📣📣📣达摩院－视觉智能开发平台子社区建立新版块——AI热点日报～
我们汇总了世界各地最具影响力的AI项目、研究成果和创新应用的信息，为读者带来前沿的科技资讯。无论你是科技爱好者、人工智能从业者或者只是对未来科技趋势感兴趣的读者，我们都致力于满足你的需求。通过简明易懂的报道和深入的分析，本系列文章将带你领略未来的畅想，了解人工智能正在如何改变我们的生活和社会。
不容错过的每一期，让我们与科技同行，共同探索AI的无限可能。
🌈热点内容直通车
1. 宾大沃顿教授发布“大模型挑选指南”
宾夕法尼亚大学沃顿商学院教授Ethan Mollick在7月15日分享了一篇大模型挑选指南。这份指南旨在帮助如何选择正确的大模型工具来做事，总结了大型语言模型的现状，并在不同的任务中附上了不同大模型的表现对比，教读者在六个使用场景（写作、制图、提出想法、做视频、处理文件和数据、获取信息&学习知识）下挑选大模型。
https://www.qbitai.com/2023/07/69931.html
2. OpenAI宣布ChatGPT安卓版推出
北京时间7月22日凌晨，OpenAI在推特宣布，下周将发布ChatGPT安卓APP，即日起可以在谷歌商店预约下载，推文链接到谷歌Play商店的预订页面，用户可以在那里注册和安装。
OpenAI宣布ChatGPT安卓版推出_Android_版本_用户 (sohu.com)
3. 淘宝上线AI创作助手，可以一键生成内容
近日，淘宝APP上线了AI创作小助手功能，支持用户通过AI创作不同风格的自画像，并且可以用作淘宝账号头像。
目前，淘宝的AI创作小助手提供了AI经典、动漫风、3D卡通、Q宝和水彩风五种风格，用户只需要拍摄或上传人物头像，并选择自己想要的风格，就能够创作出一款AI自画像。
https://www.sohu.com/a/705976947_465282
4. 黑客开发出协助网络犯罪的AI聊天机器人
安全分析公司SlashNext表示，有黑客日前开发出了一款名为WormGPT的AI工具，黑客声称“该AI工具没有任何限制，专为协助网络犯罪分子而设计，可以自由生成一系列恶意代码，或创建网络钓鱼攻击”。
WormGPT最早在今年3月首次出现，并在6月推出了正式版本。其创建使用了2021年推出的一种名为GPT-J开源大型语言模型。该模型经过对恶意软件创建相关数据的训练，最终形成了WormGPT。黑客以每月60欧元或每年550欧元的价格销售该AI工具的使用权限，在售卖页写道：“该AI工具旨在提供ChatGPT的替代方案，便于用户执行各种与黑帽相关的活动，让任何人都可以在家中舒适地进行恶意活动。”（风控技术大佬Comment：WormGPT相当于黑灰产经验可以传承）
5. 谷歌Bard将引入Google Maps等插件
谷歌可能将为旗下聊天机器人Bard添加多款插件服务，首批扩展插件包括：Google Flights、Google Hotels、Google Maps、Instacart、Kayak、OpenTable、Redfin、YouTube、Zillow。
https://www.chinaz.com/2023/0718/1544331.shtml
📖新鲜论文早知道
1. 【论文】Meta推出了一个基于Transformer的多模态模型——CM3leon，在文生图和图像理解领域都取得了绝对的突破
论文内容：CM3leon的推出，正式标志着自回归模型首次在关键基准上，与领先的生成扩散模型的性能相媲美。（基于tokenizer的自回归模型不仅比基于扩散模型的方法更有效，在文生图领域实现了SOTA，而且训练的计算量还比此前基于Transformer的方法少了五倍！）
2. 【论文】Stanford AI Lab博士 Tri Dao发布了Flash Attention，让注意力快了2到4倍，可广泛应用于大多数LLM库
论文内容：Flash Attention是一种对注意力计算进行重新排序的算法，利用平铺、重新计算来显著加快计算速度，并将序列长度的内存使用量从二次减少到线性。研究人员将输入块从HBM（GPU内存）加载到SRAM（快速缓存），并对该模块执行注意，更新HBM中的输出。由于没有将大型中间注意力矩阵写入HBM，内存的读/写量也跟着减少，进而带来了2-4倍的执行时间加速。
论文地址：flash2.pdf (tridao.me)
3. 【论文】微软清华提出RetNet，同时实现低成本推理、高效长序列建模、高性能（性能媲美Transformer），打破了“不可能三角”
论文内容：
微软研究院、清华大学的研究人员7月17日发表一篇论文，提出retentive网络（RetNet）。RetNet同时实现低成本推理、高效长序列建模、媲美Transformer的性能和并行模型训练，打破了“不可能三角”。
对于7B模型和8k序列长度，RetNet的解码速度是带键值缓存的Transformers的8.4倍，内存节省70%。在训练过程中，RetNet也能够比标准Transformer节省25-50%的内存，实现7倍的加速，并在高度优化的Flash Attention方面具有优势。RetNet的推理延迟对批大小不敏感，从而实现了巨大的吞吐量。
有人将其比作“M1芯片”登场时的变革意义。
也有研究者提出疑问：这么优秀的表现是否意味着RetNet要在某些方面有所权衡，以及它能否扩展到视觉领域。
论文地址：
https://arxiv.org/pdf/2307.08621.pdf
关注子社区，每周热点抢先看~
更多精彩内容欢迎点击下方链接，了解更多viapi相关信息。
