← Todas as notícias

BriLLM-MetaPred: modelo derivado de teoria matemática de AGI iguala GPT de mesmo porte com 13,2M de parâmetros

O BriLLM-MetaPred, enviado ao arXiv pela equipe de Zhao Hai, da Universidade Jiao Tong de Xangai, é apresentado como a primeira instância executável de modelagem de linguagem da primitiva MetaPred; com cerca de 13,2M de parâmetros, fica comparável a baselines GPT de mesmo porte, com validação máxima até 1,5B; pesos e licença não são esclarecidos, e não há API.

Publicado Atualizado

O que mudou

Segundo reportagem do veículo Machine Heart (JiQiZhiXin), a equipe de Zhao Hai, do Instituto de Inteligência Artificial Geral da Universidade Jiao Tong de Xangai, enviou ao arXiv o artigo BriLLM-MetaPred. O artigo afirma que esta é a primeira instância executável em modelagem de linguagem da primitiva de aprendizado de máquina MetaPred, derivada de sua teoria matemática de AGI. Conforme a reportagem, MetaPred elimina a divisão entre representação e predição: um único estado dinâmico em evolução contínua carrega tanto a representação após a escrita do contexto quanto lê diretamente o próximo token; a auto-medição contínua que o acompanha usa pontos fixos como sinal de auto-supervisão endógeno. A implementação de engenharia descreve o BriLLM-MetaPred como uma ponte que conecta essa primitiva ao portador de fluxo de nós e sinais SiFu do BriLLM, formando um modelo de linguagem nó-estado: a projeção de tokens escreve em linhas de interface fixas, o operador recorrente evolui o tensor inteiro, e a distribuição é lida de linhas de saída designadas e de um pool auxiliar. A evidência empírica central apresentada na reportagem é que, com cerca de 13,2M de parâmetros, o desempenho preditivo é comparável ao de baselines GPT de mesmo porte, o que o artigo posiciona como evidência preliminar de viabilidade de engenharia; em comparação com a geração anterior, o BriLLM, que precisava de cerca de dez vezes a escala do GPT-1 para se tornar minimamente comparável, desta vez afirma-se alcançar efeito equivalente com cerca de um décimo da escala, com tamanho máximo validado de 1,5B, na mesma ordem de grandeza do GPT-2.

Impacto para desenvolvedores

Para desenvolvedores, o valor desta notícia não está em uma interface utilizável, mas em saber se a hipótese de paradigma é testável. Os caminhos dominantes de implantação de Transformers são construídos em torno de atenção, cache KV e um número fixo de camadas em uma passagem para frente; se representação e predição se fundem em um tensor de evolução recorrente, a inferência deixa de ser "uma passagem para frente mais cache KV" e passa a iterar até algum critério de consistência ou limite de passos, mudando latência, memória e estratégias de batching. O mecanismo de treinamento com execução contínua descrito na reportagem preserva estado de nós e parâmetros rápidos entre segmentos de sequência, apontando para uma base arquitetural em que treino e inferência não se separam; se isso se sustentar, o modelo de custo para contextos longos ou cenários de streaming mudaria. Mas essas são descrições estruturais do artigo e da reportagem, sem reprodução por terceiros nem dados de throughput ou latência. Do outro lado está a comparabilidade: ser comparável a baselines GPT de mesmo porte com 13,2M de parâmetros indica apenas que a primitiva não falha em pequena escala, não que mantenha a mesma eficiência proporcional em 1,5B ou mais; a reportagem também não informa nomes de benchmarks, conjuntos de dados ou critérios de avaliação, de modo que o leitor não pode fazer comparações laterais.

Integração e avaliação

Sugestão um: primeiro avaliar se vale investir em reprodução. Se o seu trabalho envolve inferência de sequências longas com estruturas recorrentes ou modelos do tipo espaço de estados, vale colocar o BriLLM-MetaPred como objeto de experimento de controle; a condição é obter o artigo e o código dos autores e usar como métrica mensurável "a diferença de perplexidade de validação frente a um baseline GPT com o mesmo número de parâmetros, com o mesmo tokenizador e o mesmo número de tokens de treino"; se a diferença não diminuir, não é preciso continuar. Sugestão dois: se o interesse é o treinamento com execução contínua, avalie separadamente "preservar estado entre segmentos" e "uma única passagem para frente sobre a sequência inteira" quanto ao comprimento máximo processável com memória fixa e à latência por token; esse caminho só se torna atraente se a sua carga for processamento em streaming de documentos longos e o ganho da preservação de estado superar o custo do aumento do número de passos de iteração — a avaliação pode usar o tempo de relógio de parede por mil tokens e o pico de memória no mesmo hardware. Sugestão três: manter cautela quanto ao tamanho de 1,5B: primeiro confirme se o artigo apresenta resultados comparativos nessa escala contra baselines de nível GPT-2 e os nomes dos conjuntos de avaliação; se houver apenas a comparação em 13,2M, trate-a como evidência de viabilidade da primitiva, e não como candidata a substituir modelos existentes. Todas as considerações acima são análises condicionais baseadas na reportagem, não conclusões de desempenho verificadas.

Limites e pontos a confirmar

Esta versão não está listada no catálogo de modelos ao vivo do KimiSeek, e a reportagem não menciona nenhuma API de fornecedor, portanto não existe interface disponível do tipo "já lançado em alguma plataforma". A reportagem não diz se os pesos são públicos nem sob qual licença são divulgados; disponibilidade de pesos não equivale a licença concedida, e as duas coisas precisam ser verificadas separadamente. Nomes de benchmarks, conjuntos de dados, número de tokens de treino e scripts de avaliação não são informados na reportagem, e "comparável a baselines GPT de mesmo porte" carece de critério verificável. A afirmação de que 1,5B é o maior tamanho validado não vem acompanhada de números comparativos nessa escala. A suposta isomorfia com o princípio de energia livre e a codificação preditiva é argumento dos autores, não verificação independente. Resultados na escala de 13,2M não podem ser extrapolados para cargas de produção.

Três minutos até a primeira chamada

Crie uma conta e uma chave de API. O custo das chamadas é descontado do seu saldo. 30% de desconto na primeira recarga. Recarregue ¥500, pague ¥350, receba ¥500 de saldo. Recarregue ¥1000, pague ¥850, receba ¥1000 de saldo A recarga mínima continua sendo ¥10, adequada para testes.

Fontes e processo editorial

从数学理论「解」出语言模型——AGI 理论核心原语的首次工程验证:BriLLM-MetaPred

A IA auxiliou a análise e a tradução das fontes citadas, seguidas de verificações automáticas. Recomendações não são resultados de testes. Consulte o catálogo atual para preços e disponibilidade.