AI搜索引擎再度进化？！给这个AI一个主题|ai科学语言大模型火了，数学生物计算机样样行( 二 )

有了这么庞大的数据集之后，那接下来便面临两个问题。
第一个问题是如何管理这些高质量的数据集，实现这点， GAL用了两步：
所有数据都以一种通用的标记格式进行处理，打通各种来源数据之间的壁垒。
预训练中包含用于特定任务的数据集，这就能保证在处理特定任务时能够更加专业。
还有一个问题是：如何设计界面交互？
首先就像上文提到的那样， GAL能够支持不同类型的任务。
因此在设计界面交互时便对各种任务进行分类，不同的分类会支持不同的类型的数据。

文章图片
既然GAL拥有高度管理和高质量的科学数据集，那和其他模型相比效果如何？
直接上数据！
推理方面， GAL的优势脱颖而出，在数学MMLU（大规模多任务语言理解）上，表现要优于Chinchilla ，数学方面，表现也优于PalM540B和GPT-3175B 。

文章图片

文章图片
尽管， GAL并没有经过一般数据集的训练，但它在BIG-bench上的表现仍旧优于BLOOM和OPT-175B 。

文章图片
看完之后是不是也心痒痒了，先码住再说！