Deskripsi
Laguna oleh Poolside adalah platform AI mutakhir yang dirancang untuk memajukan kecerdasan umum buatan (AGI) melalui model fondasi yang inovatif. Berbasis di San Francisco, Poolside didirikan pada April 2023 dengan misi untuk menciptakan kelimpahan bagi umat manusia melalui penciptaan AGI. Model Laguna dioptimalkan untuk kualitas, kecepatan, dan efisiensi, menawarkan kemampuan penalaran kelas perbatasan dengan biaya menengah. Model Laguna s 2.1 memiliki 118 miliar parameter, sementara model Laguna xs 2.1 dirancang untuk tugas pengkodean agenik dengan 33 miliar parameter.
Baca Selengkapnya
Poolside menekankan pentingnya pembelajaran penguatan (RL) sebagai sumbu skala utama untuk kecerdasan model. RL memungkinkan model untuk belajar dari pengalaman baru dan merekayasa ulang pengetahuan manusia, mengatasi sifat terbatas dari data web. Platform ini mengorkestrasi jutaan lingkungan pengkodean, memberikan agen tempat yang aman untuk merombak, memperbaiki, dan memperluas kode sambil menerima umpan balik langsung dari kompiler dan suite pengujian.
Model Laguna adalah bagian dari visi lebih luas Poolside untuk mencapai AGI dengan mendekompresi pembelajaran pengalaman manusia dan memperkenalkan pembelajaran pengalaman agen. Platform ini memanfaatkan eksplorasi yang didorong oleh RL untuk memberikan lintasan yang beragam dari interaksi dunia nyata, meningkatkan kemampuan model melalui skala dan komputasi. Pendekatan Poolside mengintegrasikan bahasa, visi, pemahaman spasial, dan interaksi fisik, dengan tujuan untuk memperluas kompetensi di berbagai modalitas.
Platform ini terbuka untuk pratinjau penelitian, menawarkan wawasan tentang rekayasa dan ide di balik model-modelnya. Komitmen Poolside terhadap model fondasi dengan bobot terbuka dan pembelajaran penguatan menempatkan Laguna sebagai pemain penting dalam pencarian AGI.
- KategoriAsisten Coding AI
- PenerapanCloud
- PlatformWeb
Fitur Inti Laguna oleh Poolside
Penalaran kelas perbatasan
Model pengkodean agenik
Model fondasi dengan bobot terbuka
Integrasi pembelajaran penguatan
Optimisasi parameter yang efisien
Data interaksi dunia nyata
Kemampuan pembelajaran multimodal
Ketersediaan pratinjau penelitian
Cara menggunakan Laguna oleh Poolside?
Konfigurasi: Atur parameter model
Gunakan: Terapkan model untuk tugas penalaran
Optimalkan: Tingkatkan kinerja dengan umpan balik RL
Perluas: Integrasikan kemampuan multimodal
Kasus Penggunaan Laguna oleh Poolside
- Tugas Penalaran
- Optimisasi Pengkodean
- Pembelajaran Multimodal
- Pratinjau Penelitian
- Pengembangan AGI
