อัพเดตราคาโมเดล Gemini รุ่นใหม่ 2 ตัว ที่จะทำให้เรานำโมเดลไปใช้งานกันง่ายมากขึ้น พร้อมด้วย Moshi โมเดลแบบ Speech-to-Speech โมเดล Flow-Judge-v0.1 ที่ทำหน้าที่ประเมินคำตอบให้กับโมเดลภาษาขนาดใหญ่ และโมเดล Embedding 2 ตัว คือ WordLLama และ Jina Embeddings-V3 ที่รองรับภาษาไทยได้ด้วย&nbsp;

Gemini-1.5-Pro-002 และ Gemini-1.5-Flash-002&nbsp;

Google ปล่อย Gemini รุ่นใหม่ พร้อมลดราคาแรงๆ มาด้วยกัน 2 ตัว ได้แก่ Gemini-1.5-Pro-002 และ Gemini-1.5-Flash-002 &nbsp;

สำหรับ Gemini 1.5 Pro ประกาศลดราคาการประมวลผล tokens มากกว่า 50% โดย หากน้อยกว่า 128K tokens ในส่วน Input เหลือ 1.25 จากราคาเดิม 3.50&nbsp;ดอลลาร์ และ Output เหลือ 2.50 จากราคาเดิม 10.50 ดอลลาร์&nbsp;&nbsp;

และการประมวลผล tokens มากกว่า 128K token ในส่วน Input&nbsp;เหลือ 5.00 จากราคาเดิม 7.00 ดอลลาร์ และในส่วน Output&nbsp;เหลือ 10.00 จากราคาเดิม 21.00 ดอลลาร์&nbsp;

ในการปรับปรุงด้านคุณภาพ ได้เพิ่ม api limit โดยรุ่น Gemini-1.5-Flash-002 เพิ่มเป็น 2,000 ครั้งต่อนาที  ส่วนรุ่น Gemini-1.5-Pro-002 เป็น 1,000 ครั้งต่อนาที นอกจากนี้ ยังเพิ่มความเร็วของ Gemini-1.5-Flash-002 ขึ้น 3 เท่า เพื่อรองรับการใช้งานใหม่ๆ ได้มากขึ้น&nbsp;

จากการทดสอบบน benchmark ต่างๆ พบว่าโมเดลมีประสิทธิภาพเพิ่มขึ้น 7% จากการทดสอบบน MMLU-Pro, 20% ในการทดสอบ MATH และ HiddenMath และ 2-7% ในการทดสอบความเข้าใจทางภาพและการสร้างโค้ด Python ซึ่งจะเป็นประโยชน์ต่อนักพัฒนาในการนำโมเดลไปใช้ในต้นทุนที่น้อยลงกันมากขึ้น&nbsp;

แหล่งเข้าถึง: <a href="https://ai.google.dev/gemini-api/docs/models/gemini">https://ai.google.dev/gemini-api/docs/models/gemin</a>i

Kyutai สถาบันวิจัย AI จากฝรั่งเศส เปิดตัว Moshi โมเดล Speech-to-Speech ที่สามารถแปลงเสียงแบบเรียลไทม์ ทั้งพูดและฟังได้สองทาง (full-duplex) คุณสมบัติหลักคือ รับและส่งเสียงได้พร้อมกัน&nbsp;โดย Moshi มีการประมวลผลเสียงสองสตรีม คือเสียงของ Moshi และเสียงของผู้ใช้ เมื่อมีการใช้งานจริง เสียงจากผู้ใช้จะถูกนำเข้าจากอินพุตเสียง ส่วนเสียงของ Moshi จะถูกสร้างจากผลลัพธ์ของโมเดล&nbsp;

สำหรับตัวโมเดลประกอบด้วย &nbsp;Helium โมเดลภาษาขนาด 7B เทรนด้วยข้อมูลกว่า 2.1T tokens และ Mimi ซึ่งเป็นโค้ดเสียงแบบโครงข่ายประสาท (Neural Audio Codec) ที่ทำหน้าที่แปลงเสียงพูดเป็นหน่วยข้อมูลเสียงที่เล็กลง และยังสามารถสร้างเสียงพูดคุณภาพสูงกลับมาได้ด้วย &nbsp;เมื่อเปรียบเทียบกับระบบสนทนาด้วยเสียงแบบเดิม Moshi พัฒนาทั้งในเรื่องการตอบสนองแบบเรียลไทม์ใหม่ โดย delay เพียง 160-200 มิลลิวินาที ซึ่งใกล้เคียงกับความเร็วในการสนทนาปกติและใช้วิธีการประมวลผลแบบเสียงต่อเสียง แทนการแปลงเสียงเป็นข้อความแล้วค่อยแปลงกลับเป็นเสียง ทำให้ Moshi สามารถเข้าใจข้อมูลที่ไม่ใช่คำพูดอย่างโทนเสียง หรืออารมณ์ &nbsp;ทำให้การสนทนามีความเป็นธรรมชาติมากขึ้น&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/collections/kyutai/moshi-v01-release-66eaeaf3302bef6bd9ad7acd" target="_blank">https://huggingface.co/collections/kyutai/moshi-v01-release-66eaeaf3302bef6bd9ad7acd</a>&nbsp;

Flow AI เปิดตัว Flow-Judge-v0.1 โมเดลที่ทำหน้าที่ประเมินผลคำตอบของโมเดลภาษาขนาดใหญ่ (LLMs) ก่อนส่งคำตอบกลับไปยังผู้ถามคำถาม ทดแทนการใช้ผู้เชี่ยวชาญในการตรวจคำตอบ ที่ใช้เวลานาน มีค่าใช้จ่ายสูง และอาจจะเกิดความลำเอียงในการประเมิน โดย Flow-Judge-v0.1 มีขนาดเล็กมากเพียง 3.8B ซึ่งเล็กกว่าโมเดลที่ใช้ในการประเมินในปัจจุบัน ทำให้สะดวกต่อการเข้าถึง และยังให้ผลลัพธ์ที่สอดคล้องกับการประเมินมาตรฐานใน GPt-4o หรือ Claude 3.5 Sonnet &nbsp;

คุณสมบัติหลักของโมเดล คือสามารถปรับแต่งเกณฑ์ในการประเมินคำตอบของโมเดลตามเกณฑ์ที่ผู้เชี่ยวชาญในแต่ละสาขากำหนด สามารถรองรับเกณฑ์การให้คะแนนหลายแบบ เช่น การให้คะแนนแบบผ่าน/ไม่ผ่าน การตรวจหาข้อผิดพลาด หรือมาตรวัตแบบลิเคิร์ท (Likert Scale) 3 ระดับ และ 5 ระดับ เป็นต้น&nbsp;ซึ่งหลังจากให้คะแนนแล้วก็สามารถอธิบายเหตุผลในการให้คะแนน หรือให้ฟีดแบ็กในส่วนคำตอบที่มีปัญหาได้ด้วย &nbsp;

โมเดลสามารถรองรับได้มากกว่า 20 ภาษา รวมถึงภาษาไทยด้วย จึงเหมาะกับนักพัฒนาหรือบริษัทที่ต้องการลองใช้งานอย่างรวดเร็วและประหยัด&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/flowaicom/Flow-Judge-v0.1" target="_blank">https://huggingface.co/flowaicom/Flow-Judge-v0.1</a>&nbsp;

WordLLama คือเครื่องมือประมวลผลภาษาธรรมชาติ (NLP) และการสร้างเวกเตอร์คำ คล้ายกับ GloVe, Word2Vec หรือ FastText ที่มีขนาดเล็กเพียง 16MB สามารถทำงานระดับเล็กต่างๆ ได้อย่างรวดเร็ว เช่น การจัดประเภท (Classification) การจับคู่ความหมาย (Semantic Matching)  และการจัดกลุ่ม (Clustering) ซึ่งโมเดลยังสามารถทำคะแนนการทดสอบมาตรฐาน MTEB ทั้งหมด ดีกว่า GloVe 300d (Global Vector) โดยที่มีขนาดเล็กกว่ามากได้อีกด้วย&nbsp;

คุณสมบัติเด่นของ WordLlama คือฟีเจอร์ Matryoshka Representations ที่สามารถปรับขนาดของการฝังข้อมูล (embedding dimensions) ได้ตามต้องการ และใช้ทรัพยากรน้อยในการค้นหา tokens ช่วยให้ทำงานบน CPU ได้อย่างมีประสิทธิภาพ และด้วยดีไซน์ขนาดกะทัดรัดจึงทำให้ผู้ใช้สามารถเทรนโมเดลบน GPU ได้ภายในเวลาไม่กี่ชั่วโมง&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/dleemiller/word-llama-l2-supercat" target="_blank">https://huggingface.co/dleemiller/word-llama-l2-supercat</a>&nbsp;

โมเดล embedding จาก Jina AI ที่รองรับหลายภาษา ขนาดเล็กเพียง 570M มีประสิทธิภาพสำหรับข้อมูลหลายภาษาและงานดึงข้อมูลที่มีบริบทยาว รองรับ input สูงสุด 8,192 tokens และสามารถทำงานด้านต่างๆ เช่น การดึงข้อมูลจากเอกสารระหว่างตอบคำถาม การจัดกลุ่ม การจัดประเภท หรือการจับคู่ข้อความ เป็นต้น&nbsp;

ในการทดสอบ MTEB โมเดล Jina Embeddings-V3 ยังได้คะแนนทดสอบ 65.52 เหนือกว่าโมเดลจาก Openai-text-embedding-3-large ที่ได้คะแนน 64.6 และ Cohere-embed-multilingual-v3.0 ที่ได้คะแนน 64.01 ในงานภาษาอังกฤษ และยังกลายเป็นโมเดลหลายภาษาที่ดีที่สุด ที่ติดอันดับ 2 บนตารางอันดับภาษาอังกฤษ สำหรับโมเดลที่มี parameters น้อยกว่า 1B นอกจากนี้ โมเดลยังรองรับได้ถึง 89 ภาษา ซึ่งใน 30 ภาษาที่มีประสิทธิภาพดีที่สุดมีภาษาไทยอยู่ด้วย&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/jinaai/jina-embeddings-v3" target="_blank">https://huggingface.co/jinaai/jina-embeddings-v3</a>&nbsp;

VISAI มีโมเดลปัญญาประดิษฐ์คุณภาพสูง ที่แม่นยำภาษาไทย และสามารถทำงานกับข้อมูลได้หลากหลายประเภททั้ง ข้อความ ภาพ เสียง และข้อมูลตาราง ใช้งานได้แล้ววันนี้บนระบบคลาวด์ที่&nbsp;<a href="https://acp.visai.ai/" target="_blank">AI Cloud Platform</a>

----------<br>ข้อมูลจาก:&nbsp;

<a href="https://developers.googleblog.com/en/updated-production-ready-gemini-models-reduced-15-pro-pricing-increased-rate-limits-and-more/" target="_blank">https://developers.googleblog.com/en/updated-production-ready-gemini-models-reduced-15-pro-pricing-increased-rate-limits-and-more/</a>&nbsp;

<a href="https://kcgod.com/Moshi?source=post_page-----880a9a4083b9--------------------------------" target="_blank">https://kcgod.com/Moshi?source=post_page-----880a9a4083b9--------------------------------</a>&nbsp;

<a href="https://www.flow-ai.com/blog/flow-judge#introduction" target="_blank">https://www.flow-ai.com/blog/flow-judge#introduction</a>&nbsp;

<a href="https://llama-2.ai/wordllama/" target="_blank">https://llama-2.ai/wordllama/</a>&nbsp;

<a href="https://jina.ai/news/jina-embeddings-v3-a-frontier-multilingual-embedding-model/" target="_blank">https://jina.ai/news/jina-embeddings-v3-a-frontier-multilingual-embedding-model/</a>&nbsp;

Gemini, Moshi, Flow-judge, WordLLama, Jina Embedding 