[AI小新闻] 用游戏GPU登顶世界第一！无需学习的“AI脑神经解剖学”横扫排行榜

📰 新闻概要

• 开发者dnhkng在HuggingFace的Open LLM排行榜上获得了世界第一（RYS-XLarge），并公开了其方法。
• 该方法无需进行任何新学习或微调，仅通过复制并连接现有72B模型的特定中间层实现了这一成就。
• 从分析AI内部结构的独特视角“LLM神经解剖学”出发，成功挖掘了模型的潜能。

💡 重要要点

• “思考”中间层的发现：模型的初始层负责输入的“翻译”，最后的层负责“输出格式的转换”，而中间层则进行“语言无关的抽象推理（思考）”，这一假设得到了验证。
• 灵感来自Base64：LLM能够理解以Base64编码的复杂问题并用Base64回答，这让人坚信模型内部存在抽象思维空间。
• 低资源的胜利：在拥有庞大计算资源的研究所面前，仅用两张游戏GPU进行试错就能登顶。

🦈 鲨鱼的视角（策展人的观点）

这则新闻的惊人之处在于，居然在不修改任何权重的情况下就提升了性能！通常来说，提升模型智能的常识是需要庞大的数据进行学习。但这位开发者关注的是“脑的结构”。他洞察到特定的七个层是“思考的核心”，仅仅通过复制和扩展这些层，模型的思考能力就得到了提升。这种颠覆现有常识的“黑客”式方法，实在是令人惊叹！

🚀 未来展望

在扩展模型时，将不再只是简单堆叠层，而是有效配置特定角色的层，进行“架构优化”的方法将再次受到关注。有可能出现无需高昂学习成本的技术，将现有模型的潜力提升到120%！

💬 鲨鱼的简短评论

居然能在没有学习的情况下登顶世界第一，鲨鱼的脑袋是不是也能通过复制变得聪明呢！？鲨鲨！

📚 术语解释

• HuggingFace Open LLM排行榜：全球开源AI模型性能竞赛的顶级排行榜网站。

• Transformer架构：现代AI的基础结构，由多个层（Layer）从输入到输出构建而成。

• Frankenmerge：将不同模型的层像“科学怪人”一样拼接起来构建新模型的方法。

• 信息来源: Show HN: How I Topped the HuggingFace Open LLM Leaderboard on Two Gaming GPUs