start	end	text
0.000	5.600	Hello! A new model has sparked widespread discussion over the last couple of days, named JF.
5.600	14.240	A former OpenAI researcher spent two years developing it after leaving, creating a new model trained in a way that differs from the past.
14.240	23.600	I think its features are very distinct and powerful. For specific tasks, it can run at a fraction of the cost and hundreds of times the speed of traditional models,
23.600	29.440	with very low hallucination rates, generating the answers you need, which is highly significant.
29.440	34.320	它是重要的,因為它選了完全不同的一路由我們現代的AI,
34.320	36.320	它是在原來的N-Token Prediction。
36.320	39.840	當大家是比拼了強硬的解決,
39.840	44.480	硬的解決,和能力的解決方法,
44.480	47.360	它其實是很小的地步。
47.360	49.600	我們不需要等待太多的信息,
49.600	54.960	或多多的解決,我們只需要一個比較的測試,
54.960	57.040	或是個比例的不同的結果。
57.040	59.600	我给你一个例子
59.600	63.180	例如,在一个公司的行业,
63.180	65.480	如果我们使用了AI的相机,
65.480	67.140	我们必须要进入到的模特,
67.140	68.880	等待在模特上的模特,
68.880	70.980	这些时间需要几秒,对吗?
70.980	72.100	这一终的效果会给你,
72.100	74.100	你会在哪个部份接触,
74.100	75.200	谁要跟他在谈论,
75.200	78.100	或者是指出的优质是低的,
78.100	79.380	需要更加注意力。
79.380	80.880	它给你一个样的效果。
80.880	83.100	在实际上,用这个新模特,
83.100	84.900	它可以非常快速,
84.900	88.900	这几个百分钟的几个百分钟的几个百分钟
88.900	90.900	这几个百分钟的几个百分钟
90.900	92.900	这几个百分钟的几个百分钟
92.900	98.180	the billing department,estimatesthe customer churn rate,and assessesthe likelihoodofneeding
98.180	101.580	human intervention.
101.580	107.900	Once theseassessmentsare made,I canassignthe tasktoaspecificdepartmentorouteittoahumanagent,
107.900	114.520	allowingme tomakethecorrespondingadjustmentsanddecisions.So itsefficiency andcosteffectivenessareincrediblyimpressive.It
114.520	122.740	isjustextremely,extremelyfast.Even initslivedemonstrationofstructuredoutput,youcanclearlyseethatitgeneratesresults
122.740	125.080	但是传统的 models
125.080	126.320	也会一直在用评论
126.320	128.180	词为文字的评论
128.180	130.340	所以这两个技术的 approaches
130.340	132.220	其实完全不同
132.220	133.960	当 the founder released this video
133.960	135.140	他说了一篇,
135.140	137.920	他说了一篇,
137.920	140.060	我们的认识,
140.060	142.060	其实是一篇的答案
142.060	143.860	合适的答案
143.860	145.820	不太不太确定,
145.820	147.060	我们喜欢他们,
147.060	147.640	对吗?
147.640	148.540	例如,
148.540	150.200	他们可能会更多 empathetic
150.200	152.100	或是更多理解我们的
152.100	155.300	但是,他們的問題是他們的解答問題
155.300	156.800	人們不可能會不喜歡,
156.800	159.700	甚至是有個方法的方法。
159.700	164.100	這帶來更加盡量的信息和 consistency。
164.100	167.400	但是,他們的解答案是叫做RLCD,
167.400	170.800	名為 Reinforcement Learning from Calibrated Decisions。
170.800	172.800	它指的是,在 Reinforcement Learning,
172.800	174.600	我實在是在調整的解答案是
174.600	176.600	的解答案是一個解答案。
176.600	179.800	解答案是每次它提供答案,
179.800	181.600	它提供一個 probability。
181.600	182.760	A confidence score
182.760	185.160	For instance, with this billing inquiry
185.160	189.760	the probability that I should route it to the billing department is about 90%
189.760	192.360	But if the customer also mentioned other issues
192.360	196.360	I believe there's a certain probability it should be prioritized for other departments
196.360	200.160	So I might assign a 10% or 20% probability to those as well
200.160	202.960	At this point, you can set a threshold
202.960	206.360	For example, if the churn risk is very high
206.360	208.760	I can have a human intervene directly
208.760	212.760	如果它是低,我可以让它 AI model handle the response.
212.760	216.760	所以,它帮助我们去解决哪个性能量的权量使用
216.760	219.520	来解决于不同的情况下。
219.520	224.240	所以,我相信这个模型会将将其进行我们的生活生活
224.240	226.360	和很多不同的专业。
226.360	230.200	以前我们曾经用了一枪创造的创造,
230.200	233.000	或者我们不需要太多的时间。
233.000	237.480	但这些随意的随意的选择是我们的选择。
237.480	242.600	但是在这个新的模式中,我们的选择和认证能更加更加更加适合。
242.600	246.680	如果我们说我们的选择这个进入我们的页务,
246.680	251.880	我们肯定能够用这个模式,因为现在,我们的页务员工程,
251.880	255.640	他们其实会有很多认证和评价的评价。
255.640	259.480	例如,如果我们的收入的收入我们的预期,
259.480	261.720	我们还是需要这些认证,
261.720	264.680	这会常常需要一个人的路程式的方法。
264.680	266.600	但是如果我们有一个模式的模式,
266.600	269.800	我们可以定义它的质量从开始
269.800	274.080	即使是80%,60%,40%的距离,
274.080	278.520	我们只需要在一个很低的40%的距离。
278.520	281.080	如果它基本上是在结构的质量,
281.080	283.480	我们不需要保持人的质量,
283.480	286.600	我们不需要保持人的质量。
286.600	290.040	所以,在这个将来的更多的模式,
290.040	292.280	它可以更加大幅并且在这些模式上
292.280	295.280	这个模式其实只发了一个新版本
295.280	299.040	没有提供的技术和计程度
299.040	301.960	我觉得这个方法非常值得考虑
301.960	304.160	它使用一个系统一式的方法
304.160	305.640	是快思考
305.640	306.880	Daniel Kahneman的作词
306.880	309.280	说一大部分人的认识
309.280	311.360	不在实际上的认识
311.360	312.720	我们立刻的认识
312.720	314.640	我们立刻的认识
314.640	317.440	例如,选择哪个衣服
317.440	318.880	很自然的衣服
318.880	321.440	我只穿着衣服
321.440	324.200	and when I'm going to work I might wear a different pair.
324.200	326.940	So this judgment is actually very intuitive.
326.940	329.280	It's the same for AI models.
329.280	334.040	You don't actually need to generate or think through every single judgment
334.040	336.200	or use chain of thought reasoning.
336.200	340.200	I can use a smaller model or a model designed for fast thinking
340.200	341.680	with parallel computing
341.680	344.680	to accomplish our tasks and goals very efficiently.
344.680	348.600	So I think it might really make its way into our society soon
348.600	350.700	because it's cheap, right?
350.700	353.780	而且是最高的,因為它是很高的,
353.780	357.100	在0.042萬元的價值,
357.100	359.780	比 GPT-4的價值,可能是10萬元。
359.780	363.300	價值是這麼高,他們現在不在賣現在的價值。
363.300	367.820	所以它可以使用在一大多數的評測 scenarios。
367.820	370.740	我們看到每個小型的手法
370.740	373.420	可能有一個決定的模式背後。
373.420	378.580	以前,一名 classifier would have required someone to spend ages training it, right?
378.580	382.740	我們以前要有的要求,但現在是沒有必要的
382.740	385.780	現在,這 model可以幫我們做了一切的評判,
385.780	388.660	決定定 specific outcomes based on the context
388.660	394.460	這代表,這代表,已經融化了更多的技術和考驗
394.460	398.860	我們會看到這個功能伸展開更多的使用
398.860	402.620	是的,我认为这个是非常有趣的新方式,
402.620	406.380	一遍完全不同的方法使用力
406.380	407.980	我們之前說明,
407.980	410.700	未來可能會有小型的模式
410.700	412.420	我們只需要有小型的模式
412.420	414.500	提供的模式
414.500	416.500	而是用販的模式
416.500	417.380	每個都市場的模式
417.380	419.620	我們最近的書
419.620	420.940	我們最近的書
420.940	422.540	也有同一個同意
422.540	425.060	成為我們目標的最適合的方法
425.060	426.500	是完全不平的
426.500	431.180	所以我們想分享這些 JB的模式
431.180	435.360	They've opened their waitlist, so if you'd like to try them out, feel free to join.
435.820	437.680	Have a great weekend. Bye!