1. Home
  2. Detail

@taco.bella.xo:

bellaa 🦦
bellaa 🦦
Open In TikTok:
Region: US
Friday 23 October 2026 22:04:48 GMT
221
64
0
0

Music

Download

No Watermark .mp4 (5.43MB) No Watermark(HD) .mp4 (5.43MB) Watermark .mp4 (0MB) Music .mp3

Comments

There are no more comments for this video.
To see more videos from user @taco.bella.xo, please go to the Tikwm homepage.

Other Videos
#VNVideoEditor
#VNVideoEditor
An Image Of A Delicious Chocolate Cake Slice
An Image Of A Delicious Chocolate Cake Slice


#explore #ابو_هيبه #oskar_7 #foryou #fyp
#explore #ابو_هيبه #oskar_7 #foryou #fyp
COME VIENE COSTRUITA DAVVERO UN’AI COME CHATGPT Da fuori sembra quasi magia: scrivi una domanda e, qualche secondo dopo, miliardi di numeri dentro un computer producono una risposta sensata. Ma dietro ChatGPT, Claude e gli altri grandi modelli linguistici c’è una pipeline molto più interessante di quanto sembri. Ho trovato un video di Rick the Engineer che la racconta particolarmente bene e ho deciso di ripercorrerla a modo mio, cercando di renderla il più intuitiva possibile. Si parte da enormi quantità di testo: libri, pagine web, codice, articoli, forum. Il testo viene spezzato in token, trasformato in rappresentazioni numeriche e dato in pasto a una rete neurale basata sull’architettura che ha cambiato l’AI moderna: il Transformer. Dentro c’è uno dei concetti fondamentali: l’attention, il meccanismo che permette al modello di capire quali parti del contesto sono importanti per interpretare ciò che sta leggendo. Poi arriva il training. All’inizio il modello non “sa” praticamente nulla. Gli viene dato un compito apparentemente banalissimo: prevedere il token successivo. Sbaglia, viene misurato l’errore, miliardi di parametri vengono modificati di pochissimo e il processo ricomincia. Ancora. Ancora. Ancora. Per trilioni di esempi. Il risultato del pre-training, però, è essenzialmente un autocomplete incredibilmente potente. Per trasformarlo nell’assistente che utilizziamo ogni giorno serve il post-training: esempi di buone risposte, feedback, reinforcement learning e, sempre più spesso, ricompense verificabili per matematica, codice e agenti. La parte che trovo più affascinante rimane questa: nessuno ha scritto dentro ChatGPT una funzione “impara Python”, “spiega la fisica” o “traduci in francese”. Molte di queste capacità emergono da un obiettivo estremamente semplice applicato a una scala enorme: prevedere cosa viene dopo e diventare, ogni volta, leggermente meno sbagliato.
COME VIENE COSTRUITA DAVVERO UN’AI COME CHATGPT Da fuori sembra quasi magia: scrivi una domanda e, qualche secondo dopo, miliardi di numeri dentro un computer producono una risposta sensata. Ma dietro ChatGPT, Claude e gli altri grandi modelli linguistici c’è una pipeline molto più interessante di quanto sembri. Ho trovato un video di Rick the Engineer che la racconta particolarmente bene e ho deciso di ripercorrerla a modo mio, cercando di renderla il più intuitiva possibile. Si parte da enormi quantità di testo: libri, pagine web, codice, articoli, forum. Il testo viene spezzato in token, trasformato in rappresentazioni numeriche e dato in pasto a una rete neurale basata sull’architettura che ha cambiato l’AI moderna: il Transformer. Dentro c’è uno dei concetti fondamentali: l’attention, il meccanismo che permette al modello di capire quali parti del contesto sono importanti per interpretare ciò che sta leggendo. Poi arriva il training. All’inizio il modello non “sa” praticamente nulla. Gli viene dato un compito apparentemente banalissimo: prevedere il token successivo. Sbaglia, viene misurato l’errore, miliardi di parametri vengono modificati di pochissimo e il processo ricomincia. Ancora. Ancora. Ancora. Per trilioni di esempi. Il risultato del pre-training, però, è essenzialmente un autocomplete incredibilmente potente. Per trasformarlo nell’assistente che utilizziamo ogni giorno serve il post-training: esempi di buone risposte, feedback, reinforcement learning e, sempre più spesso, ricompense verificabili per matematica, codice e agenti. La parte che trovo più affascinante rimane questa: nessuno ha scritto dentro ChatGPT una funzione “impara Python”, “spiega la fisica” o “traduci in francese”. Molte di queste capacità emergono da un obiettivo estremamente semplice applicato a una scala enorme: prevedere cosa viene dopo e diventare, ogni volta, leggermente meno sbagliato.

About

Legal