Genesis II розширює набір даних штучного інтелекту QVAC для освіти до 148 мільярдів токенів

Відділ досліджень штучного інтелекту Tether Data, QVAC, представив останню версію свого відкритого синтетичного набору даних, що є значним кроком вперед у можливостях попереднього навчання моделей ШІ. Новий реліз додає 107 мільярдів додаткових токенів, доводячи загальний обсяг набору даних до 148 мільярдів токенів, що охоплюють 19 освітніх доменів — встановлюючи його як найбільший у світі публічно доступний синтетичний набір даних для розробки ШІ.

Прорив у синтетичних можливостях розподілу та логічного мислення

Набір даних Genesis II вводить фундаментальні зміни у структурі синтетичних даних для тренування. Замість простого накопичення токенів, QVAC застосував підхід «синтетичного розподілу», який сегментує освітній контент у спеціалізовані домени, кожен з яких оптимізовано для конкретних навчальних цілей. Ця методологія дозволяє більш детальний контроль над параметрами тренування моделі.

Відмінною особливістю цього релізу є впровадження «Розуміння рівня опцій» — новий підхід до тренування, що спрямовує моделі ШІ через багатоваріантні рамки розв’язання задач. На відміну від попередніх поколінь, що зосереджувалися на розпізнаванні шаблонів, цей метод явно навчає моделі проміжним крокам логічного мислення, необхідним для досягнення висновків. Незалежні оцінки показують, що моделі, навчені на даних Genesis II, демонструють вищу точність логічних висновків і створюють більш послідовні, добре структуровані відповіді порівняно з попередніми синтетичними наборами даних.

Розширене охоплення доменів та доступність

Genesis II охоплює раніше недооцінені сфери, такі як інформатика, статистика та машинне навчання — критично важливі для створення систем ШІ, здатних розв’язувати складні аналітичні задачі. Це розширення базується на основі Genesis I, який вперше застосував методи аналізу несправностей для виявлення та усунення слабких місць у логіці моделей.

Весь набір даних випущено під ліцензією Creative Commons і розміщено як на офіційному блозі QVAC, так і на Hugging Face, що робить доступ до високоякісних тренувальних даних більш демократичним. Така відкритість усуває бар’єри для дослідників і розробників, які працюють з локальними моделями ШІ, зменшуючи залежність від пропрієтарних централізованих платформ для розробки ШІ.

Стратегічне бачення та вплив на індустрію

Павло Ардойно, генеральний директор Tether, охарактеризував цю ініціативу як важливий крок у розвитку штучного інтелекту, що виходить за межі простої мовної компетентності до міцного, структурованого розуміння. Забезпечуючи безкоштовний доступ до високоякісних синтетичних тренувальних даних, QVAC дає змогу ширшій спільноті дослідників ШІ створювати більш надійні та прозорі моделі поза межами традиційних корпоративних екосистем.

Реліз підкреслює зростаюче визнання того, що якісні попередні дані — особливо синтетично згенеровані набори даних, оптимізовані для освітньої цінності — є критично важливими конкурентними перевагами у розробці моделей. Оскільки системи ШІ стають все більш центральними у бізнесі та дослідженнях, ініціативи на кшталт Genesis II суттєво сприяють демократизації передових можливостей тренування моделей.