Allen Institute for Artificial Intelligence (Ai2), tutkimusjärjestö, on esitellyt sarjan avoimen lähdekoodin multimodaalisia kielimalleja nimeltään Molmo, ja väittää niiden kilpailevan suorituskyvyllä johtavia omistettuja malleja vastaan, kuten OpenAI, Google ja Anthropic. Suurin Molmo-malli, jossa on 72 miljardia parametria, ylittää tiettävästi OpenAI:n GPT-4o:n, jossa on yli triljoonaa parametria, testeissä, jotka liittyvät kuvien ja asiakirjojen tulkintaan. Lisäksi pienempi versio, jossa on 7 miljardia parametria, vastaa läheisesti OpenAI:n huippumallia, mikä johtuu Ai2:n tehokkaista tiedonkeruu- ja koulutuskäytännöistä. Ali Farhadi, Ai2:n toimitusjohtaja, korostaa, että Molmo osoittaa avoimen lähdekoodin AI:n elinkelpoisuuden, mikä mahdollistaa kehittäjien vapaasti rakentaa sovelluksia. Vaikka osia tehokkaimmista Molmo-malleista ei ole vielä julkistettu, demoversio on saatavilla Hugging Face -alustalla. Toisin kuin muut laajat multimodaaliset mallit, jotka on koulutettu meluisilla verkosta kaapatuilla tiedoilla, Molmo perustuu kuratoituun 600, 000 kuvan tietokantaan, joka parantaa suorituskykyä merkittävästi käyttäen vähemmän resursseja, kuten johtava johtaja Ani Kembhavi totesi.

Tämä saavutettiin yksityiskohtaisten ihmisen tekijöiden antamien annotaatioiden kautta, jotka muunnettiin tiedoiksi AI-teknologioiden avulla, nopeuttaen koulutusprosessia. Asiantuntijat kuten Yacine Jernite Hugging Facesta ja Percy Liang Stanfordista vahvistavat korkealaatuisen tiedon koulutuksen edut tietojenkäsittelykustannusten vähentämiseksi. Yksi merkittävä ominaisuus Molmossa on sen kyky “osoittaa” elementtejä kuvassa, mikä parantaa vuorovaikutuksia käyttöliittymien kanssa. Demossa malli onnistui tunnistamaan ja laskemaan esineitä valokuvasta, mutta ei pystynyt löytämään tiettyjä esineitä. Ai2:n sitoutuminen avoimuuteen erottaa sen muista AI-yrityksistä, ja Molmon potentiaali riippuu kehittäjien luomista sovelluksista. Farhadi väittää, että vaikka omistetut mallit saavat merkittäviä investointeja, avoimen lähdekoodin lähestymistapa voi tuottaa parempia tuloksia, sillä se käyttää resursseja tehokkaasti ja edistää innovaatioita. “Olemme innoissamme mahdollisuudesta antaa muille ja nähdä, mitä he rakentavat tämän avulla, ” Farhadi sanoo.