A patra lansare de model a zilei 🔥 - introducerea Hermes 4, din @NousResearch Hermes 4 este antrenat pentru manevrabilitate și rate de refuz mai mici, depășind RefusalBench și învingându-l pe Grok 4

Nebius AI Studio 🤝 @NousResearch Introducerea: 🔹 Hermes-4-70B 🔹 Hermes-4-405B Suntem mândri să alimentăm Nous Chat cu aceste noi modele și să le facem disponibile astăzi în Nebius Playground + API. 👉 Încercați-le astăzi:

Găzduim în direct cel mai recent și mai bun model de raționament de la Nous!

Nous Research prezintă Hermes 4, cea mai recentă linie de modele de raționament hibrid. Hermes 4 se bazează pe moștenirea noastră de modele aliniate la utilizator cu capacități extinse de calcul în timpul testelor. O atenție deosebită a fost acordată pentru a face modelele creative și interesante de interacționat, neîmpovărate de cenzură și aliniate neutru, menținând în același timp performanța de ultimă generație a matematicii, codării și raționamentului pentru modelele de greutate deschisă.

1/10🧵 @nousresearch publicat recent un studiu interesant care arată că modelele deschise folosesc de 2-3 ori mai multe jetoane decât modelele închise pentru sarcini de raționament. Am testat dacă alocarea dinamică a tokenurilor ar putea ajuta la rezolvarea acestui decalaj de eficiență. Iată ce am învățat 👇

Măsurarea eficienței gândirii în modelele de raționament: punctul de referință lipsă Am măsurat utilizarea jetoanelor în toate modelele de raționament: modelele deschise produc de 1,5-4 ori mai multe jetoane decât modelele închise pe sarcini identice, dar cu o variație uriașă în funcție de tipul de sarcină (până la 10 ori la întrebări simple). Acest cost ascuns anulează adesea avantajele prețurilor per token. Eficiența token-urilor ar trebui să devină o țintă principală alături de benchmark-urile de precizie, în special având în vedere cazurile de utilizare fără raționament. Citiți revizuirea amănunțită a eficienței raționamentului în peisajul modelelor deschise și închise în cea mai recentă postare pe blog în colaborare cu cercetătorul nostru rezident, Tim. Vedeți mai multe despre munca lor aici:

Salut! kainan_e invitat să vă alăturați grupului lor DM. Invitația expiră în 24 de ore.

Mediul de evaluare Arena-Hard este acum fuzionat cu Atropos - bucurați-vă de o evaluare scalabilă, flexibilă și modernă cu benchmark-ul Arena-Hard de la @lmsysorg, care este foarte bun la determinarea unei game largi de capabilități în modele. Gata să fie un mediu RL dacă îți aduci și propriul tren :) Aflați mai multe la

Cercetătorul nostru rezident @yaboilyrical va discuta despre munca sa privind conducerea SMC la UC Berkeley pe 3 august. Consultați blogul despre această lucrare aici: Detalii mai jos!

Programul de lucru al Psyche începe în 20 de minute în Discord - Ne vedem acolo!