Produkte · die Schnittstelle

KELVIN Meridian

Lernt aus einer Erfahrung. Antwortet aus dem Behaltenen. Sagt es, wenn ihm nie etwas gesagt wurde.

Ihre Programme fragen KELVIN direkt, mit einem eigenen Schlüssel. Es braucht keinen Trainingslauf und keine Grafikkarte, und was es lernt, bleibt bei ihm: Eine Anfrage trägt nur die Frage.

Eine erinnerte Antwort

8,7 ms

Aus dem eigenen Gedächtnis, auf einem Mac, ohne Netzwerk. Ein offenes Modell, dem alles mitgegeben wird: 424 ms bei zehn Fakten. Über die eigene Adresse: etwa 250 ms mit dem Netzwerk.

Falsche Antworten auf nie Gesagtes

Still bei allen 223 Fragen, auf die es nie etwas gehört hat. Jedes offene Modell hat jede beantwortet, und jedes Mal falsch.

Grafikkarte

keine

KELVIN läuft allein auf dem Prozessor. Die offenen Modelle laufen auf der Grafikkarte.

Das ganze Programm

28,4 MB

KELVIN, wie unsere Server es betreiben. Die Dateien der offenen Modelle belegen 5,15 bis 19,78 GB.

Was mit einer Frage reist

die Frage

Ein offenes Modell braucht alles Gesagte in jeder Anfrage: 339 040 Tokens für 15 000 Absichten, mehr als jedes von ihnen fassen kann.

Jevs eigenes Feld

0,706

Typisierte Entscheidungen, nach dem Bewertungsprogramm des Datensatzes, ohne Training: vor H2O (0,684), SAP RPT 1.6 (0,672) und Bekko 400M (0,668). Unter Jevs eigener Angabe, 0,727.

Gegen Modelle vom Typ Jev

Dieselben Fragen, dieselbe Maschine, Stufe für Stufe.

Drei offene Modelle von Jevs Art beantworteten dieselben Anfragen wie KELVIN, auf einem Mac. KELVIN hat die Beispiele jeder Aufgabe einmal erlebt; sie kamen vortrainiert.

Ein Punktdiagramm mit acht Vergleichen. KELVIN liegt beim Erinnern von Fakten, beim Sagen, dass es etwas nicht weiß, bei Rechnungen und beim Wählen eines Clips nach einem erfundenen Namen oben oder nahe oben. — Wo KELVIN vorn liegt oder gleichauf ist: richtige Antworten auf dieselben Fragen. Kupfer KELVIN, blau H2O-Lightning-4B, grün Clef-omni, lila Decider v1.1 27B.

Ein Punktdiagramm mit sieben Vergleichen: typisierte Entscheidungen, Werkzeugaufrufe, Absicht, freier Text, Bilder gängiger Arten, ein Ding neu gesehen und ein Bild benennen. Die vortrainierten Modelle liegen bei den meisten vorn. — Wo das Vortraining gewinnt: Die offenen Modelle sind genau auf diese Art Fragen trainiert, KELVIN hat nur die Beispiele der Aufgabe erlebt. Graue Ringe: die eigenen Angaben der Modelle.

Schweigen, wo nichts gesagt wurde

Richtig, oder still.

Ein Punktdiagramm: KELVIN bleibt bei jeder nie gesagten Frage, jedem Fremden und jedem nie erlebten Namen still; die offenen Modelle beantworten fast alle. — Der Anteil der Fragen nach nie Gesagtem, bei denen jedes Modell still blieb oder „keine“ sagte. Jede Antwort dort ist falsch.

Jevs eigenes Feld

Wie sicher, nach dem Bewertungsprogramm des Datensatzes.

Vier kleine Felder, KL zur richtigen Antwort, Brier, Genauigkeit und Kalibrierung, eine Zeile je Modell. KELVIN liegt bei KL und Brier nahe am besten, bei der Genauigkeit in der Mitte. — Typisierte Entscheidungen, 2 000 Antworten. KELVINs Wahrscheinlichkeiten liegen näher an der richtigen Antwort als die von Jev, H2O, SAP und Bekko 400M.

Warum es anders ist

Es lernt nach dem Start, und behält es.

Ein vortrainiertes Modell steht fest, sobald es ausgeliefert ist. KELVIN lernt aus einer Erfahrung und behält sie.

1 000 / 1 000

Einmal gesagt, behalten

Private Fakten, die kein Training enthalten kann, später aus dem eigenen Gedächtnis beantwortet.

15 416 / 15 416

Übersteht einen Neustart

Über 32 Neustarts mitten im Lernen: jede Antwort Byte für Byte wie in einem ununterbrochenen Leben.

8 / 8

Nachweisbares Vergessen

Nach dem Vergessen sind die Gedächtnisdateien Byte für Byte die eines Gedächtnisses, das die Fälle nie erlebt hat; 800 / 800 Antworten gleich.

345 / 345

Ihr Gedächtnis gehört Ihnen

Ein anderes Gedächtnis, dem nichts gesagt wurde, bleibt bei jeder dieser Fragen still.

11,7 MB

15 000 Beispiele, behalten

Alles, was es für 150 Absichten erlebt hat, im eigenen Gedächtnis. Ein offenes Modell bräuchte es in jeder Anfrage.

216 / 216

Ein Name ist nur ein Name

Unter erfundenen Namen antwortet es genau wie unter echten. Kein vortrainiertes Modell kann diese Namen kennen.

Tempo und Größe

Millisekunden auf dem Prozessor, gegen Sekunden auf der Grafikkarte.

Auf dem eigenen Server von KELVIN Meridian braucht KELVIN für eine Textfrage selbst 12,0 bis 30,5 ms; ein Leser wartet mit dem Netzwerk etwa 250 ms. Tausende Beispiele zu lernen dauert Sekunden bis Minuten, einmalig: 1 835 in 20,6 s, 15 100 in 156 s.

Punkte auf logarithmischer Skala für sechs Arten von Fragen. KELVIN braucht 5 bis 26,5 ms; die offenen Modelle von 375 ms bis 15,1 s. — Zeit für eine Antwort, auf einem Mac, ohne Netzwerk: KELVIN auf dem Prozessor, die offenen Modelle auf der Grafikkarte. Ein erinnerter Fakt: KELVIN 8,9 ms, H2O 424 ms, Clef 375 ms, Decider 2 544 ms. Mit 685 bekannten Fakten und beide auf dem Prozessor antwortet KELVIN in 8,6 ms und H2O in 69,2 s.

Punkte auf logarithmischer Skala: KELVINs Arbeitsspeicher 30,8 MB und Programm 28,4 MB, gegen 2,2 bis 23 GB Speicher und 5,15 bis 19,78 GB Dateien der offenen Modelle. — Speicher und Festplatte, auf einem Mac. Arbeitsspeicher mit 1 000 Fakten: KELVIN 30,8 MB, gemessen an seiner ersten Version; die offenen Modelle 2,2 bis 23 GB, einmal geladen. Auf der Festplatte: KELVINs ganzes Programm 28,4 MB; die Dateien der offenen Modelle 5,15 GB (H2O) bis 19,78 GB (Clef), 40,30 GB insgesamt.

Selbst testen

Sieben Tests. Ein Befehl je Test.

Die Daten und Kontrollen, die wir gegen den Dienst von KELVIN Meridian laufen ließen. Jede Anfrage und Antwort wird aufgezeichnet.

Die Tests, ihre Daten und ihre Kontrollen ↗

Test 6

345 / 345

Erinnern, was gesagt wurde

Einmal gesagte Fakten, in neuen Anfragen beantwortet. Ein anderes Gedächtnis: 345 / 345 still.

python3 tests/6-remember/run.py

Test 7

389 / 389

„Ich weiß es nicht“ sagen

Fragen, die es nicht wissen konnte, mit „keine davon“ beantwortet. Insgesamt richtig: 558 / 558.

python3 tests/7-i-dont-know/run.py

Test 1

0,706

Typisierte Entscheidungen aus Fällen

300 Fälle je Bereich als einzige Lehre. Mit vertauschten Antworten: 0,508.

python3 tests/1-typed-decisions/run.py

Test 4

0,849

Absicht, und „keine davon“

3 821 / 4 500 Absichten richtig benannt. Wo keine passt: 337 / 1 000.

python3 tests/4-intent/run.py

Test 2

50 / 60

Ein Bild: dieses, sonst seine Art

Ungesehene Bilder nach ihrer Art. Erlebte Bilder erneut: 24 / 24.

python3 tests/2-pictures/run.py

Test 3

23 / 24

Ein Klang, ein Ding und sein Name

Sein Clip nach dem Namen gewählt. Allein am Klang: 14 / 24.

python3 tests/3-sound-object-name/run.py

Test 5

0,671

Wann ein Werkzeug aufrufen

816 / 1 216 richtig. Mit vertauschten Reaktionen: 0,354.

python3 tests/5-when-to-call-a-tool/run.py

Start

Ihr Schlüssel. Ihr Gedächtnis.

Zugang anfragen.
Adresse und Schlüssel erhalten.
Aus Ihrem eigenen Programm lehren und fragen.

Zugang anfragen →

curl https://<Ihre Adresse>/v1/systemone \
  -H "Authorization: Bearer $MERIDIAN_KEY" \
  -d @request.json