【案例】+ a3 c8 i5 b+ z' r: T
7 C$ h# A0 n, e1 Y% I6 [0 ]/ M
GPT-4「变懒」bug被修复,价格暴降80%!OpenAI连更5款新模型,性能狂飙 新智元 2024-01-26 12:18 发表于北京
6 t) ~7 [1 W; q0 P6 r) W1 O9 I新智元报道 编辑:编辑部
( E, a( O7 l- l+ y- g* v- t" A 【新智元导读】昨夜,OpenAI一口气连更5款新模型。GPT-4 Turbo变懒问题修复,代码生成能力史诗级加强。另外,多款模型价格大幅暴降。9 u2 z, y: q$ i" `: f
8 g% B# x3 Y6 p9 |! _4 t8 ~
4 d# x6 T$ h- v& F GPT-4又双叒叕变强了!& Z) a/ l) s6 r
+ h$ f- ] L5 A. k" F 今天,OpenAI正式发布了更新版的GPT-4 Turbo——gpt-4-0125-preview。
/ ^& s% o# k0 G0 i( G% \
, l$ L2 x" ~0 `6 n 不仅大幅改善了模型「偷懒」的情况,而且还极大地提升了代码生成的能力。5 k* ?2 }+ F/ X" ` m7 Z5 ^* n
4 x ?# u1 y2 c
/ l& k' F% Q: L A
7 x6 {; t. v0 e# N
与此同时,OpenAI还发布了一系列模型和API更新,总体来说就是「更强的性能,更低的价格」。& I- j0 I C) U" P6 A
) M, B$ o4 a5 R
- GPT-3.5 Turbo更新——gpt-3.5-turbo-0125。输入价格大降50%,输出价格下降25%。性能上也有升级。
6 K# B( l! e# M( J4 I( X0 \$ g+ e+ y: |& q/ f5 v
- 「迄今为止最强」的审核模型text-moderation-007,帮助开发者有效地识别有害文本。
8 x0 z. R @9 a' ]5 l0 P) f2 q0 Q- R$ i9 E" i- d
两个新一代embedding模型:
. L* g, @6 N: F% I& f1 }/ G
+ ]* B9 @" |- L0 M/ E( x - text-embedding-3-small,体积更小效率更高,价格直接砍到了原模型20%!支持512维和1536维两种大小。
9 F! ^7 K( X: b. a* c8 g" y - text-embedding-3-large,性能相比之前模型大幅提升,高达3072维的嵌入向量,价格是小模型的6.5倍。
; ]# ]# v8 F: v/ Q+ D5 j# Q; p$ Q 最后,OpenAI还强调称,用户通过API传送的数据,都不会被用于训练新的模型。; `' t6 v; e9 c: n
8 q, g m. h" z5 N3 j0 X$ C0 V `% J: a+ M
6 [& [; d1 g0 y; d4 b- K( M! P GPT-4更强了,变懒bug修复 自从去年11月份开发者大会发布GPT-4-Turbo以来,超过70%的GPT-4 API用户已经转用了GPT-4-Turbo预览版,从而能够享受最新的知识戒指日期、更大的128k上下文窗口和更低的价格。
. c7 m- `4 Q) \5 y: w1 b& u' w4 n2 m& b$ E7 y5 i- X
最新更新的GPT-4-Turbo 预览模型——gpt-4-0125-preview在执行任务(如代码生成)方面比之前的预览版要更强,能够减少模型有可能出现的「偷懒」现象。
, V4 y0 n2 @7 R# f- y% y! {; Z, b' r1 X& x$ F! X& }2 r, \" c
新模型还修复了一个影响非英文UTF-8生成的漏洞。6 J4 o5 q4 y7 X% R2 e) w
对于那些希望自动升级到最新GPT-4-Turbo预览版的用户,OpenAI还推出了一个新的模型名别名gpt-4-turbo-preview,它将始终指向最新的GPT-4-Turbo预览版模型。
( S; v$ h4 b6 ^$ Z! D2 s1 b9 P% J1 z0 l" B5 a. x" k1 b: X0 p
在未来几个月内,OpenAI还会推出具备视觉功能的GPT-4-Turbo正式版。# L$ V$ ~9 Z& G' Z
' `9 y9 X# d1 a8 ^% p+ N* ]2 Q i
3 ?$ j, Z- W+ I- N1 k' p GPT-3.5-Turbo喜迎「降价增效」 下周,OpenAI即将推出新版的GPT-3.5-Turbo,型号为gpt-3.5-turbo-0125。6 q2 c& A8 t* U
4 a8 g: p6 @! @- ^3 J) |( |. {. ~; f
在过去的一年里,OpenAI已经第三次下调GPT-3.5-Turbo的价格。
( L2 S: l. Q! l1 K, s) x7 I4 S) p F: G
新模型的输入价格下降了50%,现为0.0005美元/1k token;输出价格下降了 25%,现为0.0015美元/1k token。" ]2 S* r; F. } I1 q( p( `
此外,模型还进行了多项改进,比如提高了按要求格式响应的准确性,并修复了一个导致非英文语言函数调用出现文本编码问题的漏洞。! d4 H% L- ]3 M1 W
( n: n' a) }+ }/ T# _* o& H
在API中使用固定gpt-3.5-turbo模型名称的用户,将在这款新模型推出两周后,自动从gpt-3.5-turbo-0613升级至gpt-3.5-turbo-0125版本。
$ J" o B. R- Z. H4 ^1 t) S: o( P2 P
- |9 I$ D2 T2 l+ m* z4 E
6 l. z, }( Q; r 全新嵌入模型2连发:性能大涨价格狂降 OpenAI推出了两款新的嵌入模型:体积更小、效率更高的text-embedding-3-small模型,以及更大、性能更强的text-embedding-3-large模型。" i( V/ q. \" C6 w$ {6 k- a6 B
$ v& r; ?7 U$ e& H% S
$ O! H d# c" ?! a" q
j' l2 t* o! E$ d% F# C 所谓嵌入(Embedding),就是将内容(如文字或代码)中的概念转化为一串数字序列。
1 V" V" v; J# ]! _9 n( D; ?% y 通过这种方式,机器学习模型和其他算法可以轻松理解不同内容之间的关系,执行聚类、检索等操作。# C7 j+ {5 Q8 D
6 ?; j% C- R* z$ r0 ~
嵌入技术为 ChatGPT 和 Assistants API 中的知识检索功能,以及许多检索增强生成([color=var(--weui-LINK)][url=]RAG[/url])开发工具提供了强大动力。8 N( d8 V' [0 W+ |* ~' s0 E
「小」文本嵌入模型:text-embedding-3-smalltext-embedding-3-small是OpenAI的新型高效嵌入模型,与2022年12月推出的前代产品text-embedding-ada-002相比,性能有了大幅提升。$ ^6 b( |7 A4 t1 N6 F" }3 _& H
+ F5 ~1 {9 g+ p; C
9 o3 j' g3 _; ]) {5 J - 性能更强
- s+ n+ W: u, i+ I0 G+ u2 z' q% n" M+ {: j; [% D9 X7 A
在多语言检索(MIRACL)的常用基准测试中,text-embedding-3-small的平均得分从31.4%提高到44.0%,在英语任务(MTEB)的常用基准测试中,平均得分从61.0%提高到 62.3%。1 V/ X( v; Q( \: M3 {8 R& B7 A* o ^
, T1 R; @; D- _$ D
+ i; S* _- n$ i. E% j+ m
- 价格实惠' l4 I# }: [! t& i* i- ^2 |
& g6 p0 N8 X) F$ a) _
text-embedding-3-small远比OpenAI之前的text-embedding-ada-002模型效率高,因此价格也大幅降低了5倍,从每千token的0.0001美元降至0.00002美元。- }: N, X. G1 m: h! V% g
) P; U8 ^- d5 d OpenAI不会停用text-embedding-ada-002,尽管OpenAI更推荐用户使用新模型,客户仍可选择继续使用上一代产品。
/ b' k2 v$ h \: B4 ]
}8 a0 ]4 a8 i2 @8 a
/ {9 E9 y% m' c0 ?「大」文本嵌入模型:text-embedding-3-large0 S; ^, L5 F' _% B
: V" |1 n: a5 [* ~% e% D2 ~# M" T
text-embedding-3-large是OpenAI的新一代大型嵌入模型,能够生成高达3072维的嵌入向量。, X2 x" H+ [/ m( } W0 V Z
text-embedding-3-large是OpenAI目前性能最强的模型——* f& {, h' D4 j3 c+ [
0 Z3 y6 X: k8 V 与text-embedding-ada-002相比,它在MIRACL上的平均得分从31.4%提升至54.9%,在MTEB上的平均得分从61.0%提升至 64.6%。0 L' G3 j6 r, W
5 A0 N" D+ R. p# ~0 V& \
; r6 p" a4 V7 D M4 v, S8 z- T* ~0 P7 G5 w0 _. e$ W) x z
text-embedding-3-large的价格定为0.00013美元/1k token。/ E1 Z7 v# a" ]4 [+ J$ ~+ ~
, c- \( X/ l% ], u. d* J: ~
2 T3 ^( ?& ^ p! q& c& ^8 z
0 J( \! Y l" c# `* K
2 N. {8 t( J; C+ x, r( |+ A; \3 o
灵活调整嵌入向量
) y; m' n# x9 d
; h C7 O# J- {5 C' J 相比于小型嵌入,大型嵌入的存储和检索,如放置于向量存储库中,往往需要更高的成本,也消耗更多的计算资源、内存和存储空间。: z5 r: j; |0 L0 p! q
1 P# F$ }6 ^. {8 C" N4 P OpenAI的两款新嵌入模型均采用了一种特殊的训练技术,使得开发者可以在嵌入的使用成本和性能之间做出权衡。2 j9 A( ]& s/ j9 K `& T# B/ Y
具体来说,开发者可以通过设定dimensions API参数来有效缩短嵌入向量的长度(也就是去掉数列末端的一些数字),而这样做不会影响嵌入向量代表概念的核心特性。5 \' N0 b, c3 S1 R( u
% L; S. }1 x( }" E% X
例如,在MTEB基准测试中,即使将text-embedding-3-large嵌入向量的长度缩减到 256,它的性能仍然超过了长度为1536的未经缩减的text-embedding-ada-002嵌入向量。
9 S- `) s& W" W; @ 这种做法极大地增加了使用上的灵活性。. N0 k! [* |1 k* h6 ?
1 G2 {* R8 D5 ?; Y' D/ G
比如说,当开发者需要使用一个只支持最大1024维度嵌入向量的向量数据存储时,可以选择OpenAI性能最佳的嵌入模型text-embedding-3-large,并通过设置dimensions API参数为1024,从而将原本3072维的嵌入向量缩减下来,以较小的向量尺寸为代价换取了准确度。
: s' S+ u5 N7 D4 k; a# ]9 M/ h/ e8 D
+ ~) {% \# r' z# \3 Q. i
! K$ P1 X7 j5 G! I# F5 X9 P
迄今最强的内容审核模型 OpenAI提供的免费内容审核API可以帮助开发者识别可能有害的文本。- n1 B. R% j8 _4 C
/ G9 o" T& N* t! T6 H4 X 作为OpenAI持续安全工作的一部分,OpenAI发布了迄今为止最强大的内容审核模型text-moderation-007。1 f Z3 w* H" [3 e4 M0 o7 `* h
_9 }. @, F- x
此前的text-moderation-latest和text-moderation-stable,也将重新指向这个新模型。
Z1 x( e* J% K1 P8 [- o# D' G8 V- O$ @9 e1 {
$ B% G. \0 P: A' z9 ?/ G
API后台更新,更好的API密钥管理 OpenAI正在推出两项重要的平台升级,旨在为开发者提供对他们的API使用情况更清晰的洞察,并加强对API密钥的管理。
7 D6 a0 M$ S+ L6 i3 q3 ^8 l) y9 h l( g9 j
首先,开发者可以直接在API密钥页面设置不同的密钥权限。5 U4 r; A) K9 S1 [ ^) h$ c. F
7 A2 K _: M# D+ X% U 举个例子,用户可以为一个密钥配置只读权限,以便用于内部的跟踪数据面板,或者设置为仅限访问某些特定的接口。
( s# m- u. f4 d" r 其次,一旦开启了密钥使用跟踪功能,使用仪表盘和数据导出功能就能够提供基于每个API 密钥的详细使用指标。这样一来,只需为不同的功能、团队、产品或项目分配独立的 API 密钥,就可以轻松地监控到各自的使用情况。" [6 i5 F$ X# [6 _7 v
. A! s9 C( p! b 在接下来的几个月里,OpenAI计划为开发者提供更多便利,让他们能够更好地监控 API 使用情况并管理 API 密钥,这一点对于大型组织来说尤其重要。$ H$ U( y, s R$ s; U- \6 ?. C) k
* r9 [ n! u: \6 ^, Z' z% E m1 f4 S! W# b; L" @. D
" i) i% ~2 }% e
1 n C M! Y8 D
6 c o2 w- f6 a5 B: {) I- n$ ?
4 K7 O0 y& z7 `* o) K8 M
N7 j: W+ |6 n8 x |