AI21 Labs以低成本实现顶尖模型性能
AI21 Labs 用更低的成本达到了 SOTA 性能，让高性能 AI 更易普及。
AI21 Labs 近日发布新成果，通过创新的训练策略和架构优化，在不增加预算的前提下使模型达到与顶级模型相当的性能，让中小团队也能部署高性能 AI。
正文摘录
无需巨资即可达到 SOTA 性能 - 标题：Reaching SOTA Performance Without Breaking the Bank - 来源公司：AI21 Labs - 正文： 每一个 AI 团队最终都会撞上同一堵墙。Agent 能跑了。演示给利益相关者留下了深刻印象。然后难题来了： 我们怎样才能让这个东西足够好、足够快、足够经济，从而真正大规模上线？ 这篇博客记录了如何利用 AI21 Maestro （我们的 agent 优化框架）系统性地在两个具有挑战性的深度研究基准测试的质量 - 成本 - 延迟权衡空间中导航： - BrowseComp-Plus ：测试跨深度语料库搜索任务的检索精度与综合能力 - Deep Research Bench 1 ：测试长篇报告生成及其质量 在 BrowseComp-Plus 上，我们以 95.18% 的准确率取得了 SOTA 性能。  在我们解释如何做到之前，先看一下最终结果。下图是 Maestro 在 BrowseComp-Plus 上的实时输出 —— 一条完整的帕累托前沿（Pareto frontier，即在给定成本或延迟约束下能达到的最高精度曲线），自动浮现 自模型与工具配置、扩展策略和执行策略的组合。红色曲线上的每个点都是一个可达到的运行点：选择你的预算，读取对应的准确率。本文其余部分解释每种技术如何贡献，以及 Maestro 如何自动化地跨所有这些维度进行搜索。