลอดภัย เพื่อให้ลูกค้าใช้ AI ได้อย่างมั่นใจผ่านกลุ่มผลิตภัณฑ์โมเดล Command R
  • บริษัทสร้างผลิตภัณฑ์โดยให้ความเป็นส่วนตัวของข้อมูลเป็นแกนหลักมาโดยตลอด และมอบการค้ำประกันลิขสิทธิ์ต่อการเรียกร้องกรณีละเมิดเพื่อเพิ่มการคุ้มครองแก่ลูกค้า
  • จะไม่เข้าถึงข้อมูลลูกค้า เว้นแต่ลูกค้าจะต้องการ
  • มีตัวเลือกสำหรับการปรับใช้ Private LLM และการ opt out จากการแชร์ข้อมูล

ความเห็นของ GN⁺

  • Command R+ เป็นโมเดลล่าสุดที่ปรับให้เหมาะกับ RAG สำหรับองค์กร โดยหัวใจสำคัญคือการมอบทั้งความแม่นยำและประสิทธิภาพสูง เพื่อช่วยให้องค์กรก้าวข้ามขั้นพิสูจน์แนวคิดไปสู่การใช้งานจริงในโปรดักชัน จุดเด่นคือความสามารถด้าน RAG ที่ใช้ข้อมูลกรรมสิทธิ์ขององค์กร และการรองรับ 10 ภาษา ซึ่งเหมาะกับงานองค์กรจริงอย่างชัดเจน
  • แม้น่าจะมีศักยภาพในการแข่งขันในตลาดโมเดลภาษาขนาดใหญ่สำหรับองค์กร แต่ด้วยความเร็วในการพัฒนาของโมเดลคู่แข่งอย่าง GPT series ของ OpenAI หรือ Claude ของ Anthropic ที่สูงมาก การแข่งขันจึงน่าจะเข้มข้น โดยเฉพาะการสร้างจุดแตกต่างเฉพาะของ Cohere และการพิสูจน์ประสิทธิภาพในโดเมนเฉพาะทางจะเป็นประเด็นสำคัญ
  • เมื่อนำโมเดลภาษาขนาดใหญ่มาใช้ในองค์กร นอกจากความแม่นยำและประสิทธิภาพแล้ว ยังต้องพิจารณาองค์ประกอบอื่นร่วมด้วย เช่น ความเป็นส่วนตัวของข้อมูล ความปลอดภัย และอคติของโมเดล โดยเฉพาะอาจมีประเด็นด้านกฎระเบียบเกี่ยวกับการจัดการข้อมูลที่ต้องเตรียมรับมือ การที่ Cohere เน้นย้ำความพยายามด้านการคุ้มครองความเป็นส่วนตัวของข้อมูลถือเป็นสัญญาณเชิงบวก แต่ฝั่งลูกค้าเองก็ควรให้ความสำคัญกับการใช้ข้อมูลของตนและการสร้างระบบความปลอดภัยของโมเดลด้วยเช่นกัน

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2024-04-06
ความเห็นบน Hacker News

  • รองรับโมเดลนี้ในเครื่องมือ LLM CLI ผ่านปลั๊กอินใหม่

    • เครื่องมือ LLM CLI ที่พัฒนาโดย Simon Willison เป็นยูทิลิตีบรรทัดคำสั่งสำหรับเข้าถึงโมเดลภาษาขนาดใหญ่
    • เครื่องมือนี้รองรับทั้ง API ระยะไกลและโมเดลที่สามารถรันได้ในเครื่อง โดยสามารถรันพรอมป์ต์จากบรรทัดคำสั่งและสร้างเสิร์ชเอนจินสำหรับรูปภาพได้
    • หนึ่งในความสามารถที่น่าสนใจของโมเดลบน Cohere API คือสามารถทำการค้นหาเว็บและนำผลลัพธ์มาใช้เพื่อตอบพรอมป์ต์ได้
    • ปลั๊กอินดังกล่าวถูกเพิ่มเป็นคำสั่งแยกต่างหาก ทำให้ผู้ใช้สามารถถามคำถามเกี่ยวกับเครื่องมือ LLM CLI ได้

  • ความแตกต่างระหว่างโมเดล Command R และ Command R+ คือราคา

    • โมเดล Command R มีค่าใช้จ่าย $0.50 ต่อโทเค็นขาเข้า และ $1.50 ต่อโทเค็นขาออก ส่วนโมเดล Command R+ มีค่าใช้จ่าย $3.00 ต่อโทเค็นขาเข้า และ $15.00 ต่อโทเค็นขาออก

  • โมเดล Command-R ถูกสร้างมาสำหรับธุรกิจ แต่ใช้ไลเซนส์ CC-BY-NC

    • ไลเซนส์นี้ยืดหยุ่นกว่าไลเซนส์ของ DBRX โดย DBRX ห้ามนำไปใช้เพื่อปรับปรุงโมเดลภาษาขนาดใหญ่อื่น ๆ

  • มีการชี้ว่าการเลือกฟอนต์ส่วนหัวของเว็บไซต์ไม่ค่อยดี ทำให้ตัวอักษรดูเหมือนมีคราบสีขาวอยู่บนข้อความ

  • มีคอมเมนต์สงสัยว่าสามารถใช้เครื่องมือนี้ฝังเอกสารอย่างข้อตกลงผู้ใช้ของ App Store แล้วถามคำถามเกี่ยวกับเอกสารนั้นได้หรือไม่

  • มีการกล่าวว่าควรมีคำศัพท์ไว้แยกความต่างระหว่างการใช้ LLM ภายในบริษัทเพื่อหาคำตอบ กับการใช้ LLM แบบเผชิญหน้ากับลูกค้า