不花一分钱！GPT-4o微调限时免费开放，每日附赠百万训练token

一水 发自 凹非寺
量子位 | 公众号 QbitAI

一觉醒来，OpenAI又上新功能了：

GPT-4o正式上线微调功能。

并且官方还附赠一波福利：每个组织每天都能免费获得100万个训练token，用到9月23日。

也就是说，开发人员现在可以使用自定义数据集微调GPT-4o，从而低成本构建自己的应用程序。

要知道，OpenAI在公告中透露了：

GPT-4o微调训练成本为每100万token 25 美元（意味着每天都能节省25美元）

收到邮件的开发者们激动地奔走相告，这么大的羊毛一定要赶快薅。

使用方法也很简单，直接访问微调仪表盘，点击”create”，然后从基本模型下拉列表中选择gpt-4o-2024-08-06。

对了，OpenAI还提到，只需训练数据集中的几十个示例就可以产生良好效果。

还晒出了成功案例

消息公布后，一众网友跃跃欲试，表示很想知道模型微调后的实际效果。

OpenAI官方早有准备，随公告一同发布了合作伙伴微调GPT-4o的实际案例。

首先是一款代码助手Genie，来自AI初创公司Cosine，专为协助软件开发人员而设计。

据Cosine官方介绍，Genie的开发过程采用了一种专有流程，使用数十亿个高质量数据对非公开的GPT-4o变体进行了训练和微调。

这些数据包括21%的JavaScript和Python、14%的TypeScript和TSX，以及3%的其他语言（包括Java、C++和Ruby）。

经过微调，Genie在上周二OpenAI全新发布的代码能力基准测试SWE-Bench Verified上，取得了43.8%的SOTA分数。

与此同时，Genie还在SWE-Bench Full上的SOTA分数达到了30.08%，破了之前19.27%的SOTA纪录。

相较之下，Cognition的Devin在SWE-Bench的部分测试中为13.8%。

另一个案例来自Distyl，这是一家为财富500强企业提供AI解决方案的公司，最近在领先的文本到SQL基准测试BIRD-SQL中排名第一。

经过微调，其模型在排行榜上实现了71.83%的执行准确率，并在查询重构、意图分类、思维链和自我纠正等任务中表现出色，尤其是在SQL生成方面表现尤为突出。

除了提供案例，OpenAI还在公告中特意强调了数据隐私和安全问题，总结下来就是：

开发者的业务数据（包括输入和输出）不会被共享或用于训练其他模型。
针对微调模型实施了分层安全缓解措施，例如不断对微调模型运行自动安全评估并监控使用情况。

网友：微调比不上提示词缓存

一片热闹之际，有网友认为微调仍然比不上提示词缓存。

微调很酷，但它仍然不如提示词缓存……

之前量子位也介绍过，提示词缓存的作用，就是一次给模型发送大量prompt，然后让它记住这些内容，并在后续请求中直接复用，避免反复输入。

今年5月，谷歌的Gemini就已经支持了提示词缓存，Claude也在上周上新了这项功能。

由于不需要反复输入重复的脚本，提示词缓存具有速度更快、成本更低这两大优势。

有网友认为，提示词缓存功能对开发者更友好（无需异步微调），且几乎可以获得与微调相同的好处。

提示词缓存可以让您付出1%的努力获得99%的好处。

不过也有人给微调打call，认为微调在塑造响应方面更有效。例如确保JSON格式正确、响应更简洁或使用表情符号等。

眼见OpenAI的竞争对手们相继用上了提示词缓存，还有人好奇了：

想知道OpenAI是否会坚持微调或转向提示词缓存（或两者兼而有之）。

对于这个问题，有其他网友也嗅出了一些蛛丝马迹。

OpenAI在其延迟优化指南中提到了缓存技术。

我们也第一时间找了下指南原文，其中在谈到如何减少输入token时提到：

通过在提示中稍后放置动态部分（例如RAG结果、历史记录等），最大化共享提示前缀。这使得您的请求对KV缓存更加友好，意味着每个请求处理的输入token更少。

不过有网友认为，仅根据这一段内容，无法直接推出OpenAI采用了提示词缓存技术。

BTY，抛开争议不谈，OpenAI的羊毛还是得薅起来~

除了GPT-4o，还可以免费微调GPT-4o mini，9月23日之前OpenAI免费提供每天200万个训练token。

参考链接：
[1]https://openai.com/index/gpt-4o-fine-tuning/
[2]https://x.com/OpenAIDevs/status/1825938486568038569
[3]https://news.ycombinator.com/item?id=41301673

— 完 —

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑

• 交流群

欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）