Author: Om Kamath

Mistral Large 2は、128Kのコンテクストウィンドウを備え、英語、フランス語、ドイツ語、中国語などの主要言語から、ヒンディー語、韓国語などの特殊言語まで、数十の言語をサポートしています。
さらに、80以上のコーディング言語にも対応しており、グローバル化が進む現代社会では欠かせないリソースとなっている。
また、このモデルはコスト効率も考慮して設計されており、研究用としても商業用としても利用できる。
この高性能と低価格のバランスにより、Mistral Large 2は、AI業界において非常に競争力のある選択肢となっています。

Mistral Large 2は、128Kのコンテキストウィンドウを誇り、広範で複雑なデータセットを処理する能力を大幅に向上させています。
この広大なコンテキストウィンドウは、様々なコンテキストを理解し、適切な応答を生成するモデルの能力を拡張します。
このモデルは、英語、フランス語、ドイツ語、中国語などの主要なグローバル言語をカバーする数十の言語をサポートしています。
さらに、ヒンディー語や韓国語のような特殊な言語もサポートしているため、多様な言語アプリケーションに対応します。
さらに、Mistral Large 2はコーディングにも優れており、Python、Java、C++を含む80以上のプログラミング言語をサポートしています。
この機能により、複雑なコーディングプロジェクトに取り組む開発者にとって理想的な選択肢となります。
1,230億ものパラメータを持つこのモデルは、推論能力を強化し、より正確で信頼性の高い出力を保証します。
特に、AIが生成する幻覚を最小限に抑えることに重点を置き、正確な情報を提供するモデルの信頼性を向上させている。
大規模言語モデルの利点とリスクに関する詳細については、オープンソース言語モデルの記事をご覧ください。

Mistral Large 2はMMLUベンチマークで84.0%という驚異的な精度を達成し、パフォーマンスとコスト効率の面で他のモデルに対して有利な位置づけとなりました。
この高い精度は、このモデルが信頼性の高い正確な出力を提供する能力を備えていることを裏付けており、主要なAIモデルの中で強力な候補となっています。
このモデルの性能/コスト比は特筆すべきもので、オープンモデルのパレートフロントに位置しています。
これは、Mistral Large 2が性能とコストのバランスの取れた組み合わせを提供し、開発者と企業の両方にとって魅力的な選択肢であることを示しています。
さらに、Mistral Large 2は、研究および非商用目的での使用と改変を許可する研究ライセンスと、商用アプリケーションでの自己展開のための商用ライセンスの2つのライセンスオプションで利用可能です。
GPT-4やLlama 3のようなライバルモデルと比較した場合、Mistral Large 2は、特に複雑なタスクを処理し、様々なアプリケーションで正確な結果を出すことにおいて、競争力のある性能を示しています。

Mistral Large 2とMistral Nemoを含むMistral AIモデルは、様々なプラットフォームにシームレスに統合し、アクセスできるように設計されています。
これらのモデルはla PlateformeとHuggingFaceでホスティングされており、開発者や企業が簡単にアクセスできるようになっています。
さらに、Mistral AIは、Google Cloud、Azure AI Studio、Amazon Bedrock、IBM watsonx.aiなどの主要なクラウドプラットフォームで利用できるようにすることで、その範囲を広げています。
この幅広いアクセシビリティは、さまざまな開発・導入ニーズをサポートする。
Mistral NemoモデルにおけるNvidiaとの注目すべき協業は、モデルの統合能力をさらに強化する。
最先端の機能を備えたMistral Nemoは、現在Mistral 7Bを使用しているシステムの強力なドロップイン代替となる。
Azure AIは、強化されたセキュリティとデータ・プライバシーの追加レイヤーを提供し、これらの堅牢なAIモデルを展開するための理想的なプラットフォームとなっています。
これにより、機密データが十分に保護され、エンタープライズグレードのセキュリティ基準を満たすことができます。

Mistral Large 2 と Mistral Nemo は AI イノベーションの最前線に位置し、比類のないパフォーマンス、多言語能力、高度なコーディング能力を提供します。
Mistral Large 2の128Kのコンテキストウィンドウと12以上の言語のサポートは、その優れた推論とコーディングの可能性と相まって、洗練されたAIアプリケーションの構築を目指す開発者にとって傑出した選択肢となっています。
la Plateforme、HuggingFaceなどのプラットフォームや、Google Cloud、Azure AI、Amazon Bedrock、IBM watsonx.aiなどの主要なクラウド・サービスを通じてモデルに幅広くアクセスできるため、企業はこれらの強力なツールをワークフローにシームレスに統合できる。
Nvidiaとのコラボレーションは、Mistral Nemoの統合機能をさらに強化し、現在Mistral 7Bを使用しているシステムをアップグレードするための強固な選択肢となります。
結論として、Mistral AI の最新製品は、AI の展望に大きな飛躍をもたらし、次世代の AI 開発に不可欠なツールとして位置づけられます。

急速に進化する人工知能の状況において、メタ社のLlama 3.1のリリースは重要なマイルストーンであり、技術力だけでなくオープンソースAIの戦略的ビジョンも示している。
Llama3.1は、4,050億パラメータという前例のない規模を持ち、メタ社がこれまでに開発した中で最も先進的なAIモデルとして際立っている。
このイニシアチブは、最先端のAI技術へのアクセスを民主化することを目的としており、開発者のための協力的な環境を育成することで、既存のプロプライエタリー・ソリューションに挑戦している。
このブログでは、技術仕様、オープンソースAIの利点、戦略的パートナーシップ、そしてこの画期的なモデルを取り巻く倫理的配慮について掘り下げていく。

メタ社は最近、これまでで最も先進的なオープンソースAIモデルであるLlama 3.1を発表した。
このモデルは、4,050億個という驚異的なパラメータ数で際立っており、オープンソースのAIモデルとしては最大規模となっている。
Llama 3.1のリリースは、OpenAIのGPT-4やAnthropicのClaude 3.5 Sonnetのようなプロプライエタリなモデルに対する強力な競争相手として位置づけられるため、AIモデル業界において極めて重要な瞬間となる。
Llama 3.1の重要性は、その規模の大きさだけにとどまらない。
Llama 3.1は、様々なベンチマークにおいて優れた性能を発揮するように設計されており、自然言語の理解と生成において強化された能力を示している。
これにより、Llama 3.1は技術的な強豪としてだけでなく、AIモデル分野における革新と進歩の触媒としても位置づけられている。

Llama 3.1の中核をなすのは、4050億ものパラメータを誇る比類なきスケールです。
この巨大な規模は、自然言語を理解し生成する能力の向上につながり、AIモデルのパフォーマンスにおける新たなベンチマークを設定します。
Llama 3.1の学習プロセスでは、16,000以上のNvidia H100 GPUが活用され、モデルの堅牢な計算基盤が強調されています。
この広範なトレーニング・インフラにより、Llama 3.1は多くの先行モデルよりも複雑なタスクをより効率的に処理することができます。 さらに、Llama 3.1は汎用性にも優れている。
その機能には「イマジン・ミー」があり、ユーザーは携帯電話のカメラを使って自分の似顔絵を作ることができる。
さらに、フランス語、ドイツ語、ヒンディー語、イタリア語、スペイン語といった多言語をサポートすることで、多様な言語層にアピールし、応用の幅を広げている。
検索エンジンのAPIと統合できる機能は、その機能的汎用性をさらに高め、さまざまな分野での貴重なリソースとなっている。

メタ社のLlama 3.1の背後にあるビジョンは、先進的な機械学習ツールへのアクセスを民主化する強固なオープンソースAIモデル・エコシステムを構築することである。
このイニシアチブは、オペレーティングシステムの領域でLinuxの変革的成功を再現するというマーク・ザッカーバーグCEOの野心と密接に一致している。
開発者にモデルを自由に変更して使用する能力を提供することで、Metaは、イノベーションと急速な技術進歩を促す協調的な環境を育成することを目指している。
オープンソースのAIモデルの利点は、開発者にとって特に説得力がある。
開発者は、プロプライエタリなソリューションに伴う障壁なしに、高度に洗練されたモデルへの前例のないアクセスを得ることができる。
これにより、特定のニーズに合わせてモデルをカスタマイズし、強化することが可能になり、革新的なアプリケーションやソリューションの創造が促進される。
しかし、大規模な商業利用には特に適用されるライセンス制限がある。
これらの制限は、オープンソースの理念と必要な保護措置のバランスを取りながら、倫理的な展開を保証し、悪用を防ぐために設計されている。
全体として、Llama 3.1は、包括的かつ協調的なAIモデルの未来に向けた極めて重要な一歩を表している。

その巨大な規模にもかかわらず、Llama 3.1は、OpenAIのGPT-4などの競合と比較して、よりコスト効率よく設計されている。
メタ社は、最適化されたトレーニングプロセスと16,000以上のNvidia H100 GPUの戦略的配置により、Llama 3.1の運用コストはおよそ半分になると主張している。
このコスト効率は、企業や開発者にとって特に有益であり、高性能AIをより身近で経済的なものにする。
長期的には、Llama 3.1のランニングコストの削減は、大幅な節約につながり、様々な業界への幅広い導入を促進する可能性がある。
経済的な障壁を下げることで、Metaはイノベーションを促進し、開発者がそのようなモデルに通常伴う法外に高い費用をかけずに高度なAIモデルを利用できるようにすることを目指しています。

Llama 3.1がオープンソースAI領域における新しい標準を設定するように、それは私たちが人工知能を理解し、対話する方法を再構築するというMetaの野心を凝縮している。
アクセシビリティとコミュニティとのコラボレーションを優先することで、Metaは現状に挑戦するだけでなく、開発者がプロプライエタリなモデルの制約から解放されてイノベーションを起こすことを奨励している。
しかし、大いなる力には大いなる責任が伴う。倫理的な安全策をめぐる現在進行中の議論は、イノベーションと安全な展開の間の微妙なバランスを浮き彫りにしている。
Llama 3.1の旅がAIの未来に影響を与えることは間違いなく、このようなモデルの能力だけでなく、社会的な意味合いも考慮するよう私たちに促している。
スマートなAIアシスタント、Cody AIでビジネスの可能性を最大限に引き出しましょう。
AnthropicのClaude 3.5やOpenAIのGPT-4oのような業界をリードする最新の言語モデルを搭載したCodyは、チームの生産性と効率を高めるように設計されています。
質問への回答、クリエイティブなブレーンストーミング、トラブルシューティング、データ検索など、どのようなサポートが必要な場合でも、Codyがお手伝いします。今すぐCody AIを発見し、ビジネスオペレーションを次のレベルに引き上げましょう！

クロード3.5ソネットLLMのパフォーマンスは？

Claude 3.5 Sonnetは、視覚的推論タスクにおいて優れた性能を発揮し、他の大規模言語モデル（LLM）とは一線を画している。 この高度な機能により、モデルは視覚データを驚くほど正確に解釈し、分析することができる。 複雑なチャート、グラフ、その他の視覚的表現の解読にかかわらず、Claude 3.5 Sonnetは意思決定プロセスを推進する意味のある洞察の抽出に優れています。 この熟練度は、トレンド、パターン、異常を理解するために視覚情報が重要なシナリオで特に有益である。 チャートやグラフを正確に解釈するこのモデルの能力は、データの視覚化に大きく依存する業界にとって画期的なものだ。 例えば、金融セクターでは、アナリストはクロード3.5ソネットを活用して、市場動向や財務報告を迅速かつ正確に解釈することができます。 同様に、ロジスティクスにおいても、このモデルは、視覚的な形式で提示された複雑なロジスティクス・データを分析・解釈することで、サプライチェーン・オペレーションを最適化するのに役立つ。

クロード3.5 Sonnet LLMは、データ管理に革命を起こすべく、アーティファクトと呼ばれる画期的な機能を導入。 アーティファクトは、ユーザーがデータをより効率的に保存、管理、検索できるようにし、チームや組織内でのコラボレーションを強化し、知識を一元化する環境を促進する。 この機能は、データの完全性とアクセシビリティが最優先される大規模プロジェクトに特に有益である。 Artifactsを活用することで、チームは重要な情報が一貫して利用可能で、簡単にアクセスできるようになり、ワークフローにおけるクロードのスムーズな統合が促進されます。

Claude 3.5 Sonnet LLMは、ASL-2標準に準拠し、セキュリティとプライバシーに重点を置いて設計されています。 このコンプライアンスにより、このモデルはユーザーデータを保護するための厳格なガイドラインを満たしていることが保証され、金融、医療、政府部門など、データセキュリティが最重要視される業界にとって信頼できる選択肢となっている。 これらの基準を遵守することは、機密情報を保護するだけでなく、高いセキュリティ・プロトコルを維持するというコミットメントを示すことによって、ユーザーや利害関係者の信頼を築くことにもなる。 サイバー脅威がますます巧妙化する中、このような厳格なコンプライアンスの重要性はいくら強調してもしすぎることはない。 今後、Anthropicは、HaikuとOpusを含む新しいモデルでクロード3.5ファミリーを拡大する野心的な計画を持っています。 これらの次期モデルは、特にメモリー容量と新しいモダリティの統合において、大幅な機能強化をもたらすと期待されている。 メモリが強化されたことで、これらのモデルはより多くの情報を処理・保持できるようになり、複雑なタスクや複数ステップのワークフローを処理する能力が向上する。 これは、広範なデータ分析や長期的な文脈理解を必要とするアプリケーションに特に有益である。

大規模言語モデル（LLM）とジェネレーティブAIのトレンドの台頭により、ジェネレーティブAIソリューションをビジネスに統合することで、ワークフローの効率を大幅に向上させることができます。 初めてジェネレーティブAIに触れる人は、専門用語の多さに戸惑うかもしれない。 このブログでは、ジェネレーティブAIの基本的な用語について説明し、RAG-as-a-Serviceを使用してビジネスのためのカスタムAIソリューションを開始する方法について説明します。

検索拡張世代（RAG）とは？

Retrieval Augmented Generation（RAG）は、LLMや生成AIをビジネス・ワークフローに導入する際の重要なコンセプトである。 RAGは、事前にトレーニングされたTransformerモデルを活用し、特定の知識ベースから関連するデータをクエリプロセスに注入することで、ビジネス関連のクエリに回答します。 LLMが訓練を受けていない可能性のあるこのデータは、正確で適切な回答を生成するために使用される。

RAGは費用対効果が高く効率的であるため、ジェネレーティブAIをより身近なものにする。 RAGに関連する重要な用語をいくつか探ってみよう。

RAGの主要用語

チャンキング

LLMはリソースを必要とし、「コンテキスト・ウィンドウ」と呼ばれる管理可能なデータ長で学習される。コンテキスト・ウィンドウは使用するLLMによって異なる。 その限界に対処するため、文書やテキスト文献として提供されるビジネスデータは、より小さな塊にセグメント化される。 これらのチャンクは、クエリー検索プロセスで利用される。

チャンクは非構造化であり、クエリは知識ベースデータと構文的に異なる可能性があるため、チャンクはセマンティック検索を使って検索される。

ベクター・データベース

Pinecone、Chromadb、FAISSのようなベクターデータベースは、ビジネスデータの埋め込みを保存する。 エンベッディングは、テキストデータをその意味に基づいて数値化し、意味的に類似したデータが近接する高次元ベクトル空間に格納される。

ユーザーによるクエリが行われると、そのクエリの埋め込みがベクトル・データベース内の意味的に類似したチャンクを見つけるために使われる。

RAGアズ・ア・サービス

技術的な専門知識がない場合、RAGをビジネスに導入するのは大変なことです。 そこでRAG-as-a-Service（RaaS）が登場する。

私たちmeetcody.aiは、お客様のビジネスニーズに合わせたプラグアンドプレイのソリューションを提供します。 アカウントを作成するだけで、無料でご利用いただけます。 チャンキング、ベクター・データベース、そしてRAGの全プロセスを私たちが行いますので、ご安心ください。

よくあるご質問

1.RAG-as-a-Service（RaaS）とは何ですか？

RAG-as-a-Service(RaaS)は、お客様のビジネスのための検索拡張世代プロセス全体を処理する包括的なソリューションです。 これには、データのチャンキング、埋め込みデータのベクトルデータベースへの格納、クエリに関連するデータを検索するためのセマンティック検索の管理などが含まれる。

2.チャンキングはRAGプロセスにどのように役立ちますか？

チャンキングは、大きなビジネス文書を、LLMのコンテキスト・ウィンドウに収まるように、管理しやすい小さな断片に分割します。 このセグメンテーションにより、LLMはセマンティック検索を使って関連情報をより効率的に処理し、取り出すことができる。

3.ベクター・データベースとは何か？

ベクターデータベースは、ビジネスデータの数値表現（埋め込み）を保存します。 これらの埋め込みは、クエリが行われたときに、意味的に類似したデータを効率的に検索することを可能にし、LLMからの正確で適切な応答を保証する。

RAG-as-a-Serviceのパワーを活用することで、RAGを簡単かつ効率的にお客様のビジネスに統合することができます。 今すぐmeetcody.aiを使い始め、高度なジェネレーティブAIソリューションでワークフローを変革しましょう。

Anthropicのツールを使い始める

LLMを業務に採用する最大のメリットは、その汎用性にある。 LLMは、テキスト生成のためのAPIとして機能したり、非構造化データを整理されたフォーマットに変換したりと、無数の目的を果たすために特定の方法でプロンプトを出すことができる。 電子メールを作成したり、AIとおちゃらけた討論をしたりと、私たちの多くは日常業務でChatGPTを利用している。

GPT」とも呼ばれるプラグインのアーキテクチャは、レスポンスやクエリからキーワードを特定し、関連する機能を実行することを中心に展開される。 これらのプラグインは、外部アプリケーションとのインタラクションやカスタム機能のトリガーを可能にする。

OpenAIがタスク実行のための外部関数呼び出しを可能にする方法を先導したのに対し、Anthropicは最近、以前の関数呼び出しメカニズムに代わって「ツール使用」と呼ばれる拡張機能を導入した。 この更新版では、XMLタグの代わりにJSONを利用することで、開発を簡素化している。 さらに、Claude-3 OpusはGPTモデルよりも大きな20万トークンのコンテクスト・ウィンドウを持ち、特定のシナリオで特に価値を発揮する。

このブログでは、「ツール使用」のコンセプトを探求し、その特徴について説明し、始めるためのガイダンスを提供します。

道具の使用」とは何か？

クロードは、外部のクライアントサイドのツールや関数と相互作用する機能を備えており、クロードに独自のカスタムツールを装備して、より幅広い作業を行うことができます。

クロードでツールを使うワークフローは以下の通り：

1. クロードにツールとユーザープロンプトを提供する（APIリクエスト）
   • クロードが選択できるように、一連のツールを定義する。
   • テキスト生成プロンプトに、ユーザークエリとともにそれらを含める。
2. クロードが道具を選ぶ
   • クロードは、ユーザーのプロンプトを分析し、利用可能なすべてのツールと比較して、最も適切なものを選択します。
   • LLMの「思考」プロセスを活用し、関連ツールに必要なキーワードを特定する。
3. レスポンス生成（APIレスポンス）
   • プロセスが完了すると、選択されたツールおよびパラメータとともに、思考プロンプトが出力として生成される。

このプロセスに続いて、選択した関数／ツールを実行し、必要であればその出力を利用して別の応答を生成する。

ツールの一般的なスキーマ

このスキーマは、関数呼び出しプロセスの要件をLLMに伝える手段として機能する。 直接関数を呼び出したり、自らアクションを起こしたりすることはない。 道具の正確な識別を確実にするため、各道具の詳細な説明を提供しなければならない。 Properties スキーマ内のパラメータは、後の段階で関数に渡されるパラメータを特定するために利用される。

デモンストレーション

ウェブをスクレイピングして、あらゆる銘柄の価格を見つけるツールを作ってみよう。

ツール・スキーマ

scrape_website ツールでは、ユーザー・プロンプトからウェブサイトのURLを取得する。 stock_price ツールに関しては、ユーザー・プロンプトから会社名を特定し、yfinanceのティッカーに変換する。

ユーザープロンプト

ボットに2つのクエリ（各ツールに1つずつ）を尋ねると、次のような出力が得られる：

この思考プロセスには、LLMが各クエリに適したツールを正確に選択し、ツールの説明にあるように必要な変換を実行するためのすべてのステップが記載されている。

関連ツールの選択

条件に基づいて関連関数をトリガーするコードを追加で書かなければならない。

この関数は、LLMレスポンスで取得されたツール名に基づいて適切なコードをアクティブにする役割を果たす。 最初の条件では、Tool入力から取得したウェブサイトのURLをスクレイピングし、2番目の条件では、株式ティッカーを取得し、yfinance pythonライブラリに渡します。

関数の実行

select_tool() 関数にToolUseBlock 全体を渡して、関連するコードをトリガーする。

出力

1. 最初のプロンプト
2. 第2プロンプト

このデモのソースコード全体をご覧になりたい場合は、このノートブックをご覧ください。

使用例

クロードの「ツール使用」機能は、LLMの多用途性をまったく新しいレベルに引き上げている。 提供された例は基本的なものであるが、これは機能を拡張するための基礎となるものである。 その実際の応用例をひとつ紹介しよう：

昨日、@AnthropicAIはツール使用のベータ版を開始した！

実際に問題を解決できるカスタマーサービスボットです！

みんながどんなものを作るのか楽しみだ！https://t.co/Xmi7pnwouS pic.twitter.com/T5bE4peexR

– エリック・シュランツ (@ErikSchluntz)2024年4月5日

より多くの使用例を見つけるには、Anthropicの公式リポジトリをご覧ください。
をご覧ください。
.

Hugging Faceは、NLP、コンピュータ・ビジョン、そしてそれ以上のための広範なツールとモデルのスイートを誇り、機械学習コミュニティですぐに利用されるプラットフォームとなった。 最も人気のあるサービスのひとつは、開発者が機械学習アプリケーションやデモを共有できる共同プラットフォーム「Hugging Face Spaces」だ。 これらの「スペース」では、ユーザーがモデルと直接対話することができ、最先端のAI技術を実際に体験することができる。

この記事では、2024年にチェックすべき注目のハギング・フェイス・スペースを5つ紹介する。 これらのスペースはそれぞれ、今日のAIモデルの巨大なパワーを活用するユニークなツールやジェネレーターを提供している。 詳細を掘り下げてみよう。

エピックリアリズムXL

Epicrealismxlは、stablediffusion epicrealism-xlモデルを使用した最先端のテキストから画像へのジェネレーターです。 このスペースでは、息継ぎ画像を生成するためのプロンプト、ネガティブプロンプト、サンプリングステップをアプリケーションに提供することができます。 インスピレーションを求めるアーティストにも、ビジュアルを求めるマーケティング担当者にも、epicrealismxlは、壮大であると同時にリアルな高品質の画像生成を提供します。

ポッドキャスティファイ

Podcastifyは、記事をリスニング可能なオーディオポッドキャストに変換することで、あなたが書かれたコンテンツを消費する方法に革命を起こします。 変換したい記事のURLをテキストボックスに貼り付け、「Podcastify」をクリックするだけ！ 生成されたばかりのポッドキャストは、会話タブで聴いたり見たりすることができます。 このツールは、聴覚学習を好むマルチタスクの人や、外出中の人に最適です。

ダレ-3-xl-lora-v2

dalle-3-xl-lora-v2もまた、悪名高いDALL-E 3モデルを利用したテキストから画像へのジェネレーターである。 epicrealismxlと似た機能を持つこのツールは、テキストプロンプトから画像を生成することができます。 DALL-E 3はその多様性と創造性で知られており、様々な用途で複雑でユニークなビジュアルを生成するのに最適な選択肢です。

AIウェブスクレーパー

AI Scraperは、コーディングスキルを必要とせずに、高度なウェブスクレイピング機能をあなたの指先にもたらします。 このコード不要のツールは、Hugging Face Hubにホストされている高度なAIモデルを使用して、ウェブコンテンツを簡単にスクレイピングして要約することができます。 ご希望のプロンプトとソースURLを入力すると、JSON形式で有用な情報の抽出が開始されます。 このツールは、ジャーナリスト、研究者、コンテンツ制作者にとって不可欠なものだ。

AI QRコードジェネレーター

AI QRコードジェネレーターは、あなたのQRコードを全く新しい芸術的レベルに引き上げます。 QRコード画像を初期画像とコントロール画像の両方に使用することで、このツールは提供されたプロンプトに自然に溶け込むQRコードを生成することができます。 ストレングス＆コンディショニングスケールのパラメーターを調整し、機能的で美しいQRコードを作成します。

結論

ハギング・フェイス・スペースは、機械学習とAIの急速な進歩を証明するものだ。 あなたがアーティストであれ、コンテンツクリエイターであれ、マーケターであれ、あるいは単なるAI愛好家であれ、これらのトップ5のスペースは、あなたのワークフローを強化し、創造性に火をつけることができる様々なツールやジェネレーターを提供している。 2024年に時代を先取りするために、これらのスペースをぜひ探索してほしい。 2024年のオープンソースLLMトップ5について知りたい方は、こちらのブログをお読みください。