Loading video...

Video Failed to Load

Go Home

昨晚说的Rabbit tech的AI智能设备Rabbit r1发布了,感觉这次路子走对了,语音控制,该有的功能都有,只要199美元。这次真想买一个玩玩了。 他兼容现在所有的应用 ,可以在你的命令下控制现有手机上的应用程序和进程。顺便翻译了发布会视频。 主要介绍: Rabbit r1主要由Rabbit's LAM驱动,Rabbit's LAM 旨在复制与应用程序交互的过程。LAM 经过训练,可以与现有界面交互并完成设定的任务,就像使用手机上的任何应用程序一样。 该模型经过训练,可以识别“所有移动和桌面环境”,你需要自己选择他可以操作的应用。 Rabbit r1 本身是一个小型方形设备,配备 2.88 英寸显示屏、一键通按钮、导航轮和 360 度旋转摄像头。 r1 搭载联发科 Helio P35 芯片,搭配 4GB RAM 和 128GB 设备存储。SIM卡插槽还允许在旅途中连接互联网。 Rabbit OS 可以通过一个界面控制你的音乐、订购汽车、购买杂货、发送消息等等。无需平衡应用程序和登录 - 只需询问您想要什么,然后让设备提供。 R1 的屏幕界面将是一系列基于类别的卡片,用于音乐、交通或视频聊天,Lyu 表示,屏幕的存在主要是为了让你可以自己验证模型的输出。 你可以在 R1 本身上执行一些操作,并且有一个名为 Rabbit Hole 的门户网站,您可以通过它登录所有各种服务。如果你想教设备如何使用 Photoshop,你将能够启动 Rabbit 的一台虚拟机并在那里教它,而不是使用你自己的设备和软件。 官网地址:

164,444 views • 2 years ago •via X (Twitter)

10 Comments

padphone's profile picture
padphone2 years ago

我不看好。因为这个功能其实就是手机里面的语音助手功能,后续各大手机厂商升级语音助手就可以了。其次,目前用户频次最高的核心体验是视觉娱乐:游戏,视频,影像图片。需要更大的屏幕更沉浸式的体验。它这个产品不会成为趋势的,充其量是一个分布式智能硬件如手表这种。

亮子纠缠AI's profile picture
亮子纠缠AI2 years ago

罗永浩的TNT出来早了,如果现在出来就对了

歸藏(guizang.ai)'s profile picture
歸藏(guizang.ai)2 years ago

是的 老罗破产早了啊

蜕's profile picture
2 years ago

不看好哦,搞了一堆概念,其实就是个精简版手机而已

lolieatapple's profile picture
lolieatapple2 years ago

不觉得语音控制很吵闹吗?我觉得所有的语音类交互工具都需要一个轻声模式,用耳语的音量轻轻说话,它就能识别的那种。xpet

Claude2023's profile picture
Claude20232 years ago

吕骋又在创业了,这次看哪个资本会接手

🅅®'s profile picture
🅅®2 years ago

呵呵…路子真的走对了?未必吧 😂 之前那个A.I Pin 我估计来年开始造汽车了🚘

周.乙's profile picture
周.乙2 years ago

意义不大。就像一个整天看着电脑的人极少会需要一个远程桌面来控制这台电脑一样。伪需求。如果忙到无暇操作手机,也就不用兔子了。

Dextor wong's profile picture
Dextor wong2 years ago

相当于一个便携式的语音AI,把很多的功能整合了。感觉在不远的未来一个手机APP完全都能满足😂xpet

pin fan's profile picture
pin fan2 years ago

是不是得先在手机里安装一个Rabbit tech的APP,然后开放大部分权限给这个APP。再然后用语音指令控制?

Related Videos

发现一个讲的很细的大语言模型微调教程,详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。 基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。 时间轴: 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示(T4 版本) 16:52 微调操作演示(A100 版本) 19:13 在 Hugging Face 上的保存与使用方法 文字版整理: ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning): 对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调: Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调: Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集: 准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置: 在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控: 在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择: 通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用: 微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型: 用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference): 在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,710 views • 2 years ago