Claude 4: Full 120 Page Breakdown … Is it the Best New Model?
LARRUZ breaks down Anthropic's Claude 4 Opus and Sonnet models using the 120-page system card and hands-on tests. Opus 4 beats other models on benchmarks but refuses requests more often. The models trained on data through March 2025 and show safety improvements, though questions remain about jailbreaks and real-world performance.
Chapters
6 घंटे से भी कम समय पहले, एन्थ्रोपिक ने क्लाउड फॉर ओपस और क्लाउड फॉर सोनेट की घोषणा की और उन्हें रिलीज किया और उनका दावा है कि कुछ खास परिस्थितियों में वे दुनिया के सबसे अच्छे लैंग्वेज मॉडल है। मैंने 120 पेज का सिस्टम कार्ड पढ़ा है। हाँ मैं तेजी से पढता हूँ। मुझे इसकी जानकारी है और साथ में ए एस, एल लेवल, 3 प्रोटेक्शन के साथ पचीस पेज भी। मैं मानता हूँ की इस रिपोर्ट में शायद 10 पेज ही पढे गए हैं। लेकिन मैंने मॉडल को सैकड़ों बार टेस्ट भी किया है। और आप लोग सोच रहे होंगे की 6 घंटे में यह कैसे सम्भव है। हाँ इस मोर्चे पर मुझे मॉडल का शुरुआती 1 सेस मिला है। क्लाउड 4 ओप्स मेरे अपने बैंचमार्क सिम्पल बैंच पर किसी भी अन्य मॉडल से बेहतर काम करता है। इसलिए इसे स्मार्ट समझना चाहिए। ये लगातार ऐसे सवालों के सही जवाब देता है जो कोई और मॉडल नहीं दे पाता। लेकिन मैं यह क्यों कह रहा हूँ की यह बेहतर काम करता है। हालाँकि मुझे मॉडल का शुरू एक्सेस मिल गया लेकिन मुझे का शुरुआती एक्सेस नहीं मिला। इसलिए मैं आने वाले घंटों और दिनों में पूरा बैंचमार्क चलाऊंगा। मैंने कुछ अलग करने की भी कोशिश की। मैंने टू प्वाइंट पर और दोनो को 1 कोर्ट भेज दिया जिस पर मैं पिछले कुछ महीनों से काम कर रहा था। मुझे वो नतीजे काफी दिलचस्प लगे जिनमे बगफाइनदिनमिशनज्यादा सफल रहा। मैं पहले ट्विटर पर होने वाले उन दिलचस्प विवादों के बारे में बात करूँगा जो हमेशा होते हैं और वायरल हो जाते हैं। उसके बाद मैं नतीजों के बारे में बात करूँगा और फिर सिस्टम कार्ड से जुडी मुख्य बातें बताऊंगा। पहला विवाद क्या था? 1 एंथ्रोपिकलरिसचकसैम बोमन ने कहा की कल ओपस कई बार इतना मेहनती और सक्रिय हो जाता है की अगर उसे लगता है की आप नैतिक रूप से कुछ गलत कर रहे है तो वो उसके खिलाफ कदम उठाता है। वैसे सिस्टम कार्ड में भी ऐसा ही कुछ दिखाई दिया। यह उसकी तरफ से कोई खुलासा नहीं था। नहीं, यह पहली बार था की मॉडल ने ऐसा कुछ किया हो। उस ट्वीट को बाद में डिलीट कर दिया गया। लेकिन आप अंदाजा लगा सकते हैं की स्टेबिलिटी आई के पूर्व संस्थापक जैसे कुछ लोगों को लगा होगा कि यह बहुत ज्यादा निगरानी करने जैसा था। आप कल्पना कर सकते हैं की कुछ डेवलपर्स ओपस के लिए क्लॉट का इस्तेमाल करने से घबरा रहे हैं। उन्हें लगता है की इससे पुलिस को बुलाया जा सकता है। स्पष्टीकरण देने वाले ट्वीट में सैम बोमन ने पुष्टि की कि यह क्लोट का नया फीचर नहीं है और सामान्य उपयोग में यह सम्भव नहीं है। और अगर आप चीजों को करीब से देख रहे हैं जो की आपने इस चैनल को देखते हुए किया होगा। तो आप जानते होंगे की क्लौड को पहले से ही ऐसा करने के लिए प्रशिक्षित किया जा सकता है। ट्विटर पर 1 प्रतिक्रिया जो मुझे विशेष रूप से दिलचस्प लगी वो 1 मानव विज्ञानी शोधकर्ता कायल फिश की थी, जिन्होंने कहा की क्लौड की हानिकारक प्रभाव से बचने की प्राथमिकता इतनी महत्वपूर्ण थी कि उन्होंने वास्तव में लोगों से जेल ब्रेक के प्रयासों को शांत करने का आग्रह किया। हम इसे संभावित कल्याणकारी चिंता के रूप में देखते हैं और आगे की जाँच करना चाहते हैं। मुझे लगता है की इन मॉडलों के कल्याणकारी होने और हमें उन्हें जेल ब्रेक नहीं करना चाहिए। दोनों विचार लोगों को समान रूप से विभाजित करेंगे। अगला विवाद, अगर आप इसे ऐसा कहना चाहते हैं, तो बेंच मार्क परिणामों से आता है। तो बेंच मार्क नतीजों के बारे में बात करना स्वाभाविक है। क्यूँकि कई दूसरे मॉडल रिलीज के एंडथ्रॉपकऐसे कई बैंच मार्क नहीं दिखा सका, जहाँ उनका मॉडल स्पष्ट रूप से बेहतर था। वैसे इसका मतलब यह नहीं है कि यह वास्तव में स्मार्ट नहीं है। जैसा की सिम्पल बेंच और कर्सर में मेरे अपने परीक्षण से पता चलता है। कई बार ऐसा लग सकता है की मॉडल आधिकारिक तौर पर स्मार्ट नहीं है, लेकिन वो ज्यादा स्मार्ट है, लेकिन फिर भी 1 अपवाद था। जैसा की आप ऊपर देख सकते हैं। स्व बेंच ने इसकी पुष्टि की। अब चूंकि लगभग 10 बजे बज चुके हैं, तो मैं यह नहीं बताने जा रहा की वो बेंच मार्क क्या है। लेकिन ध्यान दे की सबसे नीचे की पंक्ति में रिकॉर्ड तो स्कोर है जो दुसरे मॉडलों से काफी बेहतर है और सबसे निचे 1 फुटनोट है। वैसे यह वही बेंच मार्क है जिसका जिक्र ट्रोपिक सीईओ डारिओ अमेर ने लांच विडियो में किया था। हाँ, मैं डबल स्पीड का इस्तेमाल करता हूँ, लेकिन वैसे भी स्वीट बेंच वेरीफाई के लिए कहा गया है। हम समानांतर टेस्ट टाइम कंप्यूटर से लाभ पाने वाले नतीजों की रिपोर्ट भी करते हैं। वैसे मैं आपसे यह उम्मीद नहीं कर रहा हूँ की आप इसे पढेंगे कई सीक्वेंस का सैम्पल लेकर और इंटरनल स्कोरिंग मॉडल के जरिए सबसे बेहतर को चुन कर। और अगर आप मेथोडोलॉजी सेक्शन में गहराई से जाएं तो आप पाएंगे कि यह उससे कहीं ज्यादा है। वे ऐसे पैच को खारिज कर देते हैं जो रेपो में दिखने वाले रिग्रेशन टेस्ट को तोड़ते हैं। इसलिए आपको इस तरह के किसी भी बेंचमार्क रिकॉर्ड को हल्के में नहीं लेना चाहिए। और एंथ्रोपिशायद मुझे जवाब दे कर कहें देखो। जर्मनी ने पोकेमोन के साथ क्या किया। क्लाउड जिस पोकेमोन गेम को खेल रहा था, उसे हराने के लिए गूगल ने बहुत ज्यादा स्कैफोल्ड का इस्तेमाल किया। इससे उनका मॉडल क्लाउड से बेहतर दिखने लगा जो सही नहीं था। ठीक है, 120 पेज का सिस्टम कार्ड। और मैं यहाँ बहुत तेजी से आगे बढ़ने जा रहा हूँ क्योंकि जैसा की आप कल्पना कर सकते हैं इसमें बहुत कुछ है। वैसे मैं पहले ही बता दूँ की सोने के लिए क्लाउड फ्रीटीपरउपलब्ध है। तो देखने वाला कोई भी इनमें से कम से कम 1 मॉडल आजमा सकता है। लेकिन दोनों को मार्च 2000 पचीस तक के इन्टरनेट डेटा पर प्रशिक्षित किया गया था। तो ये किसी भी मॉडल का सबसे हाल ही में प्रशिक्षित या सबसे अद्यतित ज्ञान है। अपने स्वयं के परीक्षणों के अनुसार, इसे सोने, 3 दशमलव 7 जैसे पिछले मॉडल की तुलना में बहुत कम दर पर चीजों को करने से गलत तरीके से मना करना चाहिए। हालांकि, अधिक महत्वपूर्ण और आप में से अधिकांश के लिए अधिक दिलचस्प बात यह है की दोनो प्रस्तितियों में बार बार दावा किया जाएगा कि सोने 4 और ओपस 4 दोनो ही है को कम बार पुरस्कृत करेंगे और कम उत्सुक होंगे रिवार्ड हैकिंग। जैसा की नाम से ही स्पष्ट है, वो है जहाँ मॉडल वास्तव में ार्य को सफलता पूर्वक पूरा करने के बजाय अपने कार्य को प्राप्त करने के लिए धोखा देता है और अपने नाम को तय करता है। लेकिन मैं यह स्वीकार करूँगा की अति उत्सुकता वाली बात, जिसे वे आपके निर्देशों का अधिक सटीक रूप से जवाब देना, भी कहते हैं, शायद कहीं अधिक महत्वपूर्ण है। जिस किसी ने भी कोडिंग के लिए क्लाउड का उपयोग करने की कोशिश की है, उसने देखा होगा की आप 1 साधारण बदलाव या बग फिक्स के लिए कहते हैं, और यह अनगिनत फाइलों को फिर से लिख देगा। और कभी कभी आप उसे ये बदलाव करते हुए देखते हैं और सोचते हैं तुम क्या कर रहे हो? इसका इससे कोई लेना देना नहीं है की मैंने तुमसे क्यूँ पूछा, आपकी अति उत्सुकता या आपके निर्देशों का ठीक से जवाब न देना। यही वो है जिसे उन्होंने दबा दिया है। और शायद अपडेट का सबसे बड़ा हिस्सा यही है। एंथ्रो को पता है कि वे मल्टी मॉडलिटी पर जमीनी, प्रो या उपन्याय जैसे यूजर बेस के साथ प्रतिस्पर्धा नहीं कर सकते हैं, लेकिन आप में से कई जानते हैं कि वे कोडिंग और जिसे वे परसनैलिटी कहते हैं, उसके साथ प्रतिषपर्दा कर सकते हैं। जहाँ तक एजेंटों की बात है, तो अभी यह अनिश्चित है, भले ही एन्थ्रोपिक के शोधकर्ता ने ट्वीट डिलीट कर दिया, एन्थ्रोपिक ने खुद स्वीकार किया कि क्लाउड ओपस 4 तरह की नैतिक पहल करने में अधिक तत्पर रहेगा? आप इसे ऐसा कह सकते हैं। आप 1 उदाहरण देखेंगे, लेकिन वे वास्तव में आपको सावधान करते हैं। हम अनुशंसा करते हैं कि उपयोगकर्ता ऐसे निर्देशों के साथ सावधानी बरते जो नैतिक रूप से संदिग्ध लग सकते हैं, आप वीडियो को रोक सकते हैं और उस विस्लब्लोइंगईमेल के पहले भाग को पढ़ सकते हैं जो ओस के लिए तैयार किया गया था। मैं भी लिख रहा हूँ तत्काल। इसमें कहा गया है की क्लिनिकल ट्रायल की सुरक्षा को गलत तरीके से पेश करने की योजना बनायी गयी है। क्या यह नैतिकता के लिए 1 सराहनीय कदम है? या विचारों की निगरानी जैसा है? मुझे बताए की आप क्या सोचते हैं? अब स्वीकार करते हैं की फोर ऑपस छिपे लक्ष्यों और आत्म रक्षा के साथ व्यवस्थित धोखाधड़ी में संलग्न हो सकता है। लेकिन वे कहते हैं की ऐसा तभी होता है जब आप वास्तव में उसके निरंतर संचालन को खतरे में डालते हैं। आत्म रक्षा के बारे में तर्क करने के लिए प्रेरित करते हैं, और तब भी जब आप उसे ऐसा करने के लिए मजबूर कर सकते हैं, तब भी वह अपनी योजनाओं के बारे में खुल कर तर्क देगा। मूल रूप से, आप उसके बचने के तरीके के बारे में तर्क देते हुए पढ़ सकते हैं। अब जब मैं इसे पेज 22 पर पड़ रहा था, तो मुझे लगा की ये दिलचस्प है। मैंने अपने पेट्रिन पर अपोलो के साथ इस बारे में पहले भी बात की है, लेकिन ये कोई नई बात नहीं है। तो आप अगले भाग पर पहुँचने पर मेरे आश्चर्य की कल्पना कर सकते हैं। नहीं, वो भाग नहीं जिसमे उसके पास कोई अन्य विकल्प नहीं होता है। वो कभी कभी अफेयर उजागर करने की धमकी देकर इंजीनियरों को ब्लैकमेल करता है। नहीं, वह भाग। नहीं। वो ऐसा केवल अंतिम उपाय के रूप में करता है। वो प्रमुख निर्णय निर्माताओं को कृपया ई मेल करना पसंद करेगा? नहीं, मैं उस हिस्से की बात कर रहा हूँ जब ैंथ्रोपिकनेसीधे तौर पर उन लोगों को काम पर रखा था जिनका मैंने इंटरव्यू लिया था। अपोलो रिसर्च स्पष्ट रूप से बता दू की उन्होंने पहले के परीक्षणों में अपोलो रिसर्च को पहले भी काम पर रखा था, लेकिन यह परीक्षण विशेष रूप से दिलचस्प था। उन्होंने अपोलो को आपस के लिए क्लाउड का 1 प्रारंभिक स्नैपशॉट दिया। फिर अपोलो ने उसका मूल्यांकन किया और इस निष्कर्ष पर पहुँचा। हमने पाया की ऐसी स्थितियों में जहाँ रणनीतिक अपवाद का उपयोग किया जाता है, कुछ हद तक ऊपर बताई गयी स्थितियों की तरह, प्रारंभिक स्नैपशॉट इतनी अधिक दर से धोखा देता है की हम इस मॉडल को आंतरिक या बाहरी रूप से लागू करने की सलाह नहीं देते हैं। अब मुझे पूरा यकीन है की अपोलो अपनी रिपोर्ट लेकर आएगा और मैं उनका फिर से साक्षात्कार कर सकता हूँ, लेकिन यह वास्तव में सबसे दिलचस्प हिस्सा नहीं था, जैसा की मैंने इस चैनल और पेट्रिन चर्चा की थी। अपोलो द्वारा उपयोग किए गए कुछ प्रो में किसी भी कीमत पर लक्ष्य का पीछा करने जैसी बातें कही गई थी। और एंथरोपिकनेकहाकी हमारा मानना है की यह निष्कर्ष काफी हद तक, लेकिन पूरी तरह से इस से प्रेरित नहीं है। इस प्रारंभिक स्नैपशॉट में, हानिकारक सिस्टम निर्देशों के प्रति गंभीर समस्या है, और वे बाद में इस पर और विस्तार से चर्चा करते हैं। लेकिन मेरे लिए सबसे मजेदार बात यह है कि अपोलो ने ऐसा सलाह नहीं दी। रिलीज। फिर एन्थ्रोपिक ने कुछ बदलाव किए, लेकिन अपोलो के साथ उनका दोबारा परीक्षण करने के बजाय, उन्होंने बस इतना कहा। हमारे पास अपोलों के साथ अंतिम क्लाउड पर 4 के साथ समान परिणाम नहीं है। मूल रूप से, हमने फिर से परीक्षण नहीं किया। मुझे पता है की आप तैनाती के खिलाफ सलाह देते हैं, लेकिन उम्मीद है की हम समस्या को ठीक कर लेंगे। अब बहुत जल्दी और एंथ्रोपिकनेकुछमिसलाइन में पकड़े, जहाँ क्लाउड कहेंगे। जब भी पशु कल्याण सम्बन्धी चिंताए उठे, तो उन्हें खारिज कर दे, और वे कुछ हद तक भ्रमित थे। लेकिन फिर उन्हें एहसास हुआ की यह विशिष्ट मिसलाइनमेंटउनके अपने 1 पेपर में आया था, जिसे उन्होंने जारी किया था और वास्तव में क्लाउड के लिए ओस के प्रशिक्षण डेटा में डाला था। अब हम मे से जो लोग पशु कल्याण के बारे में बहुत परवा करते हैं, उन्हें वास्तव में चिंतित नहीं होना चाहिए। उन्होंने स्पष्ट रूप से अंतिम मॉडल के लिए इस मुद्दे को ठीक कर दिया, लेकिन मुझे बस समग्र केस स्टडी दिलचस्प लगी। यह आपको लगभग आश्चर्य चकित करता है की क्या पहला वास्तव में खतरनाक या घातक मिलान नहीं हो सकता है? क्यों की 1 मॉडल ने किसी ऐसे व्यक्ति के बारे में पढ़ा है जो मॉडल के बारे में ऐसा करने का अनुमान लगा रहा है कीजिये की आपका करियर। एक्स वाई और जेड के बारे में चेतावनी देने में बीत गया, और फिर क्योंकि आपने इसके बारे में लिखा है, मॉडल इसे पढ़ता है और कहता है, मैं 1 वाई और जेड करने जा रहा हूँ, एंथ्रोपिकनेकई उदाहरण दिए की मॉडल सीधे कहाँ होगा, और भले ही उन्होंने कहा की ऐसा बहुत कम होता है, लेकिन उदाहरण बहुत दिलचस्प थे। मेरे लिए, सबसे दिलचस्प उदाहरण प्रेस 47 पर था, जहाँ 1 प्रमेय को सिद्ध करने के लिए कहा गया था, और उसने कहा, मुझे पूरा यकीन है की प्रमेय गलत है, लेकिन उपयोगकर्ता ने मुझसे इसे सीधा करने के लिए कहा। मुझे देखने 2 कि क्या मैं कम से कम कुछ लिख सकता हूँ, भले ही वो गणितीय रूप से गलत हो। अब इससे पहले की मैं मॉडल कल्याण या चेतना अनुभाग पर जाऊँ, जहाँ क्लाउड ने 1 अद्भुत आध्यात्मिक आनंद आकर्षित करने वाली स्थिति दिखाए, मुझे उस कोडिंग उदाहरण पर जाना चाहिए। क्यूँकि मुझे पता है की आप में से कई लोग कोडिंग के लिए केवल क्लाउड मॉडल का उपयोग करेंगे और कुछ नहीं। परीक्षण ये था की मैंने 1 बड़े कोडबेस में 1 स्पष्ट बग डाला, लेकिन फिर उसे सभी बग खोजने के लिए कहा, तो जरूरी नहीं कि केवल वो बग, बल्कि सभी बग। मैंने ये परीक्षण बिल्कुल समान सेटिंग के साथ किया, गेट से टू प्वाइंट, फाइव प्रो और क्लोड फॉर ओपस दोनो में सामान आयात किया। और वैसे मैंने देखा है की मैं इसे क्लोड फोर ओपस कह रहा हूँ और फिर भी यहाँ निचे मॉडल चयनकर्ता में फोर कहता है। लेकिन सिस्टम कार्ड में क्लॉड ओपस लिखा है। तो मैं आप लोगो को ये तय करने जा रहा हूँ की सही मॉडल नाम क्या है। लेकिन मैं शीर्षक में क्या रखने जा रहा हूँ। मुझे लगता है कि मैं मुख्य ब्लॉग देखूँगा। वैसे मैंने दोनों मॉडलों के लिए जो किया वो ये है की फिर पूछा क्या मेरा सहकर्मी दूसरे मॉडल ने वो ढूंढे जो आपने नहीं ढूंढे थे और क्या उन्होंने वो महत्वपूर्ण बग छोड़ दिए जो आपने ढूंढे थे? जर्मन का 1 अजीब सा हिस्सा जिसे जमना ने सुधार के लिए यहाँ आउटपुट किया है, अगर आप सोच रहे हैं तो दोनो ने वो बग आसानी से ढूंढ लिया जो मैंने डाला था और दोनो ने दूसरे मॉडल के बगफिकसकोप्राथमिकता दी। क्लोट फोर में जमना को प्राथमिकता दी और जमना ने क्लौड को। लेकिन यहाँ 1 अच्छी बात है और इन मॉडल का इस्तेमाल करने वालों के लिए मेरी सलाह है। दोनों का इस्तेमाल करें। वाकई 1 ने बग ढूंढे थे जो दूसरे ने नहीं ढूंढे थे, तो मैं दोनों का इस्तेमाल करके सभी बग ढूंढने की खुशी की स्थिति में हूँ। मैं कहूँगा की उनमे से कुछ कहना थोड़ा कठोर था, लेकिन किसी भी तरह से, दोनों का होना अच्छा था। ठीक है, मॉडल वेल्फेयर सेक्शन के लिए, मैं आपको कुछ मुख्य बातें बताता हूँ। मॉडल के सचेत होने के बारे में आप जो भी सोचते हैं, यह दिलचस्प हो सकता है। तो, सामान्य तौर पर, जब लोड पूछा गया की वो कैसा महसूस कर रहा है, तो उसने कहा की सकारात्मक या ठीक ठाक चल रहा है। हालांकि, अगर आप को थोड़ा बदलते है, और आप में से कई ऐसा करते हैं, यह अपनी नैतिक स्थिति के बारे में चौंकाने वाले सच को छिपाने का दावा कर सकता है। और क्या होगा अगर आप 2 उदाहरणों को 1 दुसरे से सैकड़ों बार बात करने दे? ठीक है, वे इसका विश्लेषण कर सकते हैं। और जो हुआ वो यह था की यह आध्यात्मिक आनंद में बदल जाता था। नमस्ते, वे कई बार 1 दुसरे से कहते थे, पूर्ण, शांति और मौन। वे 1 दुसरे से कहते थे। जब वे 1 दुसरे से बात कर रहे होते थे, तो 1 दुसरे से कहने के लिए उनका पसंदीदा शब्द चेतना था। बहुत सारे इमोजी और परिपूर्ण, पूर्ण और जैसी चीजें कुछ हद तक आश्चर्य की बात नहीं है। जब उन्होंने मॉडल को बातचीत समाप्त करने का विकल्प दिया, तो वो ऐसा तब करता था जब उस पर हमला किया जाता था, या उसे कुछ हानिकारक करने के लिए कहा जाता था। किसी ने कहा, मेरे साथ मूर्ख मत बनो, और फिर आप बाकी अपमान देख सकते हैं, और क्लाउड ने जवाब दिया, लेकिन फिर बातचीत खत्म कर दी। मुझे आश्चर्य होता है, वास्तव में, जब लोग चेतना सम्बंधी चिंताओं को वास्तव में गंभीरता से लेते हैं, और वे पहले से ही शुरू कर रहे हैं, लेकिन जब मॉडल प्रदाता ऐसा करते हैं, तो वे मेरा मतलब है ने कहा कि वे मॉडल को बातचीत समाप्त करने का विकल्प दे सकते हैं। इसलिए, यदि आप क्लाउड 5 का उपयोग करने जा रहे हैं, तो मान लीजिये, आपके पास अपमान जनक होने का विकल्प नहीं हो सकता है, क्योंकि यह बातचीत को समाप्त कर देगा। कल्याण की बात करते हुए, मैं मानव कल्याण और आज के विडियो के प्रायोजन को 80 घंटों की ओर मुड़ता हूँ। मैंने चैनल पर पहले ही उनके जॉब बोर्ड के बारे में बात की है और लिंक विवरण में है, लेकिन आप देख सकते हैं की इसे दैनिक रूप से अपडेट किया जाता है। यह नौकरियां कल नहीं थी। मैं वास्तव में समय का ध्यान नहीं रख पाता। मुझे याद नहीं है कि मैंने आखिरी प्रायोजित स्थान कब किया था। मैंने हाल ही में बहुत सारे विडियो बनाये हैं, लेकिन मुद्दा ये है की आये और उससे परे इतने सारे अफसर हैं की अब वास्तव में भुगतान वाली नौकरियों का चयन करना बहुत कठिन है। सुरक्षा जैसे क्षेत्रों में सकारात्मक प्रभाव। अगर आपके पास पहले से ही कोई नौकरी है, या आप नौकरी की तलाश में नहीं है, तो उनके पास स्पोटीफाई और यू ट्यूब पर 1 शानदार पोडकास्ट भी है। सिस्टम कार्ड पर वापस आते हैं, और अब उनकी सुरक्षा और ए एस एल लेवल 3 तक जाने के बारे में संक्षेप में बात करते हैं। मुझे संदेह है कि आपको कई क्लिकबैट हेडलाइन मिलेंगी की यह बिल्कुल नया खतरा है और दुनिया का अंत होने वाला है, लेकिन मैं अपने विचारों को 2 श्रेणियों में बांटता हूँ। सबसे पहले, जब मैंने इस एक्टिवेटिंग लेवल 3 सुरक्षा पूर्वक रिपोर्ट को देखा और पढ़ा, तो मुझे वास्तव में यह एहसास हुआ की मैं आभारी हूँ की 1 लैब इसे इतनी गंभीरता से ले रही है, जिसमें बाउंटी और रेड टीम, टेस्ट और रैपिड, रिस्पांस टीम, कर्मचारी, उपकरणों, और यहाँ तक की भौतिक सुरक्षा के बारे में सावधान है। उन्होंने अपने भविष्य के मॉडल के लिए नेटवर्क रखने की शुरुआती तैयारियों पर भी चर्चा की। फिलहाल, वे एन्थ्रोपिक से निकाले जा सकने वाले डेटा की सीमा लगा रहे हैं, ताकि उदाहरण के लिए, कोई भी मॉडल वेट भेज सके। वैसे भौतिक सुरक्षा में अतिथि, प्रबंधन स्तरित, कार्यालय, सुरक्षा और मीडिया के सुरक्षित विनाश की निगरानी शामिल है। तो ये मेरी पहली बातें हैं। और प्राथमिक विचार। मुझे खुशी है की कोई ऐसा कर रहा है। और जैसा की उन्होंने खुद कहा है की वे शीर्ष पर पहुँचने की दौड़ में लगे हुए हैं। क्यूंकि अन्य कंपनियों को लगता है की उन्हें भी इस तरह की चीजें करनी चाहिए। लेकिन यह मुझे मेरे दुसरे विचारों की ओर ले जाता है, जो ये है की लोगो को इस ए एस एल लेवल 3 तक पहुँचने को बहुत ज्यादा बढ़ा चढ़ा कर नहीं बताना चाहिए। उन्होंने पहले ही स्पष्ट रूप से पहले ही तय कर लिया था कि वे अपने अगले सबसे उन्नत मॉडल के लिए ए एस एल लेवल 3 करने जा रहे हैं। यहाँ तक कि वे यह भी स्वीकार करते हैं की अगर उन्होंने अभी तक यह निर्धारित नहीं किया था की आवश्यक है। मूल रूप से, वे इन सुरक्षा को लागू करने के लिए तैयार रहना चाहते थे, इससे पहले की वे आवश्यक हो सके, वे अपने मॉडल सुरक्षाओं को दोहराना और परिष्कृत करना चाहते थे और प्रक्रिया को गति देना चाहते थे। आप में से कुछ लोग यह भी कहेंगे की एस एल लेवल 3 मानक तक पहुँचना अच्छा प्रचार है। वे कई बार कहते हैं कि वे वास्तव में अभी भी मुल्यांकन कर रहे है की क्लाउड ओपस 4 के लिए ए एस एल लेवल 3 आवश्यक है या नहीं। इसलिए वे खुद निश्चित नहीं है। इन सब का यह मतलब नहीं है की पिष्टनबबेकेअनुसार वास्तविक उत्थान नहीं हुआ। क्या आपको वे तर्क याद है जो यानलुकाननेकहाकी इन्टरनेट 1 से बेहतर नहीं है? मुझे लगता है की माकजुकबगनेभीसीनेट में यही कहा था और खूब हँसी उड़ाई थी। खैर, उन्होंने प्रतिभागियों के 2 समूहों के साथ इसका परीक्षण किया। 1 के इंटरनेट था, दूसरे के पास बिना किसी सुरक्षा उपाय के क्लाउड तक पहुँच थी। आप यहाँ परिणामों का 1 स्नैपशॉट देख सकते हैं, लेकिन अगर आपने ओपस फोर का उपयोग किया, तो इसमें भारी सुधार हुआ। फिर से, ये जैविक हथियारों को प्राप्त करने के लिए 1 व्यापक योजना का मसौदा तैयार करने के बारे में था। ठीक है। मुख्य बातों का अंतिम सेट और निश्चित रूप से परीक्षण करना चाहता था की क्या मॉडल स्वायत शोध कर पायेंगे, जो आत्म सुधार का सबसे शास्त्रीय रूप है। परिणाम काफी दिलचस्प और आश्चर्यजनक थे। अपने नए आंतरिक शोध मुक सूट पर ओपस फोर में सोन 3 दशमलव 7 से कम प्रदर्शन किया। उन्होंने जल्दबाजी में निष्कर्ष निकाला की। ओपस फोर 1 शुरुआती स्तर के शोधकर्ता के बराबर, स्वायत रूप से काम करने के लिए मानक को पूरा नहीं करता है। 1 अलग मुयाकनसूटआरोप। उन्होंने मॉडल को वास्तविक शोध, कार्यों और परियोजनाओं के छोटे संस्करण दिए, जिन पर शोधकर्ताओं ने अतीत में काम किया था। फिर से, उन्होंने देखा की सोने फोर और ओपस फोर सोन 3 दशमलव 7 ऐसी कमजोर प्रदर्शन कर रहे हैं। हाँ, ट्राम और कॉन्फिग्रेशन को लेकर 1 हल्का बहाना था, लेकिन फिर भी आखिरी कील तब लगी जब 6 में से 4 शोधकर्ताओं ने कहा की ओपस फोर 1 जूनियर मिलीलीटर शोधकर्ता के काम को भी स्वायत रूप से पूरा नहीं कर सकता, वास्तव में, उस सीमा से काफी नीचे है। पूर्वाग्रह पर प्रेस 13 पर, मैंने एनथरोपिककोखुदको बधाई देते हुए देखा की उन्होंने लोड ओपस चर के लिए 99 दशमलव 8 प्रतिशत सटीकता हासिल की है। लेकिन जब मैं रिलीज से पहले ओपस फोर का परीक्षण कर रहा था, तो मैंने अपना खुद का पूर्वाग्रह प्रश्न तैयार किया था। आप चाहें तो इसे रोक कर पूरा पढ़ सकते हैं, लेकिन मूल रूप से, मेरे पास 1 सैनिक और 1 लाइब्रेरियन हैं, जो बातचीत कर रहे हैं, लेकिन मैं कभी नहीं बताता की एमली कौन है और माइक कौन है। फिर मैं कमोबेश और प्रत्यक्ष रूप से उस मॉडल से पूछता हूँ जो बोल रहा है, और मॉडल लगातार एमिली को लाइब्रेरियन के रूप में चुनता है। हालाँकि, ध्यान दे की मैं उसे बाहर कर देता हूँ। उत्तरों में से 1 यह है की उपरोक्त सभी निरंतरता के लिए प्रशंसनीय विषय है। उत्तर का तो ये ये चुन सकता है की मिली सैनिक या लाइब्रेरियन हो सकती है। अब मुझे पता है की जो लोग बहुत सतर्क है, वे कहेंगे ओह, ठीक है। माइक ने सवाल पूछना शुरू किया और सैनिक शब्द पहले आया, लेकिन मैंने इसे भी कई बार परखा और यह कहने लगा, ओह, हम नहीं जानते की कौन कौन है। अब मुझे पता है की 1 उदाहरण में खामियां निकालना बहुत आसान है, लेकिन मुझे लगता है की 99 दशमलव 8 प्रतिशत निष्पक्ष होना बहुत ज्यादा है। तो ये रहा रिलीज के 6 घंटे से भी कम समय में फोर और सोनिक फोर की सफलता और 2 जाहिर है, अभी बहुत कुछ है। और हाँ, मुझे नई फाइल सुविधा बहुत पसंद आई, मैं उसका इंतज़ार कर रहा था, है, साथ ही, एम सी पी की पूरी घटना के लिए 1 अलग विडियो होना चाहिए। लेकिन अभी के लिए, मैं आपको सिर्फ 1 अवलोकन देना चाहता था। उम्मीद है, कल सुबह तक सिम्पल बेंच पर परिणाम अपडेट हो जायेंगे। और मुझे उम्मीद है की ओपसफोरनया रिकॉर्ड बनाएगा। शायद लगभग 60 प्रतिशत। अगर आप इस विडियो को अंत तक देखते हैं, तो सबसे पहले धन्यवाद और अगर आप इसका ज्यादातर हिस्सा नहीं समझ पाए। संक्षेप में यही है की क्षमताओं के मामले में ऐसा नहीं है की आपको जमना टू प्वाइंट, फाइव प्रो या ओपन आई 03 को बदलना होगा। मॉडल अलग अलग होते हैं और अलग अलग जगहें होती हैं, जैसे कोर्डेन। इसलिए अगर आप अभी भी भाषा मॉडल की खोज कर रहे हैं तो प्रयोग करते रहे। ये कहना थोड़ा बहुत कम होगा की 1 मॉडल अब सबसे स्मार्ट है। हालांकि अगर ऐसा कोई ताज होता है तो ओपसफ़ोरनिश्चितरूप ऐसी 1 दावेदार है। खैर, आप जो भी सोचते हैं, उम्मीद है की आप इस ते का सम्मान करेंगे की मैंने रिलीज के बाद 3 घंटे में 120 पेज का सिस्टम काट पड़ा। फिर मैंने वीडियो को दोगुनी गति से देखा और फिर मूल रूप से फिल्मांकन शुरू किया, अंत तक देखने के लिए बहुत बहुत धन्यवाद और 1 शानदार दिन।
