ਅਸੀਂ ਨਵੇਂ ਮਾਡਲ ਜਾਰੀ ਕਰ ਰਹੇ ਹਾਂ, GPT‑3.5 Turbo ਲਈ ਕੀਮਤਾਂ ਘਟਾ ਰਹੇ ਹਾਂ, ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਲਈ API keys ਨੂੰ ਸੰਭਾਲਣ ਅਤੇ API ਵਰਤੋਂ ਨੂੰ ਸਮਝਣ ਦੇ ਨਵੇਂ ਤਰੀਕੇ ਲਿਆ ਰਹੇ ਹਾਂ. ਨਵੇਂ ਮਾਡਲਾਂ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹਨ:
- ਦੋ ਨਵੇਂ embedding ਮਾਡਲ
- ਇੱਕ ਅਪਡੇਟ ਕੀਤਾ GPT‑4 Turbo preview ਮਾਡਲ
- ਇੱਕ ਅਪਡੇਟ ਕੀਤਾ GPT‑3.5 Turbo ਮਾਡਲ
- ਇੱਕ ਅਪਡੇਟ ਕੀਤਾ text moderation ਮਾਡਲ
ਮੂਲ ਰੂਪ ਵਿੱਚ, OpenAI API ਨੂੰ ਭੇਜਿਆ ਗਿਆ ਡਾਟਾ OpenAI ਮਾਡਲਾਂ ਨੂੰ train ਜਾਂ improve ਕਰਨ ਲਈ ਵਰਤਿਆ ਨਹੀਂ ਜਾਵੇਗਾ.
ਅਸੀਂ ਦੋ ਨਵੇਂ embedding ਮਾਡਲ ਲਿਆ ਰਹੇ ਹਾਂ: ਇੱਕ ਛੋਟਾ ਅਤੇ ਬਹੁਤ ਕੁਸ਼ਲ text-embedding-3-small ਮਾਡਲ, ਅਤੇ ਇੱਕ ਵੱਡਾ ਅਤੇ ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ text-embedding-3-large ਮਾਡਲ.
ਇੱਕ embedding ਅੰਕਾਂ ਦੀ ਇੱਕ ਲੜੀ ਹੁੰਦੀ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਜਾਂ code ਵਰਗੀ ਸਮੱਗਰੀ ਦੇ ਅੰਦਰਲੇ ਸੰਕਲਪਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ. Embeddings ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਅਤੇ ਹੋਰ algorithms ਲਈ ਸਮੱਗਰੀਆਂ ਵਿਚਲੇ ਸੰਬੰਧਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ clustering ਜਾਂ retrieval ਵਰਗੇ ਕੰਮ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦੇ ਹਨ. ਇਹ ChatGPT ਅਤੇ Assistants API ਦੋਵਾਂ ਵਿੱਚ knowledge retrieval ਵਰਗੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ, ਅਤੇ ਕਈ retrieval augmented generation (RAG) ਡਿਵੈਲਪਰ ਟੂਲਾਂ ਨੂੰ ਸਮਰਥਨ ਦਿੰਦੇ ਹਨ.
text-embedding-3-small ਸਾਡਾ ਨਵਾਂ ਬਹੁਤ ਕੁਸ਼ਲ embedding ਮਾਡਲ ਹੈ ਅਤੇ ਇਹ ਆਪਣੇ ਪੂਰਵਰਤੀ, December 2022 ਵਿੱਚ ਜਾਰੀ ਕੀਤੇ text-embedding-ada-002 ਮਾਡਲ ਨਾਲੋਂ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ.
ਵੱਧ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ. text-embedding-ada-002 ਦੀ text-embedding-3-small ਨਾਲ ਤੁਲਨਾ ਕਰਨ 'ਤੇ, ਬਹੁਭਾਸ਼ੀ retrieval ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ benchmark (MIRACL(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ)) ਉੱਤੇ ਔਸਤ ਸਕੋਰ 31.4% ਤੋਂ ਵੱਧ ਕੇ 44.0% ਹੋ ਗਿਆ ਹੈ, ਜਦਕਿ ਅੰਗ੍ਰੇਜ਼ੀ ਕੰਮਾਂ ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ benchmark (MTEB(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ)) ਉੱਤੇ ਔਸਤ ਸਕੋਰ 61.0% ਤੋਂ ਵੱਧ ਕੇ 62.3% ਹੋ ਗਿਆ ਹੈ.
ਘੱਟ ਕੀਮਤ. text-embedding-3-small ਸਾਡੇ ਪਿਛਲੀ ਪੀੜ੍ਹੀ ਦੇ text-embedding-ada-002 ਮਾਡਲ ਨਾਲੋਂ ਕਾਫ਼ੀ ਵੱਧ ਕੁਸ਼ਲ ਵੀ ਹੈ. ਇਸ ਲਈ text-embedding-3-small ਦੀ ਕੀਮਤ text-embedding-ada-002 ਨਾਲ ਤੁਲਨਾ ਵਿੱਚ 5X ਘਟਾਈ ਗਈ ਹੈ, 1k ਟੋਕਨ ਪ੍ਰਤੀ $0.0001 ਤੋਂ ਘਟਾ ਕੇ $0.00002 ਕੀਤੀ ਗਈ ਹੈ.
ਅਸੀਂ text-embedding-ada-002 ਨੂੰ deprecate ਨਹੀਂ ਕਰ ਰਹੇ, ਇਸ ਲਈ ਹਾਲਾਂਕਿ ਅਸੀਂ ਨਵੇਂ ਮਾਡਲ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ, ਗਾਹਕ ਪਿਛਲੀ ਪੀੜ੍ਹੀ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰੱਖ ਸਕਦੇ ਹਨ.
ਇੱਕ ਨਵਾਂ ਵੱਡਾ ਟੈਕਸਟ embedding ਮਾਡਲ: text-embedding-3-large
text-embedding-3-large ਸਾਡਾ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦਾ ਨਵਾਂ ਵੱਡਾ embedding ਮਾਡਲ ਹੈ ਅਤੇ ਇਹ 3072 dimensions ਤੱਕ embeddings ਬਣਾਉਂਦਾ ਹੈ.
ਵੱਧ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ. text-embedding-3-large ਸਾਡਾ ਨਵਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲਾ ਮਾਡਲ ਹੈ. text-embedding-ada-002 ਦੀ text-embedding-3-large ਨਾਲ ਤੁਲਨਾ ਕਰਨ 'ਤੇ: MIRACL ਉੱਤੇ ਔਸਤ ਸਕੋਰ 31.4% ਤੋਂ ਵੱਧ ਕੇ 54.9% ਹੋ ਗਿਆ ਹੈ, ਜਦਕਿ MTEB ਉੱਤੇ ਔਸਤ ਸਕੋਰ 61.0% ਤੋਂ ਵੱਧ ਕੇ 64.6% ਹੋ ਗਿਆ ਹੈ.
ਮੁਲਾਂਕਣ ਬੈਂਚਮਾਰਕ | ada v2 | text-embedding-3-small | text-embedding-3-large |
MIRACL ਔਸਤ | 31.4 | 44.0 | 54.9 |
MTEB ਔਸਤ | 61.0 | 62.3 | 64.6 |
text-embedding-3-large ਦੀ ਕੀਮਤ $0.00013 / 1k ਟੋਕਨ ਹੋਵੇਗੀ.
ਤੁਸੀਂ ਸਾਡੇ Embeddings guide(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਵਿੱਚ ਨਵੇਂ embedding ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਹੋਰ ਜਾਣ ਸਕਦੇ ਹੋ.
ਵੱਡੇ embeddings ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਉਦਾਹਰਨ ਲਈ retrieval ਲਈ ਉਹਨਾਂ ਨੂੰ vector store ਵਿੱਚ ਸੰਭਾਲਣਾ, ਆਮ ਤੌਰ 'ਤੇ ਛੋਟੇ embeddings ਦੀ ਵਰਤੋਂ ਨਾਲੋਂ ਵੱਧ ਖਰਚਾ ਕਰਦਾ ਹੈ ਅਤੇ ਵੱਧ compute, memory ਅਤੇ storage ਦੀ ਖਪਤ ਕਰਦਾ ਹੈ.
ਸਾਡੇ ਦੋਵੇਂ ਨਵੇਂ embedding ਮਾਡਲ ਇੱਕ ਤਕਨੀਕA ਨਾਲ train ਕੀਤੇ ਗਏ ਸਨ ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ embeddings ਦੀ ਵਰਤੋਂ ਵਿੱਚ performance ਅਤੇ cost ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ. ਖਾਸ ਤੌਰ 'ਤੇ, ਡਿਵੈਲਪਰ dimensions API parameter ਦੇ ਕੇ embeddings ਨੂੰ ਛੋਟਾ ਕਰ ਸਕਦੇ ਹਨ, ਅਰਥਾਤ ਲੜੀ ਦੇ ਅੰਤ ਤੋਂ ਕੁਝ ਅੰਕ ਹਟਾ ਸਕਦੇ ਹਨ, ਬਿਨਾਂ ਇਸਦੇ ਕਿ embedding ਆਪਣੀਆਂ ਸੰਕਲਪ-ਪ੍ਰਤੀਨਿਧੀ ਗੁਣਵੱਤਾਵਾਂ ਗੁਆ ਬੈਠੇ. ਉਦਾਹਰਨ ਲਈ, MTEB benchmark 'ਤੇ, text-embedding-3-large embedding ਨੂੰ 256 ਦੇ ਆਕਾਰ ਤੱਕ ਛੋਟਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਫਿਰ ਵੀ ਇਹ 1536 ਦੇ ਆਕਾਰ ਵਾਲੇ ਬਿਨਾਂ ਛੋਟੇ ਕੀਤੇ text-embedding-ada-002 embedding ਨਾਲੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ.
ਇਹ ਬਹੁਤ ਲਚਕੀਲੀ ਵਰਤੋਂ ਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਇੱਕ ਐਸਾ vector data store ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੋਵੇ ਜੋ ਕੇਵਲ 1024 dimensions ਤੱਕ ਦੇ embeddings ਨੂੰ ਹੀ ਸਮਰਥਨ ਕਰਦਾ ਹੋਵੇ, ਡਿਵੈਲਪਰ ਹੁਣ ਵੀ ਸਾਡਾ ਸਭ ਤੋਂ ਵਧੀਆ embedding ਮਾਡਲ text-embedding-3-large ਵਰਤ ਸਕਦੇ ਹਨ ਅਤੇ dimensions API parameter ਲਈ 1024 ਦੀ value ਦੱਸ ਸਕਦੇ ਹਨ, ਜੋ embedding ਨੂੰ 3072 dimensions ਤੋਂ ਘਟਾ ਦੇਵੇਗੀ ਅਤੇ ਛੋਟੇ vector size ਦੇ ਬਦਲੇ ਕੁਝ accuracy ਦਾ ਸਮਝੌਤਾ ਕਰੇਗੀ.
ਅਗਲੇ ਹਫ਼ਤੇ ਅਸੀਂ ਨਵਾਂ GPT‑3.5 Turbo ਮਾਡਲ gpt-3.5-turbo-0125 ਲਿਆ ਰਹੇ ਹਾਂ, ਅਤੇ ਪਿਛਲੇ ਸਾਲ ਵਿੱਚ ਤੀਜੀ ਵਾਰ ਅਸੀਂ GPT‑3.5 Turbo ਦੀਆਂ ਕੀਮਤਾਂ ਘਟਾ ਰਹੇ ਹਾਂ ਤਾਂ ਜੋ ਸਾਡੇ ਗਾਹਕ scale ਕਰ ਸਕਣ. ਨਵੇਂ ਮਾਡਲ ਲਈ input ਕੀਮਤਾਂ 50% ਘਟਾ ਕੇ $0.0005 /1K ਟੋਕਨ ਕਰ ਦਿੱਤੀਆਂ ਗਈਆਂ ਹਨ ਅਤੇ output ਕੀਮਤਾਂ 25% ਘਟਾ ਕੇ $0.0015 /1K ਟੋਕਨ ਕਰ ਦਿੱਤੀਆਂ ਗਈਆਂ ਹਨ. ਇਸ ਮਾਡਲ ਵਿੱਚ ਮੰਗੇ ਗਏ formats ਵਿੱਚ ਜਵਾਬ ਦੇਣ ਦੀ ਉੱਚ ਸਟੀਕਤਾ ਸਮੇਤ ਕਈ ਸੁਧਾਰ ਹੋਣਗੇ ਅਤੇ ਇੱਕ bug(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਲਈ fix ਵੀ ਹੋਵੇਗਾ ਜਿਸ ਕਾਰਨ non-English language function calls ਲਈ text encoding ਸਮੱਸਿਆ ਪੈਦਾ ਹੋਈ ਸੀ.
ਜੋ ਗਾਹਕ unpinned gpt-3.5-turbo ਮਾਡਲ alias ਵਰਤ ਰਹੇ ਹਨ, ਉਹ ਇਸ ਮਾਡਲ ਦੇ ਲਾਂਚ ਹੋਣ ਤੋਂ ਦੋ ਹਫ਼ਤੇ ਬਾਅਦ gpt-3.5-turbo-0613 ਤੋਂ ਆਪਣੇ ਆਪ gpt-3.5-turbo-0125 'ਤੇ ਅਪਗ੍ਰੇਡ ਹੋ ਜਾਣਗੇ.
ਇਸ ਦੇ ਰਿਲੀਜ਼ ਤੋਂ ਬਾਅਦ GPT‑4 API ਗਾਹਕਾਂ ਦੀਆਂ 70% ਤੋਂ ਵੱਧ ਬੇਨਤੀਆਂ GPT‑4 Turbo ਵੱਲ ਤਬਦੀਲ ਹੋ ਚੁੱਕੀਆਂ ਹਨ, ਕਿਉਂਕਿ ਡਿਵੈਲਪਰ ਇਸ ਦੀ ਅਪਡੇਟ ਕੀਤੀ knowledge cutoff, ਵੱਡੀਆਂ 128k context windows ਅਤੇ ਘੱਟ ਕੀਮਤਾਂ ਦਾ ਲਾਭ ਲੈ ਰਹੇ ਹਨ.
ਅੱਜ, ਅਸੀਂ ਅਪਡੇਟ ਕੀਤਾ GPT‑4 Turbo preview ਮਾਡਲ gpt-4-0125-preview ਜਾਰੀ ਕਰ ਰਹੇ ਹਾਂ. ਇਹ ਮਾਡਲ ਪਿਛਲੇ preview ਮਾਡਲ ਨਾਲੋਂ code generation ਵਰਗੇ ਕੰਮ ਹੋਰ ਪੂਰੇ ਢੰਗ ਨਾਲ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਦਾ ਉਦੇਸ਼ ਉਹਨਾਂ “ਸੁਸਤਪਣ” ਵਾਲੇ ਮਾਮਲਿਆਂ ਨੂੰ ਘਟਾਉਣਾ ਹੈ ਜਿੱਥੇ ਮਾਡਲ ਕੋਈ ਕੰਮ ਪੂਰਾ ਨਹੀਂ ਕਰਦਾ. ਨਵੇਂ ਮਾਡਲ ਵਿੱਚ non-English UTF-8 generations ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ bug ਲਈ fix ਵੀ ਸ਼ਾਮਲ ਹੈ.
ਜੋ ਲੋਕ ਨਵੇਂ GPT‑4 Turbo preview ਵਰਜਨਾਂ ਵਿੱਚ ਆਪਣੇ ਆਪ upgrade ਹੋਣਾ ਚਾਹੁੰਦੇ ਹਨ, ਉਹਨਾਂ ਲਈ ਅਸੀਂ ਨਵਾਂ gpt-4-turbo-preview ਮਾਡਲ ਨਾਮ alias ਵੀ ਲਿਆ ਰਹੇ ਹਾਂ, ਜੋ ਹਮੇਸ਼ਾਂ ਸਾਡੇ ਸਭ ਤੋਂ ਨਵੇਂ GPT‑4 Turbo preview ਮਾਡਲ ਵੱਲ ਸੰਕੇਤ ਕਰੇਗਾ.
ਅਸੀਂ ਆਉਣ ਵਾਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ vision ਨਾਲ GPT‑4 Turbo ਨੂੰ ਆਮ ਉਪਲਬਧਤਾ ਵਿੱਚ ਲਾਂਚ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਹੈ.
ਮੁਫ਼ਤ Moderation API ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਹਾਨੀਕਾਰਕ ਟੈਕਸਟ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ. ਸਾਡੇ ਜਾਰੀ ਸੁਰੱਖਿਆ ਕੰਮ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, ਅਸੀਂ text-moderation-007 ਜਾਰੀ ਕਰ ਰਹੇ ਹਾਂ, ਜੋ ਅੱਜ ਤੱਕ ਦਾ ਸਾਡਾ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ moderation ਮਾਡਲ ਹੈ. text-moderation-latest ਅਤੇ text-moderation-stable aliases ਨੂੰ ਇਸ ਵੱਲ ਸੰਕੇਤ ਕਰਨ ਲਈ ਅਪਡੇਟ ਕੀਤਾ ਗਿਆ ਹੈ. ਤੁਸੀਂ ਸਾਡੇ safety best practices guide(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਰਾਹੀਂ ਸੁਰੱਖਿਅਤ AI ਸਿਸਟਮ ਬਣਾਉਣ ਬਾਰੇ ਹੋਰ ਜਾਣ ਸਕਦੇ ਹੋ.
ਅਸੀਂ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਵੱਧ ਦਿੱਖ ਅਤੇ API keys 'ਤੇ ਵੱਧ ਕੰਟਰੋਲ ਦੇਣ ਲਈ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਦੋ ਸੁਧਾਰ ਲਾਂਚ ਕਰ ਰਹੇ ਹਾਂ.
ਪਹਿਲਾਂ, ਡਿਵੈਲਪਰ ਹੁਣ API keys page(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਤੋਂ API keys ਨੂੰ permissions ਦੇ ਸਕਦੇ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਕਿਸੇ key ਨੂੰ ਅੰਦਰੂਨੀ tracking dashboard ਚਲਾਉਣ ਲਈ read-only ਪਹੁੰਚ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਾਂ ਕੇਵਲ ਕੁਝ ਨਿਰਧਾਰਤ ਐਂਡਪੌਇੰਟਾਂ ਤੱਕ ਪਹੁੰਚ ਲਈ ਸੀਮਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ.
ਦੂਜਾ, tracking ਚਾਲੂ ਕਰਨ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਤੋਂ ਬਾਅਦ usage dashboard ਅਤੇ usage export function ਹੁਣ API key ਪੱਧਰ ਉੱਤੇ metrics ਦਿਖਾਉਂਦੇ ਹਨ. ਇਸ ਨਾਲ ਹਰ feature, team, product ਜਾਂ project ਲਈ ਵੱਖ-ਵੱਖ API keys ਰੱਖ ਕੇ ਉਸ ਪੱਧਰ 'ਤੇ ਵਰਤੋਂ ਵੇਖਣਾ ਆਸਾਨ ਹੋ ਜਾਂਦਾ ਹੈ.
ਆਉਣ ਵਾਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ, ਅਸੀਂ ਡਿਵੈਲਪਰਾਂ ਲਈ ਆਪਣੀ API ਵਰਤੋਂ ਵੇਖਣ ਅਤੇ API keys ਸੰਭਾਲਣ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਹੋਰ ਸੁਧਾਰਣ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਹੈ, ਖ਼ਾਸ ਕਰਕੇ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਵਿੱਚ.
OpenAI ਦੀਆਂ APIs ਬਾਰੇ ਤਾਜ਼ਾ ਅਪਡੇਟਾਂ ਲਈ, X ਉੱਤੇ @OpenAIDevs(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) 'ਤੇ ਸਾਨੂੰ follow ਕਰੋ.
ਲੇਖਕ
ਆਭਾਰ
Juntang Zhuang, Paul Baltescu, Joy Jiao, Arvind Neelakantan, Andrew Braunstein, Jeff Harris, Logan Kilpatrick, Leher Pathak, Enoch Cheung, Ted Sanders, Yutian Liu, Anushree Agrawal, Andrew Peng, Ian Kivlichan, Mehmet Yatbaz, Madelaine Boyd, Anna-Luisa Brakman, Florencia Leoni Aleman, Henry Head, Molly Lin, Meghan Shah, Chelsea Carlson, Sam Toizer, Ryan Greene, Alison Harmon, Denny Jin, Karolis Kosas, Marie Inuzuka, Peter Bakkum, Barret Zoph, Luke Metz, Jiayi Weng, Randall Lin, Yash Patil, Mianna Chen, Andrew Kondrich, Brydon Eastman, Liam Fedus, John Schulman, Vlad Fomenko, Andrej Karpathy, Aidan Clark, Owen Campbell-Moore
