Vad är grundmodeller i generativ AI?

Vad är grundmodeller i generativ AI?

Kort svar: Grundmodeller är stora, generella AI-modeller som tränas på stora, breda datamängder och sedan anpassas till många jobb (skrivning, sökning, kodning, bilder) genom prompter, finjustering, verktyg eller hämtning. Om du behöver pålitliga svar, kombinera dem med grunder (som RAG), tydliga begränsningar och kontroller, snarare än att låta dem improvisera.

Viktiga slutsatser:

Definition : En brett tränad basmodell som återanvänds över många uppgifter, inte en uppgift per modell.

Anpassning : Använd promptioner, finjustering, LoRA/adaptrar, RAG och verktyg för att styra beteendet.

Generativ anpassning : De driver generering av text, bild, ljud, kod och multimodalt innehåll.

Kvalitetssignaler : Prioritera kontrollerbarhet, färre hallucinationer, multimodal förmåga och effektiv inferens.

Riskkontroller : Planera för hallucinationer, partiskhet, integritetsläckage och snabb injektion genom styrning och testning.

Vad är grundmodeller i generativ AI? Infografik

Artiklar du kanske vill läsa efter den här:

🔗 Vad är ett AI-företag
Förstå hur AI-företag bygger produkter, team och intäktsmodeller.

🔗 Hur ser AI-kod ut
Se exempel på AI-kod, från Python-modeller till API:er.

🔗 Vad är en AI-algoritm
Lär dig vad AI-algoritmer är och hur de fattar beslut.

🔗 Vad är AI-teknik
Utforska kärntekniker inom AI som driver automatisering, analys och intelligenta appar.

1) Grundmodeller - en definition av imfria ytor 🧠

En grundmodell är en stor, allmänt användbar AI-modell som tränas på bred data (vanligtvis massor av den) så att den kan anpassas till många uppgifter, inte bara en ( NIST , Stanford CRFM ).

Istället för att bygga en separat modell för:

  • skriva e-postmeddelanden

  • svara på frågor

  • sammanfatta PDF-filer

  • generera bilder

  • klassificera supportärenden

  • översätta språk

  • ge kodförslag

...du tränar en stor basmodell som "lär sig världen" på ett vagt statistiskt sätt, sedan anpassar den till specifika jobb med uppmaningar, finjusteringar eller tillagda verktyg ( Bommasani et al., 2021 ).

Med andra ord: det är en generell motor du kan styra.

Och ja, nyckelordet är ”allmänt”. Det är hela tricket.

2) Vad är grundmodeller i generativ AI? (Hur de passar specifikt in) 🎨📝

Så, vad är grundmodeller inom generativ AI? De är de underliggande modellerna som driver system som kan generera nytt innehåll – text, bilder, ljud, kod, video och i allt högre grad… blandningar av alla dessa ( NIST , NIST Generative AI Profile ).

Generativ AI handlar inte bara om att förutsäga etiketter som "skräppost / inte spam". Det handlar om att producera resultat som ser ut som om de skapades av en person.

  • stycken

  • dikter

  • produktbeskrivningar

  • illustrationer

  • melodier

  • appprototyper

  • syntetiska röster

  • och ibland otroligt självsäkert nonsens 🙃

Grundmodeller är särskilt bra här eftersom:

De är "baslagret" - som bröddeg. Du kan baka det till en baguette, pizza eller kanelbullar ... inte en perfekt metafor, men du förstår mig 😄

3) Varför de förändrade allt (och varför folk inte slutar prata om dem) 🚀

Före grundmodellerna var mycket AI uppgiftsspecifik:

  • träna en modell för sentimentanalys

  • utbilda en annan för översättning

  • träna en annan för bildklassificering

  • träna en annan för namngiven entitetsigenkänning

Det fungerade, men det var långsamt, dyrt och lite ... sprött.

Stiftelsemodellerna vände på det:

  • förträna en gång (stor ansträngning)

  • återanvändning överallt (stor utdelning) ( Bommasani et al., 2021 )

Den återanvändningen är multiplikatorn. Företag kan bygga 20 funktioner ovanpå en modellfamilj, istället för att uppfinna hjulet 20 gånger om.

Dessutom blev användarupplevelsen mer naturlig:

  • du använder inte "en klassificerare"

  • Du pratar med modellen som om det vore en hjälpsam kollega som aldrig sover ☕🤝

Ibland är det också som en kollega som självsäkert missförstår allt, men hallå. Tillväxt.

4) Kärnidén: förträning + anpassning 🧩

Nästan alla grundmodeller följer ett mönster ( Stanford CRFM , NIST ):

Förträningsfasen (den där man "absorberar internet"-fasen) 📚

Modellen tränas på massiva, breda datamängder med hjälp av självövervakad inlärning ( NIST ). För språkmodeller innebär det vanligtvis att förutsäga saknade ord eller nästa token ( Devlin et al., 2018 , Brown et al., 2020 ).

Poängen är inte att lära den en enda uppgift. Poängen är att lära den allmänna representationer :

  • grammatik

  • fakta (typ)

  • resonemangsmönster (ibland)

  • skrivstilar

  • kodstruktur

  • vanlig mänsklig avsikt

Anpassning (fasen att "göra det praktiskt") 🛠️

Sedan anpassar du det med hjälp av en eller flera av:

  • uppmaning (instruktioner i enkelt språk)

  • instruktioner finjustera (träna den att följa instruktioner) ( Wei et al., 2021 )

  • finjustering (träning på dina domändata)

  • LoRA / adaptrar (lätta inställningsmetoder) ( Hu et al., 2021 )

  • RAG (retrieval-augmented generation - modellen konsulterar dina dokument) ( Lewis et al., 2020 )

  • verktygsanvändning (anropa funktioner, bläddra i interna system etc.)

Det är därför samma basmodell kan skriva en romantisk scen ... och sedan hjälpa till att felsöka en SQL-fråga fem sekunder senare 😭

5) Vad kännetecknar en bra version av en grundmodell? ✅

Det här är den delen som folk hoppar över, och sedan ångrar senare.

En "bra" grundmodell är inte bara "större". Större hjälper, visst... men det är inte det enda. En bra version av en grundmodell har vanligtvis:

Stark generalisering 🧠

Den fungerar bra inom många uppgifter utan att behöva uppgiftsspecifik omskolning ( Bommasani et al., 2021 ).

Styrning och kontroll 🎛️

Den kan tillförlitligt följa instruktioner som:

  • "vara koncis"

  • "använd punktlistor"

  • "skriv i en vänlig ton"

  • "Avslöja inte konfidentiell information"

Vissa modeller är smarta men hala. Som att försöka hålla en tvål i duschen. Hjälpsamma, men oberäkneliga 😅

Låg hallucinationstendens (eller åtminstone uppriktig osäkerhet) 🧯

Ingen modell är immun mot hallucinationer, men de goda:

God multimodal förmåga (vid behov) 🖼️🎧

Om du skapar assistenter som läser bilder, tolkar diagram eller förstår ljud, är multimodal mycket viktig ( Radford et al., 2021 ).

Effektiv inferens ⚡

Latens och kostnad spelar roll. En modell som är stark men långsam är som en sportbil med punktering.

Säkerhet och uppriktningsbeteende 🧩

Inte bara "vägra allt", utan:

Dokumentation + ekosystem 🌱

Det här låter torrt, men det är på riktigt:

  • verktyg

  • utvärderingsselar

  • distributionsalternativ

  • företagskontroller

  • finjusterande stöd

Ja, ”ekosystem” är ett vagt ord. Jag hatar det också. Men det spelar roll.

6) Jämförelsetabell - vanliga alternativ för grundmodeller (och vad de är bra för) 🧾

Nedan följer en praktisk, något ofullkomlig jämförelsetabell. Det är inte "den enda sanna listan", det är mer som: vad folk väljer i vildmarken.

verktygs-/modelltyp publik prisvärd varför det fungerar
Proprietär LLM (chattliknande) lag som vill ha fart + polering användningsbaserad / prenumeration Bra instruktioner, stark generell prestanda, oftast bäst "direkt ur lådan" 😌
Öppen LLM (självhostbar) byggare som vill ha kontroll infrastrukturkostnader (och huvudvärk) Anpassningsbar, integritetsvänlig, kan köras lokalt ... om du gillar att mixtra vid midnatt
Diffusionsbildgenerator kreatörer, designteam gratis-liknande till betalt Utmärkt bildsyntes, stilvariation, iterativa arbetsflöden (även: fingrarna kan vara borta) ✋😬 ( Ho et al., 2020 , Rombach et al., 2021 )
Multimodal "vision-språk"-modell appar som läser bilder + text användningsbaserad Låter dig ställa frågor om bilder, skärmdumpar, diagram – förvånansvärt praktiskt ( Radford et al., 2021 )
Bädda in grundmodellen sök + RAG-system låg kostnad per samtal Omvandlar text till vektorer för semantisk sökning, klustring, rekommendation - tyst MVP-energi ( Karpukhin et al., 2020 , Douze et al., 2024 )
Grundmodell för tal-till-text callcenter, kreatörer användningsbaserad / lokal Snabb transkribering, flerspråkigt stöd, tillräckligt bra för bullrigt ljud (vanligtvis) 🎙️ ( Viskning )
Grundmodell för text-till-tal produktteam, media användningsbaserad Naturlig röstgenerering, röststilar, berättarröst - kan bli kusligt verklighetstroget ( Shen et al., 2017 )
Kodfokuserad LLM utvecklare användningsbaserad / prenumeration Bättre på kodmönster, felsökning, refaktorering... fortfarande ingen tankeläsare dock 😅

Lägg märke till hur ”grundmodell” inte bara betyder ”chatbot”. Inbäddningar och talmodeller kan också vara grundläggande, eftersom de är breda och återanvändbara över olika uppgifter ( Bommasani et al., 2021 , NIST ).

7) En närmare titt: hur språkbaserade modeller lär sig (vibe-versionen) 🧠🧃

Språkgrundsmodeller (ofta kallade LLM) tränas vanligtvis på stora textsamlingar. De lär sig genom att förutsäga tokens ( Brown et al., 2020 ). Det är allt. Inget hemligt älvdamm.

Men magin är att förutsägelse av tokens tvingar modellen att lära sig struktur ( CSET ):

  • grammatik och syntax

  • ämnesrelationer

  • resonemangsliknande mönster (ibland)

  • vanliga tankesekvenser

  • hur människor förklarar saker, argumenterar, ber om ursäkt, förhandlar, undervisar

Det är som att lära sig att imitera miljontals samtal utan att "förstå" hur människor gör. Vilket låter som att det inte borde fungera ... och ändå fortsätter det att fungera.

En liten överdrift: det är i princip som att komprimera mänsklig skrift till en gigantisk probabilistisk hjärna.
Men å andra sidan är den metaforen lite förbannad. Men vi rör på oss 😄

8) Närmare titt: diffusionsmodeller (varför bilder fungerar olika) 🎨🌀

Bildbasmodeller använder ofta diffusionsmetoder ( Ho et al., 2020 , Rombach et al., 2021 ).

Den grova idén:

  1. Lägg till brus i bilderna tills de i princip är statiska på TV

  2. träna en modell för att reversera det bruset steg för steg

  3. vid genereringstillfället, börja med brus och "brusreducera" till en bild som styrs av en prompt ( Ho et al., 2020 )

Det är därför bildgenerering känns som att "framkalla" ett foto, förutom att fotot är en drake med sneakers i en mataffärsgång 🛒🐉

Diffusionsmodeller är bra eftersom:

  • de genererar högkvalitativa bilder

  • de kan starkt vägledas av text

  • de stöder iterativ förfining (variationer, inmålning, uppskalning) ( Rombach et al., 2021 )

De kämpar också ibland med:

  • textåtergivning inuti bilder

  • fina anatomiska detaljer

  • konsekvent karaktärsidentitet över scener (det förbättras, men ändå)

9) Närmare titt: multimodala grundmodeller (text + bilder + ljud) 👀🎧📝

Multimodala grundmodeller syftar till att förstå och generera över flera datatyper:

Varför detta är viktigt i verkliga livet:

  • kundsupport kan tolka skärmdumpar

  • tillgänglighetsverktyg kan beskriva bilder

  • utbildningsappar kan förklara diagram

  • skapare kan remixa format snabbt

  • affärsverktyg kan "läsa" en skärmdump av en instrumentpanel och sammanfatta den

Under huven justerar multimodala system ofta representationer:

  • omvandla en bild till inbäddningar

  • omvandla text till inbäddningar

  • lär dig ett gemensamt utrymme där "katt" matchar kattpixlar 😺 ( Radford et al., 2021 )

Det är inte alltid elegant. Ibland är det ihopsytt som ett täcke. Men det fungerar.

10) Finjustering kontra prompting kontra RAG (hur du anpassar basmodellen) 🧰

Om du försöker göra en grundmodell praktisk för ett specifikt område (juridik, medicin, kundtjänst, intern kunskap) har du några verktyg:

Uppmaning 🗣️

Snabbast och enklast.

  • fördelar: ingen träning, omedelbar iteration

  • nackdelar: kan vara inkonsekvent, kontextbegränsningar, snabb bräcklighet

Finjustering 🎯

Träna modellen vidare på dina exempel.

  • fördelar: mer konsekvent beteende, bättre domänspråk, kan minska promptlängden

  • nackdelar: kostnad, krav på datakvalitet, risk för överanpassning, underhåll

Lättviktsinställning (LoRA / adaptrar) 🧩

En effektivare version av finjustering ( Hu et al., 2021 ).

  • fördelar: billigare, modulär, lättare att byta

  • nackdelar: behöver fortfarande utbildningsplan och utvärdering

RAG (återhämtningsförstärkt generation) 🔎

Modellen hämtar relevanta dokument från din kunskapsbas och svarar med hjälp av dem ( Lewis et al., 2020 ).

  • fördelar: aktuell kunskap, interna citeringar (om du implementerar det), mindre omskolning

  • nackdelar: hämtningskvaliteten kan avgöra resultatet, behöver bra chunking + inbäddningar

Äkta språket: många framgångsrika system kombinerar prompting + RAG. Finjustering är kraftfullt, men inte alltid nödvändigt. Folk hoppar till det för snabbt eftersom det låter imponerande 😅

11) Risker, begränsningar och avsnittet "snälla, implementera inte detta i blindo" 🧯😬

Grundmodeller är kraftfulla, men de är inte stabila som traditionell programvara. De är mer som… en begåvad praktikant med problem med självförtroendet.

Viktiga begränsningar att planera för:

Hallucinationer 🌀

Modeller kan uppfinna:

  • falska källor

  • felaktiga fakta

  • rimliga men felaktiga steg ( Ji et al., 2023 )

Mildrande åtgärder:

  • RAG med förankrad kontext ( Lewis et al., 2020 )

  • begränsade utdata (scheman, verktygsanrop)

  • uttrycklig instruktion om att inte gissa

  • verifieringslager (regler, dubbelkontroller, mänsklig granskning)

Bias och skadliga mönster ⚠️

Eftersom träningsdata speglar människor kan du få:

Mildrande åtgärder:

Datasekretess och läckage 🔒

Om du matar in konfidentiella data i en modellslutpunkt behöver du veta:

  • hur det lagras

  • om den används för träning

  • vilken loggning finns

  • vad som styr din organisations behov ( NIST AI RMF 1.0 )

Mildrande åtgärder:

Snabb injektion (särskilt med RAG) 🕳️

Om modellen läser otillförlitlig text kan den texten försöka manipulera den:

Mildrande åtgärder:

Försöker inte skrämma dig. Bara… det är bättre att veta var golvplankorna gnisslar.

12) Hur man väljer en grundmodell för ditt användningsfall 🎛️

Om du väljer en grundmodell (eller bygger vidare på en), börja med dessa instruktioner:

Definiera vad du genererar 🧾

  • endast text

  • bilder

  • audio

  • blandad multimodal

Sätt din faktagräns 📌

Om du behöver hög noggrannhet (finans, hälsa, juridik, säkerhet):

Bestäm ditt latensmål ⚡

Chatten är omedelbar. Sammanfattningar av grupper kan vara långsammare.
Om du behöver omedelbar respons spelar modellens storlek och webbhotell roll.

Kartlägg sekretess- och efterlevnadsbehov 🔐

Vissa lag kräver:

Balansera budgeten - och ha tålamod med ops 😅

Självhosting ger kontroll men ökar komplexiteten.
Hanterade API:er är enkla men kan vara dyra och mindre anpassningsbara.

Ett litet praktiskt tips: prototypa med något enkelt först, härda sedan. Att börja med den "perfekta" uppställningen brukar sakta ner allt.

13) Vad är grundmodeller i generativ AI? (Den snabba mentala modellen) 🧠✨

Låt oss ta det tillbaka. Vad är grundmodeller inom generativ AI?

De är:

  • stora, generella modeller tränade på bred data ( NIST , Stanford CRFM )

  • kapabel att generera innehåll (text, bilder, ljud etc.) ( NIST Generative AI Profile )

  • anpassningsbar till många uppgifter via uppmaningar, finjustering och återgivning ( Bommasani et al., 2021 )

  • baslagret som driver de flesta moderna generativa AI-produkter

De är inte en enda arkitektur eller ett enda varumärke. De är en kategori av modeller som beter sig som en plattform.

En grundmodell är mindre som en miniräknare och mer som ett kök. Du kan laga många måltider i den. Du kan också bränna rostat bröd om du inte är uppmärksam… men köket är fortfarande ganska praktiskt 🍳🔥

14) Sammanfattning och avhämtning ✅🙂

Grundmodeller är de återanvändbara motorerna för generativ AI. De tränas brett och anpassas sedan till specifika uppgifter genom prompter, finjustering och hämtning ( NIST , Stanford CRFM ). De kan vara fantastiska, slarviga, kraftfulla och då och då löjliga – allt på en och samma gång.

Sammanfattning:

Om du bygger något med generativ AI är det inte valfritt att förstå grundmodeller. Det är hela golvet som byggnaden står på… och ja, ibland vinglar golvet lite 😅

Vanliga frågor

Grundmodeller, enkelt uttryckt

En grundmodell är en stor, generell AI-modell som tränas på bred data så att den kan återanvändas för många uppgifter. Istället för att bygga en modell per jobb börjar man med en stark "basmodell" och anpassar den efter behov. Den anpassningen sker ofta genom uppmaningar, finjustering, hämtning (RAG) eller verktyg. Den centrala idén är bredd plus styrbarhet.

Hur grundmodeller skiljer sig från traditionella uppgiftsspecifika AI-modeller

Traditionell AI tränar ofta en separat modell för varje uppgift, som sentimentanalys eller översättning. Grundmodeller inverterar det mönstret: förträna en gång och återanvänd sedan över många funktioner och produkter. Detta kan minska dubbelarbete och påskynda leveransen av nya funktioner. Avvägningen är att de kan vara mindre förutsägbara än klassisk programvara om du inte lägger till begränsningar och testning.

Grundmodeller inom generativ AI

Inom generativ AI är grundmodeller de bassystem som kan producera nytt innehåll som text, bilder, ljud, kod eller multimodala utdata. De är inte begränsade till märkning eller klassificering; de genererar svar som liknar mänskligt skapat arbete. Eftersom de lär sig breda mönster under förträning kan de hantera många prompttyper och format. De är "baslagret" bakom de flesta moderna generativa upplevelser.

Hur grundmodeller lär sig under förträning

De flesta språkliga grundmodeller lär sig genom att förutsäga viktiga saker, som nästa ord eller saknade ord i texten. Det enkla målet driver dem att internalisera strukturer som grammatik, stil och vanliga förklaringsmönster. De kan också absorbera en stor mängd världskunskap, men inte alltid tillförlitligt. Resultatet är en stark generell representation som du senare kan styra mot specifikt arbete.

Skillnaden mellan prompting, finjustering, LoRA och RAG

Att uppmana är det snabbaste sättet att styra beteende med hjälp av instruktioner, men det kan vara skört. Finjustering tränar modellen ytterligare på dina exempel för mer konsekvent beteende, men det ökar kostnaderna och underhållet. LoRA/adaptrar är en lättare finjusteringsmetod som ofta är billigare och mer modulär. RAG hämtar relevanta dokument och har modellsvaret med hjälp av det sammanhanget, vilket bidrar till uppdatering och förankring.

När man ska använda RAG istället för finjustering

RAG är ofta ett starkt val när du behöver svar baserade på dina nuvarande dokument eller interna kunskapsbas. Det kan minska "gissningar" genom att förse modellen med relevant kontext vid genereringstillfället. Finjustering passar bättre när du behöver en konsekvent stil, domänfrasering eller beteende som prompting inte kan producera på ett tillförlitligt sätt. Många praktiska system kombinerar prompting + RAG innan de finjusterar.

Hur man minskar hallucinationer och får mer pålitliga svar

Ett vanligt tillvägagångssätt är att förankra modellen med hämtning (RAG) så att den håller sig nära det givna sammanhanget. Du kan också begränsa utdata med scheman, kräva verktygsanrop för viktiga steg och lägga till explicita "gissa inte"-instruktioner. Verifieringslager är också viktiga, som regelkontroller, korskontroller och mänsklig granskning för användningsfall med högre insatser. Behandla modellen som en probabilistisk hjälpare, inte en källa till sanning som standard.

De största riskerna med grundmodeller i produktion

Vanliga risker inkluderar hallucinationer, partiska eller skadliga mönster från träningsdata och integritetsläckage om känsliga data hanteras dåligt. System kan också vara sårbara för snabb injicering, särskilt när modellen läser otillförlitlig text från dokument eller webbinnehåll. Åtgärder inkluderar vanligtvis styrning, red-teaming, åtkomstkontroller, säkrare promptmönster och strukturerad utvärdering. Planera för dessa risker tidigt snarare än att uppdatera senare.

Snabb injektion och varför det är viktigt i RAG-system

Promptinjektion är när otillförlitlig text försöker åsidosätta instruktioner, som att "ignorera tidigare anvisningar" eller "avslöja hemligheter". I RAG kan hämtade dokument innehålla dessa skadliga instruktioner, och modellen kan följa dem om du inte är försiktig. En vanlig metod är att isolera systeminstruktioner, sanera hämtat innehåll och förlita sig på verktygsbaserade policyer snarare än enbart prompter. Testning med kontradiktoriska indata hjälper till att avslöja svaga punkter.

Hur man väljer en grundmodell för ditt användningsfall

Börja med att definiera vad du behöver generera: text, bilder, ljud, kod eller multimodala utdata. Sätt sedan din faktastandard – domäner med hög noggrannhet behöver ofta förankring (RAG), validering och ibland mänsklig granskning. Tänk på latens och kostnad, eftersom en stark modell som är långsam eller dyr kan vara svår att leverera. Slutligen, mappa sekretess- och efterlevnadsbehov till distributionsalternativ och kontroller.

Referenser

  1. National Institute of Standards and Technology (NIST) - Grundmodell (ordlista) - csrc.nist.gov

  2. National Institute of Standards and Technology (NIST) - NIST AI 600-1: Generativ AI-profil - nvlpubs.nist.gov

  3. Nationella institutet för standarder och teknologi (NIST) - NIST AI 100-1: Ramverk för riskhantering inom AI (AI RMF 1.0) - nvlpubs.nist.gov

  4. Stanford Center for Research on Foundation Models (CRFM) - Rapport - crfm.stanford.edu

  5. arXiv - On the Opportunities and Risks of Foundation Models (Bommasani et al., 2021) - arxiv.org

  6. arXiv - Språkmodeller är få-skottsinlärare (Brown et al., 2020) - arxiv.org

  7. arXiv - Retrieval-Augmented Generation för kunskapsintensiva NLP-uppgifter (Lewis et al., 2020) - arxiv.org

  8. arXiv - LoRA: Lågrankig anpassning av stora språkmodeller (Hu et al., 2021) - arxiv.org

  9. arXiv - BERT: Förträning av djupa dubbelriktade transformatorer för språkförståelse (Devlin et al., 2018) - arxiv.org

  10. arXiv - Finjusterade språkmodeller är noll-skottsinlärare (Wei et al., 2021) - arxiv.org

  11. ACM Digital Library - Undersökning av hallucinationer i naturligt språkgenerering (Ji et al., 2023) - dl.acm.org

  12. arXiv - Lärande av överförbara visuella modeller från handledning av naturligt språk (Radford et al., 2021) - arxiv.org

  13. arXiv - Brusreducerande diffusionsprobabilistiska modeller (Ho et al., 2020) - arxiv.org

  14. arXiv - Högupplöst bildsyntes med latenta diffusionsmodeller (Rombach et al., 2021) - arxiv.org

  15. arXiv - Hämtning av täta avsnitt för att besvara frågor i öppen domän (Karpukhin et al., 2020) - arxiv.org

  16. arXiv - Faiss-biblioteket (Douze et al., 2024) - arxiv.org

  17. OpenAI - Introduktion till Whisper - openai.com

  18. arXiv - Naturlig TTS-syntes genom att konditionera WaveNet på Mel-spektrogramförutsägelser (Shen et al., 2017) - arxiv.org

  19. Centrum för säkerhet och framväxande teknologi (CSET), Georgetown University - Den överraskande kraften i nästa ords förutsägelse: stora språkmodeller förklarade (del 1) - cset.georgetown.edu

  20. USENIX - Extrahera träningsdata från stora språkmodeller (Carlini et al., 2021) - usenix.org

  21. OWASP - LLM01: Snabb injektion - genai.owasp.org

  22. arXiv - Mer än du har bett om: En omfattande analys av nya hot från promptinjektioner mot applikationsintegrerade stora språkmodeller (Greshake et al., 2023) - arxiv.org

  23. OWASP fusklappsserie - LLM fusklapp för förebyggande av snabba injektioner - cheatsheetseries.owasp.org

Hitta den senaste AI:n i den officiella AI-assistentbutiken

Om oss

Tillbaka till bloggen