ઓપનએઆઈએ કૃત્રિમ બુદ્ધિમત્તાના ક્ષેત્રમાં અણધાર્યો વળાંક લીધો છે પ્રક્ષેપણ de GPT-OSS, પાંચ વર્ષથી વધુ સમયમાં તેનું પ્રથમ ઓપન સોર્સ ભાષા મોડેલ. આ વિકાસ કંપનીની તાજેતરની વ્યૂહરચનાથી અલગ છે, જે મુખ્યત્વે માલિકીના મોડેલો અને બંધ સેવાઓ પર આધાર રાખતી હતી. GPT-OSS ના આગમન સાથે, OpenAI તેના મૂળ તરફ પાછું ફરી રહ્યું છે, જે કોઈપણ અથવા એન્ટિટી માટે તેના ક્લાઉડ પ્લેટફોર્મ અથવા ઇન્ટરનેટ કનેક્શન પર આધાર રાખ્યા વિના શક્તિશાળી ભાષા મોડેલને ઍક્સેસ કરવા, ચલાવવા અને કસ્ટમાઇઝ કરવા માટે દરવાજા ખોલી રહ્યું છે.
નવું મોડેલ બે વર્ઝનમાં ઉપલબ્ધ છે: એક ૧૨૦ બિલિયન પેરામીટર્સ સાથે અને બીજું ૨૦ બિલિયન પેરામીટર્સ સાથેનું હળવું વર્ઝન.સૌથી શક્તિશાળી વેરિઅન્ટ ઓછામાં ઓછી 80GB મેમરી સાથે એક જ પ્રોફેશનલ GPU પર ચાલી શકે છે, જ્યારે નાના વર્ઝનનો હેતુ 16GB RAM વાળા મુખ્ય પીસી અને લેપટોપ માટે છે, જે અદ્યતન AI ક્ષમતાઓની ઍક્સેસને નોંધપાત્ર રીતે લોકશાહીકૃત કરે છેબંને વર્ઝન હગિંગ ફેસ જેવા પ્લેટફોર્મ પરથી મફતમાં ડાઉનલોડ કરી શકાય છે અને Azure અથવા AWS જેવી લોકપ્રિય સેવાઓ પર ઉપયોગમાં લઈ શકાય છે.
તકનીકી લાક્ષણિકતાઓ અને વપરાયેલી તકનીક
સાથે GPT-OSS, OpenAI એ બે મોડેલ રજૂ કર્યા છે જે આર્કિટેક્ચર પર આધારિત છે ટ્રાન્સફોર્મર અને નિષ્ણાતોનું મિશ્રણ (MoE). આ પરવાનગી આપે છે મેમરી વપરાશ અને લેટન્સીને ઑપ્ટિમાઇઝ કરો પ્રતિ ઇનપુટ ટોકન નિષ્ણાતોના માત્ર પસંદગીના ભાગને સક્રિય કરીને, શક્તિનો ભોગ આપ્યા વિના કાર્યક્ષમતામાં વધારો થાય છે. 120B સંસ્કરણ 36 બ્લોક્સનો ઉપયોગ કરે છે અને પ્રતિ ટોકન 5.100 બિલિયન પરિમાણોને સક્રિય કરે છે, જ્યારે 20B સંસ્કરણ 24 બ્લોક્સનો ઉપયોગ કરે છે અને 3.600 બિલિયન પરિમાણોને સક્રિય કરે છે, જે વધુ સસ્તા હાર્ડવેર પર ચલાવવાનું સરળ બનાવે છે.
બંને મોડેલોને મુખ્યત્વે વિસ્તારોના અંગ્રેજી ડેટા પર તાલીમ આપવામાં આવી છે STEM, પ્રોગ્રામિંગ અને સામાન્ય જ્ઞાન, જેમાં તમારામાં સુધારો કરવા માટે દેખરેખ હેઠળ ગોઠવણ અને મજબૂતીકરણનો વધારાનો તબક્કો શામેલ છે માનવ સૂચનાઓ સાથે સંરેખણ. તેની ક્ષમતાઓમાં શામેલ છે વિચારની સાંકળ, પ્રતિભાવ આપતા પહેલા મધ્યવર્તી પગલાં તોડી નાખવાની ક્ષમતા, તેમજ વેબ બ્રાઉઝિંગ અથવા પાયથોન કોડ એક્ઝેક્યુશન જેવા બાહ્ય સાધનોનો ઉપયોગ કરવાની ક્ષમતા.
ઉપલબ્ધતા, લાઇસન્સિંગ અને એકીકરણ વિકલ્પો
GPT-OSS ના મુખ્ય આકર્ષણોમાંનું એક તેનું છે અપાચે 2.0 લાઇસન્સ, જે અન્ય બંધ મોડેલોના ઘણા સામાન્ય પ્રતિબંધોને દૂર કરે છે: તે તેના વાણિજ્યિક ઉપયોગ, પુનઃવિતરણ અને એકીકરણ નાના સ્ટાર્ટઅપ્સથી લઈને મોટા જાહેર સંસ્થાઓ અથવા R&D પહેલ સુધીના તમામ પ્રકારના પ્રોજેક્ટ્સમાં. મોડેલ વેઇટ MXFP4 ફોર્મેટમાં ઉપલબ્ધ છે અને PyTorch અને Apple Metal માં સંદર્ભ અમલીકરણ ધરાવે છે, તેમજ સાધનો સાથે સંપૂર્ણ સુસંગતતા ધરાવે છે જેમ કે ઓલામા, llama.cpp, LM સ્ટુડિયો, અને vLLM, વ્યાવસાયિક અને ઘરેલું બંને વાતાવરણમાં તેનો ઉપયોગ સરળ બનાવે છે.
GPT-OSS-20B નું ઇન્સ્ટોલેશન અને કમિશનિંગ ખાસ કરીને LM સ્ટુડિયો જેવી ઉપયોગિતાઓને કારણે સરળ છે, જે તમને પરવાનગી આપે છે પ્રોગ્રામિંગ અનુભવ વિનાના વપરાશકર્તાઓ ગ્રાફિકલ ઇન્ટરફેસનો ઉપયોગ કરીને સ્થાનિક રીતે મોડેલ ડાઉનલોડ કરો અને તેનું પરીક્ષણ કરો. વધુમાં, OpenAI એ મોડેલોને ફાઇન-ટ્યુનિંગ અને અનુકૂલન માટે વિગતવાર દસ્તાવેજીકરણ અને ભલામણો પ્રકાશિત કરી છે, તેમજ ક્લાઉડ અને ઓન-પ્રિમાઈસ પ્લેટફોર્મ માટે તૈયાર એકીકરણ પણ પ્રકાશિત કર્યું છે.
સલામતી, પરીક્ષણ અને જવાબદાર અભિગમ
GPT-OSS નું લોન્ચિંગ ફક્ત ખુલ્લાપણા પર જ નહીં, પણ સલામતી અને જવાબદાર ઉપયોગ મોડેલોમાંથી. OpenAI એ દુરુપયોગ સાથે સંકળાયેલા જોખમોને ટાળવા માટે નવી સમીક્ષા અને માન્યતા પદ્ધતિઓનો સમાવેશ કર્યો છે, ખાસ કરીને સાયબર સુરક્ષા અથવા દૂષિત એજન્ટોના નિર્માણ જેવા સંવેદનશીલ ક્ષેત્રોમાં. આ માટે, તેણે એક પ્રતિકૂળ પરીક્ષણ પદ્ધતિ (રેડ ટીમિંગ) લાગુ કરી છે, જેમાં સ્વતંત્ર નિષ્ણાતો દ્વારા બાહ્ય સમીક્ષાઓ અને આત્યંતિક શોષણ દૃશ્યોનું અનુકરણ કરવા માટે પ્રોટોકોલનો સમાવેશ થાય છે.
મોડેલોના પ્રકાશન સાથે, OpenAI એ એક લોન્ચ કર્યું છે નાણાકીય પુરસ્કારો સાથે રેડ ટીમિંગ પડકાર જેઓ નબળાઈઓ અથવા સમસ્યારૂપ વર્તણૂકોને ઓળખે છે, આમ જોખમ શોધમાં વૈશ્વિક સમુદાયના સક્રિય સહયોગની શોધ કરે છે. વધુમાં, GPT-OSS તેના તર્કની સાંકળ, પૂર્વગ્રહો અથવા નાજુક ભૂલો ટાળવા માટે પ્રતિભાવ ઓડિટિંગ અને દેખરેખને સરળ બનાવવું.
અન્ય ખુલ્લા મોડેલો સાથે પ્રદર્શન અને સરખામણી
એન લોસ શૈક્ષણિક માપદંડ અને તર્ક પરીક્ષણો, GPT-OSS-120B, OpenAI ના તાજેતરના માલિકીના મોડેલો જેમ કે o4-મીનીની સમકક્ષ છે, અને કેટલાક પાસાઓમાં તેનાથી પણ આગળ છે, અને ચોક્કસ સંદર્ભોમાં DeepSeek R1 અથવા Llama શ્રેણી જેવા અન્ય મોડેલો કરતાં વધુ સારું પ્રદર્શન કરે છે. ઘરેલું ઉપકરણો માટે તૈયાર કરાયેલ 20B સંસ્કરણ, એક જાળવી રાખે છે કાર્યક્ષમતા અને ક્ષમતા વચ્ચે ઉત્તમ સંબંધ, ગણિત, કોડિંગ અને આરોગ્ય કાર્યોમાં ખૂબ જ સ્પર્ધાત્મક સ્કોર્સ સાથે.
OpenAI ચેતવણી આપે છે કે આ ખુલ્લા મોડેલો રજૂ કરી શકે છે a "ભ્રમ" માટે વધુ વૃત્તિ (તથ્યપૂર્ણ ભૂલો) તેમના ક્લાઉડ સમકક્ષોની તુલનામાં, તાલીમ અને દેખરેખમાં તફાવતોને ધ્યાનમાં રાખીને. જો કે, વપરાશકર્તાઓ હવે ઑનલાઇન સેવાઓની જરૂરિયાત વિના ઉચ્ચ-સ્તરીય મોડેલોનો ઉપયોગ કરવાની ક્ષમતા ધરાવે છે.
