Arxiv 上所有論文轉成 Token，加起來不過 14.1GB 而已。

這是最新爆火開源計劃亞歷山大完成的壯舉。

事實上，這還只是第一步。

他們最終是想要將整個互聯網變成 Tokens，換言之全都轉化成 ChatGPT 等大模型理解這個世界的方式。

一旦這樣的數據集誕生，那豈不是為開發出 GPT-4 這樣的大模型又新增一大利器，上知天文下知地理指日可待了？！

消息一出，瞬間引發巨大關注。

網友們贊嘆，史詩般的。

而這背后僅是四個平均年齡 20 歲的少年發起，目前 Arxiv 所有論文數據集已經發布，他們將于下周發布嵌入（Embedding）搜索平臺。

從 Arxiv 上所有論文開始

超過 400 萬個項目、6 億個 token，30.7 億個向量維度。

這個名為亞歷山大的開源計劃，首先從 Arxiv 每篇論文上開始。

選擇的方式是嵌入，簡單來說，就是將現實世界的各種對象具象成計算機所能理解的向量。

最經典的例子就是將原始圖像表示為灰度像素。

這種技術最大的特點就是能夠表示出人類感知到的語義相似性。

比如，當有 10 個詞表示同一事物時，很難通過關鍵詞查找論文。但嵌入就可以完成，因此很適用于搜索、聚類、推薦和分類。

基于實用性和效率的考慮，開發團隊只選擇嵌入了論文的標題和摘要。

在測試各種模型之后，最終選擇使用 InstructorXL 文本嵌入模型，通過簡單地提供任務指令，而無需任何微調，適合于多種任務（比如分類、檢索、聚類、文本評估等）和領域（比如科學、金融、醫學等）》

下周他們將發布 Arxiv 搜索。目前為止的流程是，首先對 100 篇最接近的文章進行相似性搜索，然后即時計算這些內容的嵌入，并進行第二次更復雜的搜索。

最終目標是一整個互聯網嵌入計劃。

20 歲少年的瘋狂開源計劃

之所以要開展這樣一次瘋狂的開源計劃，主要有兩方面的原因。

一方面是嵌入巨大的價值。世界上很多問題只是搜索、 聚類、推薦或分類，而這些事情嵌入都非常擅長。而且也如前所述，可以解決一些復雜的難題。

另一方面成本是一次性的且很便宜。大多數情況下無需對同個文件進行二次計算。目前每 1 億個 Token 只需 1 美元。

但他們并沒有找到任何開放的嵌入數據集，因此這樣的組織應運而生。

接下來他們還將開放更多的數據集，而這些均由這些用戶自行選擇。在官網上除了已公開的數據集，剩下的幾個待開源項目開啟了投票通道。

值得一提的是，背后是一群平均年齡僅為 20 歲的少年 team 完成的。

而他們的團隊名字同樣也很霸氣，Macrocosm（宏觀世界）聯盟。

只要你放大到足夠遠，人類就會成為一個單一的生物。

就官方介紹，他們致力于為 ChatGPT 和其他類似產品構建插件，同時也在開發核心產品，基于大模型的個人研究助理，幫助學習、教學和科研。

感興趣的旁友可戳下方鏈接了解~

https://alex.macrocosm.so/download

參考鏈接：

• [1]https://www.macrocosm.so/

• [2]https://twitter.com/willdepue/status/1661781355452325889

• [3]https://github.com/macrocosmcorp

• [4]https://www.pinecone.io/learn/vector-embeddings/

本文來自微信公眾號：量子位 （ID：QbitAI），作者：白交

總結

以上是生活随笔為你收集整理的四个 00 后的疯狂开源计划：整个互联网转成大模型语料，1 亿 token 嵌入成本只需 1 美元的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。