ChatGPT最强对手Claude使用教程

Dr.Petrichor

已于 2023-04-23 14:44:31 修改

阅读量1.5w

点赞数 12

分类专栏： # ChatGPT 文章标签：人工智能自然语言处理 python

于 2023-04-17 09:46:41 首次发布

本文链接：https://blog.csdn.net/weixin_43734080/article/details/130190239

版权

ChatGPT 专栏收录该内容

5 篇文章 86 订阅

订阅专栏

Cladue最近很火，作为ChatGPT4的平替版，它无需付费，使用方便，很多网友通过效果对比，发现它的性能要好于ChatGPT3.5，可以媲美ChatGPT4。最主要是使用很方便，十分钟就可以轻松部署，下面记录一下自己的使用历程，希望能给大家一点帮助。

一、Claude简介

二、Cladue可以做什么

三、Cluaude相比ChatGPT4的优势

一、Claude简介

Claude是Anthropic推出的类ChatGPT对话机器人。被业界称为ChatGPT的最强对手，因为背后投资人是谷歌。

而Anthropic是一家由前OpenAI团队成员创立的人工智能初创公司，其目标是开发有用、诚实和无害的AI系统，并且关注未来AI安全和伦理问题。

Claude是Anthropic的第一个产品，也是一个基于GPT-4模型的对话系统，但它采用了Anthropic称之为“宪法式 AI”的训练技术。

“宪法式AI”是指在训练过程中给予模型一些原则或约束条件（类似于国家或组织的宪法），使其在生成内容时遵循这些原则或约束条件，并且可以根据用户或开发者的反馈进行调整。这样可以使模型更可控、更诚实、更无害，并且可以适应不同的场景和需求。

二、Cladue可以做什么

1. 提高工作效率: 我可以帮助用户设置提醒、创建任务、管理日程等,有效地规划和跟进工作。我也可以提供各种实用工具提高日常效率。

2. 智能推荐: 根据团队和用户的交流内容,我可以推荐相关文档、信息、工具等,帮助他们更快地找到所需要的。我也可以推荐一个团队可能感兴趣的新闻资讯等。

3. 知识搜索: 面对各种问题或 intellectually stimulating 的讨论,我可以从多个来源搜索相关知识并分享结果,包括文字说明、图片、视频等。这有助于在线上的知识共享。

4. 实时意见: 对一个问题或话题的讨论,我可以参与进来,提供我的分析意见和建议。这些及时的意见可以为决策提供参考,也可以引发更有价值的讨论。当然,这需要根据情况进行控制,以免混淆主题。

5. 源数据分析: 我可以定期或根据需要对聊天记录进行分析,比如发言较多或较少的成员、主要讨论话题、决策结果等。这些洞察可以反馈给团队,帮助改进协作效率和规范化。

6. 娱乐特色: 对于减压或特定的日子(例如周五),我可以加入轻松有趣的互动,像是问答游戏、随机推荐网娱节目等。这些可以提高团队士气和聊天体验。当然,需要注意平衡工作聊天的比重。

7. 多语言支持: 尤其在国际团队中,我可以帮助各国成员进行交流,自动翻译重要讨论内容或提供主要参考资讯的其他语言版本。这有助于跨文化和跨国家的合作。

这些是我在Slack等平台上可以发挥的主要作用。当然,我的功能还将根据团队的具体需求和使用习惯进行定制,为更高效协作提供个性化支持。

三、Cluaude相比ChatGPT4的优势

Cladue使用的是RLAIF算法，相比ChatGPT使用的是RLHF算法有一定的优势：

ChatGPT与Cladue对比（一）

模型名称	ChatGPT	Claude
主要算法	算法名称 RLHF 算法是关系抽取任务上的一种远程监督算法，全称是 Relation-Level Multi-instance Multi-label Hierarchical Attention Network。该算法通过对知识库中的实体-关系对进行建模，引入了多标签任务和层次化注意机制。	Claude 开创性引入了“宪法人工智能”（Constitutional AI，CAI）的概念。以 ChatGPT 为代表，现有方法主要通过人类反馈的强化学习（RLHF）算法，即在强化学习阶段，通过拟合大量的人工标注的偏好数据，来对齐大规模语言模型和人类偏好，从而给出令人满意的有用（Helpful）、可靠（Honest）和无害（Harmless）的回答。 Claude 在有用性（有用和可靠）方面沿用人类反馈，但在无害方面开创了一条更低成本且有效的路径，仅需要制定“宪法“（少量的自然语言准则或指令），AI 系统会自动输出偏好判断，指导模型对齐 AI 理解的无害化偏好，从而训练出危害更小的系统。因此这种技术也叫 AI 反馈的强化学习（RLAIF）算法。
论文来源	《Multi-Level Structured Self-Attentions for Distantly Supervised Relation Extraction》下载链接： [1809.00699] Multi-Level Structured Self-Attentions for Distantly Supervised Relation Extraction (arxiv.org)	《Constitutional AI: Harmlessness from AI Feedback》下载链接： [2212.08073] Constitutional AI: Harmlessness from AI Feedback (arxiv.org)
核心知识点	（1）RLHF 算法首先将文本数据中的每个句子视为一个“实例”，将实例对应到知识库中的实体对，从而得到一组标注信息。然后，该算法引入层次化注意机制，首先对每个实例进行关注，得到实例级别的表示；然后，将这些实例级别的表示汇聚到关系级别，再进行关注。最终，RLHF 算法得到一个能够直接输出多个标签的神经网络模型，用于关系抽取任务。（2）需要注意的是，RLHF 算法是一种远程监督算法，需要用到知识库中的实体-关系对作为监督信号，但并不需要进行人工标注。	（1）RLAIF 的好处：不仅可以显著降低开发 AI 助手对人类反馈标注数据的依赖，更可以增加应用 AI 助手的透明度和简洁性。前者显而易见，后者可以假设我们在使用基于 RHLF 的 ChatGPT，这样的 AI 系统通常很少公开他们辛苦标注的偏好数据，即便公开了数据，也很难从大量标注中整理相对抽象的标注目标和指导意图。而 CAI 系统的“宪法”是可以公开透明的。其次，当指导目标需要调整时，也可以省略重新标注的时间，这无疑进一步降低了应用门槛。（2）RLAIF 的前提：语言模型在参数规模放大到一定规模后，表现出了某种程度的突现能力（Emergent Ability），显著增强的自然语言理解能力，使得人类可以更加高效地指导 AI 系统：加入“宪法”中的自然语言原则，输出高质量的 AI 反馈信号。论文中将这种能力称作规模监督（Scaling Supervision），因为这种自动化决策过程，本身存在一定的风险，因此对模型理解能力和“宪法”设计的合理性提出了要求。论文中也通过思维链（Chain of Though, COT）和偏好集成来提升反馈的质量，并通过实验证明了 AI 反馈信号的准确性。