DALL·E 推出 outpainting 外绘功能,支持任意尺寸扩展图像
OpenAI 为 DALL·E 推出 outpainting 功能,可在原图之外继续扩展画面,支持任意尺寸的图像创作,用于延展创意并讲述更完整的故事。
OpenAI 为 DALL·E 推出 outpainting 功能,可在原图之外继续扩展画面,支持任意尺寸的图像创作,用于延展创意并讲述更完整的故事。
OpenAI 发布新版内容审核工具 Moderation 端点,改进此前的内容过滤器,即日起面向 OpenAI API 开发者免费开放。
OpenAI 宣布 DALL·E 开放测试,未来几周内将从候补名单邀请 100 万人使用。用户每月可获得免费生成额度,额外额度按 115 次生成 15 美元的价格购买。
推荐理由:原文明确了邀请规模和付费定价,读者可以了解 DALL·E 测试版的获取方式与使用成本。
OpenAI 更新 DALL·E 2 研究预览进展,早期用户已累计生成超 300 万张图像,并帮助改进了安全流程。OpenAI 表示将开始每周从等待名单中新增最多 1000 名用户。
OpenAI 在 API 中推出 embeddings 新端点,用于自然语言和代码任务。该端点可支持语义搜索、聚类、主题建模和分类等应用。
推荐理由:原文给出了新的 embeddings 端点及其适用任务,读者可据此判断能否用于搜索、聚类或分类类需求。
OpenAI 宣布可为应用定制 GPT-3,通过微调(fine-tuning)适配自身场景。官方称只需一条命令即可完成微调。
推荐理由:OpenAI 官方宣布以单条命令即可对 GPT-3 做应用定制微调,降低了把基座模型适配到具体业务场景的门槛。
OpenAI 宣布其 API 取消等候名单,开放更广泛的使用。OpenAI 表示,更广泛的开放得益于安全方面的进展。
推荐理由:原文说明开放原因是安全性进展,读者可以了解 OpenAI API 使用门槛的降低节点。
OpenAI 发布改进版 Codex,该系统可将自然语言翻译为代码,即日起通过 API 以私有测试版形式开放。
推荐理由:OpenAI 官方宣布 Codex 改进版上线 API 私测,读者可以据此了解自然语言转代码能力的开放入口。
OpenAI 发布 Triton 1.0,一种类 Python 的开源编程语言。它让没有 CUDA 经验的研究者也能写出高效 GPU 代码,多数情况下效率与专家手写代码相当。
推荐理由:官方发布口径直接点明了 Triton 的核心价值,让无 CUDA 经验的研究者也能写出接近专家水平的 GPU 代码。
OpenAI 发布 API,供外界访问其开发的新 AI 模型。
推荐理由:OpenAI 官方宣布开放 API 访问其新模型,原文虽短,但可直接了解其对外提供模型访问的方式。
OpenAI 推出 Microscope,对八个常用于可解释性研究的视觉"模式生物"模型的每个重要层和神经元进行可视化。该工具让研究者更易分析这些神经网络内部形成的特征,以帮助学界理解这类复杂系统。
OpenAI 发布训练环境 CoinRun,用于衡量智能体将经验迁移到新情境的能力,并已帮助厘清强化学习领域一个长期存在的难题。CoinRun 在复杂度上取得平衡:比《刺猬索尼克》等传统平台游戏更简单,但仍对当前最先进算法构成值得挑战的泛化测试。
OpenAI 发布强化学习游戏研究平台 Gym Retro 的完整版,公开游戏数量从约 70 款 Atari 游戏和 30 款 Sega 游戏扩展到涵盖多种模拟器的超过 1000 款游戏,同时开源了用于向平台添加新游戏的工具。
OpenAI 发布八个模拟机器人环境,以及 Hindsight Experience Replay 的 Baselines 实现,均基于其过去一年的研究开发。这些环境已用于训练可在实体机器人上运行的模型,OpenAI 同时发布了一系列机器人研究课题请求。
OpenAI 发布了针对块稀疏权重网络这类较少被探索的神经网络架构的高度优化 GPU 内核。根据所选稀疏度,这些内核可比 cuBLAS 或 cuSPARSE 快数个数量级;OpenAI 已用它们在文本情感分析和文本与图像生成建模上取得 SOTA 结果。
OpenAI 发布两个新的 Baselines 实现:ACKTR 和 A2C。A2C 是 A3C 的同步确定性变体,性能与之相当;ACKTR 比 TRPO 和 A2C 更具样本效率,每次更新仅比 A2C 略多计算量。
OpenAI 发布 Roboschool,一款用于机器人仿真的开源软件,并已集成到 OpenAI Gym 中。
OpenAI 发布 Universe,一个用于在全球的游戏、网站和其他应用上测量并训练 AI 通用智能的软件平台。
OpenAI 发布 OpenAI Gym 公测版(public beta),这是一个用于开发和比较强化学习(RL)算法的工具包。它包含持续扩充的环境套件,覆盖模拟机器人到 Atari 游戏,并提供用于比较和复现结果的网站。
推荐理由:工具面向强化学习算法的开发与结果比较,环境覆盖模拟机器人和 Atari 游戏,可帮助读者了解可复现评测的入口。