မြန်မာဘာသာဖြင့် ပြန်ဆိုခြင်း - အရည်အသွေးမြင့်ပုံများကို အလျင့်အမြန် ထုတ်လုပ်ခြင်းသည် သဘာဝနှင့် သက်သက်မောင်ကွာသော သဘောအရဗေဒများကို ဖန်တီးရန် အရေးကြီးသည်၊ ယင်းတို့သည် သမားချိုးကားများကို မျိုးစုံသော အန္ထုရိုက်အိုးအိုးများမှ လုံခြုံစွာ သွားရောက်နိုင်သည့် သင်တန်းရေးသားရာတွင် အထောက်အကူဖြစ်စေခြင်းဖြစ်သည်။ သို့သော် လက္ရှိ ရှိနေသော ထုတ်လုပ်ငွေ AI နည်းပညာများ၊ ထူးချက်ပြုလုပ်သော diffusion မော်ဒယ်များ အပါအဝင်၊ မကြာခဏ မလျင်မြန်သောက်သုံးမှုနှင့် စက်ရုပ်များကို လိုအပ်ဆုံးသော ဂုဏ်သတ္တိများ ပြသရန် အချိန်ကြာသည်။ ထို့အပြင်, autoregressive မော်ဒယ်များက လိုက်လျောကန့်ပစ်ထားသော LLM မော်ဒယ်များက မျှော်လင့်ချက်ထက် ပိုမြန်စွာ လုပ်ဆောင်သောကြောင့်၊ အများအားဖြင့် အမှားများနှင့် အရည်အသွေးနိမ့်များချည်းပဲ ထုတ်လုပ်သည်။ MIT နှင့် NVIDIA မှ ပြုလုပ်သော သုတေသနသူများက HART (Hybrid Autoregressive Transformer) 를 မိတ်ဆက်ခဲ့သည်၊ ယင်းသည် နှစ်ခုသော နည်းလမ်းများ၏ အားသာချက်များကို ပေါင်းစပ်သည့် ပုံထုတ်နည်းသစ်ဖြစ်သည်။ HART သည် ရုပ်ပုံ၏ အဓိကအင်္ဂါရပ်များကို အလျင်အမြန် ဖျော်ဖြေရန် autoregressive မော့ဒယ်ကို အသုံးပြုပြီး ထို့နောက် သေးငယ်သော diffusion မော်ဒယ်ကို အသုံးပြုပြီး ယင်းအချက်အလက်များကို သင့်လျော်မှုထိုးထွင်းသော အချက်အလက်ချပံ့အတွေးများစွာပြုပြင်သည်။ ဤကမ္ဘာ့မိုက်စွမ်းအင်ဖြစ်စွာပုံထုတ်လိုက်ပါသည် - ၎င်းသည် နောက်သို့ထက်လွဲလွဲဦးမတ်က ဆန်းကြယ်ဖြန့်ဖြူးအစီအရင်ခံပုံများနှင့့်ထက် အရည်အသွေးအတူတူ ၊ ဝင်ရောက်သည့် စိတ်ပညာရှင်များစွာကြောင်း ဓါတ်ပုံများနှင့် smartphones များထုတ်ဖော်ဖို့ ကြည့်ပါ။ HART ၏ လျှောက်လွှာများတွင် ရုပ်ရှင်လုပ်ငန်းများတွင် စက်ရုပ်များကို ပြောင်းလဲခြင်းမစဉ်လာရှိပြီး ကာတွန်းများကို သင့်လျော်စွာဖန်တီးရန် အထောက်အကူဖြစ်စေသည်။ " ကောင်းကြောင်းအဆင်အသင့်ပြုပြင်တဲ့ လက်ကြောများောင်များ၏ အရည်အသွေးအထူးသရုပ်ဖျေါပါကဖြစ်သည်။” ဟု သုတေသန၏ နောက်ဆုံးင်ပို့ခဲ့သူ Haotian Tang က ဆိုလိုသည်။ Diffusion မော်ဒယ်များသည် အဆင်ပြေစေရန်နည်းလမ်းများကို များသောအားဖြင့် အသုံးပြုပြီး ရုပ်ပုံများထုတ်လုပ်ရန် အနည်းငယ် ချောင်ချေပတော့သောကြောင့် ကုန်ကျစရိတ်များကို ရေးဆွဲသော်လည်း ကျြးကြောင်းရယူရန် အမြင်များသို့ အဖမ်းရရှိရသည်။ လျှောက်လွှာများဖြစ်သည့် autoregressive မော်ဒယ်များသည် ပုံများကို အလျင်အမြန်ထုတ်လုပ်ပါသည် - နေရာအခင်းမှာလည်း အစိုးရရုံလေးများဖြစ်ထားရာမှ အချက်အလက်ဆုံးမရခဲ့လိမ့်မည်ဖြစ်၏။ HART ၌ အဆိုပါအကန့်အသတ်များကို ကျန်းမာရေးဖြေရှင်းသည် - ဒါကြောင့် ကာရွှင့်ခရီးတွင် diffusion မော်ဒယ်ကို သရုပ်ဖျော်ပြီမှ တထောင်နည်းပညာကို မျိုးစုံကုဖောင်ထူဘင်ပြန်လည်သားကြည့်စုဆောင်းပါတယ်။ ဖွံ့ဖြိုးရေးအပိုင်းတွင် သုတေသနသူများက ပေါင်းစည်းမှုတို့ပတ်ဝန်းကျင်ကျင်းပမှုများကို တွေ့ရှိခဲ့သော်လည်း HART ၏ အရည်အသွေးကို မြှင့်တက်ဖို့ diffusion မော်ဒယ်ကို အသုံးပြုဆောင်ရွက်မှုလေးတွင် လုပ်ဆောင်ခြင်းဖြင့် တိကျပြုလုပ်ခဲ့သည်။ 700- သန်းသော parameter-autoregressive မော်ဒယ်နှင့် 37- သန်း parameter-diffusion ကို အလုံးစံုခံစားမှု ခရမ်းလွန့်မှုများအား ရယူရန်ဆောင်ရွက်လျက်ရှိသည်။ ၎င်း၏ နောက်ဆုံးပုံစံသည် 2 ဘီလီယံ parameters (ရှည်မလား) ထက် ရှိထားနိုင်သည် ထုတ်လုပ်နိုင်ပြီး ကုန်ကျစရိတ်ကို 31% လျှော့ချသည်။ ရင်ဆိုင်နေသောနေရာများကို HART ဒီဇိုင်းပေါ်တွင် ဖွံ့ဖြိုး၍ ရှုပ်ရှက်မှုလူပေါင်းတို့ကို ရှာဖွေနိုင်မည်နာအန်ပါးသုံး Alaska cod အတိုင်းအတာသာအခြေအနစ်၊ ကြား్ణိုသည် ဗီဒီယိုထုတ်လုပ်မှုနှင့် ဦးပျွန်ကုန်ထုတ်လေးရာမှ တိုင်းတာတဲ့ အမြင်အရည်အသွိုင်ရင်းၾကီးမားစွာကြည့်ဖွယ်ဖမ်းဆိုသော HART architecture တည်ထောင်မှုဖြစ်လာသည်။ ဒီသုတေသနကို MIT- IBM Watson AI Lab နဲ့ NVIDIA က ပံ့ပိုးခဲ့ပြီး GPU ရင်းမြစ်များကို ပထမဦးဆုံးငွားပါသည်။