Architektur
Multimodal
Modell, das mehrere Datentypen wie Text und Bilder verarbeiten und erzeugen kann.
Ein multimodales Modell bleibt nicht bei Text: Es versteht auch Bilder, Audio oder Video. Damit lassen sich Screenshots lesen, gescannte Dokumente auswerten oder Diagramme deuten. Preislich wichtig: Bilder zählen ebenfalls als Tokens, und ein hochauflösendes Bild kann Tausende davon ausmachen.
Verwandte Begriffe
LLM (Großes Sprachmodell)
Neuronales Netz, das auf riesigen Textmengen trainiert wurde, um natürliche Sprache zu erzeugen.
Token
Die Grundeinheit des Textes, die Sprachmodelle verarbeiten und nach der abgerechnet wird.
Basismodell (Foundation Model)
Großes vortrainiertes Modell, das als Grundlage für viele Anwendungen dient.
Inferenz
Das Ausführen eines trainierten Modells, um aus neuen Eingaben Ausgaben zu erzeugen.