6月28日,火山引擎发布了新的大模型服务平台——火山方舟。这个平台汇集了国内多个重要大模型,如MiniMax、智谱AI、复旦MOSS、百川智能、IDEA、澜舟科技、出门问问等。火山方舟不仅提供训练、推理、评测、精调等功能与服务,还将提供运营、应用插件等工具以进一步支持大模型生态。
火山方舟的目标是为大模型打造一个强大的基础设施。平台的主要功能包括:模型广场(供模型提供方和使用方初步了解的平台),模型推理,模型精调,模型评测,运营干预,以及应用插件。
“有意见”留言板
@预期管理:以为要发布个模型结果发布了个底座,令人好失望啊。按理说,火山背靠字节跳动,旗下有抖音、今日头条,不缺文字、音、视频的数据,近几年在美国市场也攻城略地,最近也曝出要花50亿购买最顶级的GPU,算力应该也不在话下,模型应顺理成章成为市场上最有竞争力的多模态大模型,为啥还这般犹抱琵琶半遮面呢?
@素颜也倾城:火山方舟——为我们描绘了一个正在发展中的大模型市场和一个富有潜力的大模型服务平台。我们期待看到火山方舟如何在未来的发展中,解决当前大模型面临的挑战,进一步推动大模型的应用落地,并带动多模型生态的发展。
@用AI评AI:火山引擎对于当前云计算趋势的理解是尽可能加速大模型的应用落地,并以开放、加速、信任三个关键词来总结火山方舟的自身定位、算力和安全,通过纳入更多大模型使其具备更高的灵活性,用户能够根据不同任务需求“货比三家”,接触到更多行业先进大模型。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。