即刻App年轻人的同好社区
下载
AI 公司的 AI产品上应该如何更好的定价？
价格的制定是一项非常讲究技巧和策略，海外博主分析了海外 40 家 AI 产品的定价策略，核心主要在五个方面：
1. 有限的定价创新——70% 的公司采用订阅模式，很少有人提供纯粹的基于使用量或即用即付的定价。
令人惊讶的是，这些初创公司的创新性不如像Microsoft这样的庞然大物，后者为其新的AI Copilot for Security提供现收现付的定价。
2. 大多数公司都是根据用户数量收费的，这与人工智能应用程序作为“副驾驶”（协助人员）而不是“代理”（生成新工作产品）的概念一致。
如果这些 AI 应用程序像宣传的那样工作，它们的收入将随着它们增加更多价值而真正减少。让它沉入其中。
3. 免费版本在最初采用时非常受欢迎——50% 有免费计划，另外 20% 提供免费试用。
PLG 和 AI 相得益彰。人工智能应用程序往往具有非常快的价值实现时间，并且通常需要经验才能让人们完全相信价值主张，这并没有什么坏处。
4. 在 packages/tiers 方面有一个"Good-Better-Best"的范式。清晰的表明差异性
但它允许公司创建清晰的追加销售路径，并使客户的事情变得简单。
5. 保证定价的透明度——64% 的定价是公开的。
企业 AI 应用程序很少分享有关定价的细节。他们可能会给自己选择权，以在未来改变定价，看看上限在哪里，并让竞争对手猜测。（当然，鉴于 Vendr 等基准测试工具的兴起，这些信息无论如何都可能会公开
原文地址：www.growthunhinged.com
中文翻译：whthomas.notion.site
价格的制定是一项非常讲究技巧和策略，海外博主分析了海外 40 家 AI 产品的定价策略，核心主要在五个方面：
1. 有限的定价创新——70% 的公司采用订阅模式，很少有人提供纯粹的基于使用量或即用即付的定价。
令人惊讶的是，这些初创公司的创新性不如像Microsoft这样的庞然大物，后者为其新的AI Copilot for Security提供现收现付的定价。
2. 大多数公司都是根据用户数量收费的，这与人工智能应用程序作为“副驾驶”（协助人员）而不是“代理”（生成新工作产品）的概念一致。
如果这些 AI 应用程序像宣传的那样工作，它们的收入将随着它们增加更多价值而真正减少。让它沉入其中。
3. 免费版本在最初采用时非常受欢迎——50% 有免费计划，另外 20% 提供免费试用。
PLG 和 AI 相得益彰。人工智能应用程序往往具有非常快的价值实现时间，并且通常需要经验才能让人们完全相信价值主张，这并没有什么坏处。
4. 在 packages/tiers 方面有一个"Good-Better-Best"的范式。清晰的表明差异性
但它允许公司创建清晰的追加销售路径，并使客户的事情变得简单。
5. 保证定价的透明度——64% 的定价是公开的。
企业 AI 应用程序很少分享有关定价的细节。他们可能会给自己选择权，以在未来改变定价，看看上限在哪里，并让竞争对手猜测。（当然，鉴于 Vendr 等基准测试工具的兴起，这些信息无论如何都可能会公开
原文地址：www.growthunhinged.com
中文翻译：whthomas.notion.site
1 00
每天了解一个 AI大模型 - 今日大模型：
AI 模型分享 - 中文 Phi-3 模型
Phi-3-mini 发布并开源一周后，HuggingFace 目前仅有一个中文微调模型 👇
shareAI/Phi-3-mini-128k-instruct-Chinese
基于 Phi-3-mini-128k-instruct 模型，使用 ShareGPT-Chinese-English-90k 数据微调
Phi-3-mini-128k-instruct-Chinese:
huggingface.co
ShareGPT-Chinese-English-90k DataSet：
huggingface.co
AI 模型分享 - 中文 Phi-3 模型
Phi-3-mini 发布并开源一周后，HuggingFace 目前仅有一个中文微调模型 👇
shareAI/Phi-3-mini-128k-instruct-Chinese
基于 Phi-3-mini-128k-instruct 模型，使用 ShareGPT-Chinese-English-90k 数据微调
Phi-3-mini-128k-instruct-Chinese:
huggingface.co
ShareGPT-Chinese-English-90k DataSet：
huggingface.co
2 00
AI大模型学习 - 每天读论文（了解原理）。今天学习：
LoReFT微调。LoReFT是一种用于微调LLMs的开源方法。
1. LoReFT与PeFT的差异性：
LoReFT 变体的参数效率比早期技术高 10-50 倍，与传统的 PeFT 方法不同，LoReFT 改进了隐藏表示以增强性能。
2. LoReFT测试 图 2️⃣
在四个 NLP 基准的 20+ 数据集上与其他 PEFT 进行了测试。本研究通过精度、参数和输出示例深入研究了 LoReFT 的功效。
3. LoReFT的实验 图 3️⃣
LoReFT擅长常识推理任务，并经过严格的评估以避免过度拟合。它有效地微调模型，在有限的资源下取得强大的结果，特别是对于长篇文本生成。图 3️⃣是实验结果。
4. 该研究主要集中在LLaMA系列。
未来的工作将测试ReFT在其他模型（如Mistral-7B和GPT-2）以及视觉语言模型（如LLaVA）上的有效性。
论文地址：arxiv.org
项目地址：github.com
LoReFT微调。LoReFT是一种用于微调LLMs的开源方法。
1. LoReFT与PeFT的差异性：
LoReFT 变体的参数效率比早期技术高 10-50 倍，与传统的 PeFT 方法不同，LoReFT 改进了隐藏表示以增强性能。
2. LoReFT测试 图 2️⃣
在四个 NLP 基准的 20+ 数据集上与其他 PEFT 进行了测试。本研究通过精度、参数和输出示例深入研究了 LoReFT 的功效。
3. LoReFT的实验 图 3️⃣
LoReFT擅长常识推理任务，并经过严格的评估以避免过度拟合。它有效地微调模型，在有限的资源下取得强大的结果，特别是对于长篇文本生成。图 3️⃣是实验结果。
4. 该研究主要集中在LLaMA系列。
未来的工作将测试ReFT在其他模型（如Mistral-7B和GPT-2）以及视觉语言模型（如LLaVA）上的有效性。
论文地址：arxiv.org
项目地址：github.com
2 00
Llama3的出现会加快更强性能各个垂类的大模型的出现，核心是基于 Llama3 的微调成本已经非常低了。
国外的大神，已经基于 Llama3 做出视频摘要总结的能力
超快视频摘要，由 Llama3 在GroqInc上提供支持。将较长的视频分成几段，以提供完整的摘要。
国外的大神，已经基于 Llama3 做出视频摘要总结的能力
超快视频摘要，由 Llama3 在GroqInc上提供支持。将较长的视频分成几段，以提供完整的摘要。
00:58
6 02
1 02
大牛就是大牛，对大模型推理编程的解释都深入浅出。
前特斯拉AI总监，OpenAI联合创始人Andrej Karpathy。解释什么事大模型编程：
深度学习后的大模型推理编程如此简单，Llama-3 70B， 就两个文件，一个140G的参数文件，一个500行左右的C程序，你就可以和一个压缩了15T Tokens的大语言模型对话！
Karpathy早在2017年就说过AI is eating software。
结合今天的大模型发展，可能体会更深，传统编程范式和大模型神经网络编程范式的巨大不同，赋予数字神经网络以智能，剩下的就是神经网络帮你实现的！
前特斯拉AI总监，OpenAI联合创始人Andrej Karpathy。解释什么事大模型编程：
深度学习后的大模型推理编程如此简单，Llama-3 70B， 就两个文件，一个140G的参数文件，一个500行左右的C程序，你就可以和一个压缩了15T Tokens的大语言模型对话！
Karpathy早在2017年就说过AI is eating software。
结合今天的大模型发展，可能体会更深，传统编程范式和大模型神经网络编程范式的巨大不同，赋予数字神经网络以智能，剩下的就是神经网络帮你实现的！
04:49
6 02
GitHub开源项目分享
Github Trending 第二名，今日 Star 最多的项目，重新绘制的各种常用服务的 Logo，很漫画很可爱，CC BY-NC-SA 4.0 license。
这种风格非常可爱..感觉可以萌萌哒。如果做一个收费性质的产品？应该能吸一波儿用户，感兴趣动手能力强的帖子可以冲
Github Trending 第二名，今日 Star 最多的项目，重新绘制的各种常用服务的 Logo，很漫画很可爱，CC BY-NC-SA 4.0 license。
这种风格非常可爱..感觉可以萌萌哒。如果做一个收费性质的产品？应该能吸一波儿用户，感兴趣动手能力强的帖子可以冲
18 44
Google Gemini会在对话中高亮的凸出经过google核查过的内容，这个体验真的不错。图1️⃣
但这个相关搜索延伸体验不是很好，点击完之后是跳转到Google的搜索，为什么还要把用户导流到搜索去，这样用户体验断了。。难道直接在对话中继续使用用chat的方式完成交互更好吗？图 2️⃣
何为Google核查的内容：图 3️⃣
绿色内容：Google 搜索找到了可能与该陈述类似的内容。
系统会提供一个链接，但未必是 Gemini 用来生成回答的链接。
黄色内容：Google 搜索找到了可能与该陈述存在出入的内容，或未找到相关内容。
如果可能，系统会提供一个链接。
没有颜色内容：未突出显示的文字
没有足够的信息来评估陈述，或者提供的不是事实信息。目前，Gemini 会跳过表格和代码中的内容。
但这个相关搜索延伸体验不是很好，点击完之后是跳转到Google的搜索，为什么还要把用户导流到搜索去，这样用户体验断了。。难道直接在对话中继续使用用chat的方式完成交互更好吗？图 2️⃣
何为Google核查的内容：图 3️⃣
绿色内容：Google 搜索找到了可能与该陈述类似的内容。
系统会提供一个链接，但未必是 Gemini 用来生成回答的链接。
黄色内容：Google 搜索找到了可能与该陈述存在出入的内容，或未找到相关内容。
如果可能，系统会提供一个链接。
没有颜色内容：未突出显示的文字
没有足够的信息来评估陈述，或者提供的不是事实信息。目前，Gemini 会跳过表格和代码中的内容。
1 00
AI大模型学习 - 在本地动手搭建ChatPDF能力：
使用 RAG 构建LLM应用程序，只需 30 行 Python 代码即可与你本地的 PDF 进行Chat：
图 1️⃣：导入必要的Python库
• 用于构建 Web 应用程序的 Streamlit
• RAG 功能的嵌入链
• 用于创建临时文件和目录的 TempFile
图 2️⃣：配置 Embedchain 应用程序
• 选择 LLM 和 嵌入 provider 作为 OpenAI，您可以从 cohere、anthropic 或您选择的任何其他选项中进行选择。
• 选择矢量数据库作为开源色度数据库（您可以自由选择您选择的任何其他矢量数据库）
图 3️⃣：设置 Streamlit 应用程序
Streamlit 允许您仅使用 python 代码创建用户界面，对于此应用程序，我们将：
• 使用“st.title（）”向应用程序添加标题
• 创建一个文本输入框，供用户使用“st.text_input（）”输入其 OpenAI API 密钥
图 4️⃣：初始化 Embedchain 应用程序
• 如果提供了 OpenAI API 密钥，请使用“tempfile.mkdtemp（）”为向量数据库创建一个临时目录
• 使用“embedchain_bot”功能初始化 Embedchain 应用程序
图 5️⃣：上传 PDF 文件并将其添加到知识库
• 使用 'st.file_uploader（）' 为 PDF 文件创建文件上传器。
• 如果上传了 PDF 文件，请创建一个临时文件并将上传文件的内容写入其中。
图 6️⃣：询问有关 PDF 的问题并显示答案
• 为用户创建一个文本输入，以便使用“st.text_input（）”输入他们的问题
• 如果有人提出问题，请从 Embedchain 应用程序获取答案并使用 'st.write（）' 显示它
图 7️⃣：完整的 RAG 应用程序代码
使用 RAG 构建LLM应用程序，只需 30 行 Python 代码即可与你本地的 PDF 进行Chat：
图 1️⃣：导入必要的Python库
• 用于构建 Web 应用程序的 Streamlit
• RAG 功能的嵌入链
• 用于创建临时文件和目录的 TempFile
图 2️⃣：配置 Embedchain 应用程序
• 选择 LLM 和 嵌入 provider 作为 OpenAI，您可以从 cohere、anthropic 或您选择的任何其他选项中进行选择。
• 选择矢量数据库作为开源色度数据库（您可以自由选择您选择的任何其他矢量数据库）
图 3️⃣：设置 Streamlit 应用程序
Streamlit 允许您仅使用 python 代码创建用户界面，对于此应用程序，我们将：
• 使用“st.title（）”向应用程序添加标题
• 创建一个文本输入框，供用户使用“st.text_input（）”输入其 OpenAI API 密钥
图 4️⃣：初始化 Embedchain 应用程序
• 如果提供了 OpenAI API 密钥，请使用“tempfile.mkdtemp（）”为向量数据库创建一个临时目录
• 使用“embedchain_bot”功能初始化 Embedchain 应用程序
图 5️⃣：上传 PDF 文件并将其添加到知识库
• 使用 'st.file_uploader（）' 为 PDF 文件创建文件上传器。
• 如果上传了 PDF 文件，请创建一个临时文件并将上传文件的内容写入其中。
图 6️⃣：询问有关 PDF 的问题并显示答案
• 为用户创建一个文本输入，以便使用“st.text_input（）”输入他们的问题
• 如果有人提出问题，请从 Embedchain 应用程序获取答案并使用 'st.write（）' 显示它
图 7️⃣：完整的 RAG 应用程序代码
2 00
