2023年11月20日 每日一猜答案：。 答案：ABC。
每日一猜答案分析：

• 1、openai国内代理商是哪个公司的
• 2、openai中文名?
• 3、openai是什么
• 4、openai与昆仑万维的关系
• 5、openai是马斯克的吗

OpenAI是由昆仑万维公司投资的一家人工智能研究机构，旨在帮助人类更好地理解和控制人工智能技术。昆仑万维是一家科技投资公司，专注于以人工智能为核心的创新技术和产业。

OpenAI，在美国成立的人工智能研究公司。公司核心宗旨在于“实现安全的通用人工智能(AGI)”，使其有益于人类。

人工智能研究公司 OpenAI，在美国成立的人工智能研究公司。公司核心宗旨在于“实现安全的通用人工智能(AGI)”，使其有益于人类。

1、OpenAI在官方博客中表示，这个新系统名为DALL-E，名称来源于艺术家萨尔瓦多・达利和皮克斯的机器人英雄瓦力的结合。新系统展示了“为一系列广泛的概念”创造图像的能力，创作的作品包括牛油果形状的扶手椅等。

2、OpenAI，在美国成立的人工智能研究公司，核心宗旨在于“实现安全的通用人工智能(AGI)”，使其有益于人类。

3、OpenAI的名字中的Open是开放的意思。这个名字的灵感来自于开放源代码运动和开放科学的理念，OpenAI致力于推动人工智能技术的开放性和透明性，让更多的人能够参与和了解人工智能的发展。

4、你好，OpenAI是一家在美国成立的人工智能研究公司。2015年，OpenAI由马斯克、美国创业孵化器Y Combinator总裁阿尔特曼、全球在线支付平台PayPal联合创始人彼得・蒂尔等硅谷科技大亨创立。此外，这是一个非盈利性人工智能项目。

5、OpenAI是一家人工智能公司，致力于研究和开发人工智能技术，旨在推动人工智能技术的发展和应用，其成立于2015年，总部位于美国旧金山。

6、2022年6月，openai再2022年6月的时候可以中文的，在2015年open AI出现的时候，一直是没有中文的，但是在2020年的时候，官方宣布准备设置三种语言。顾大家进行使用。

OpenAI是由诸多硅谷大亨联合建立的人工智能非营利组织，成立于2015年12月。

OpenAI是一家人工智能公司，致力于研究和开发人工智能技术，旨在推动人工智能技术的发展和应用，其成立于2015年，总部位于美国旧金山。

OpenAI，在美国成立的人工智能研究公司。公司核心宗旨在于“实现安全的通用人工智能(AGI)”，使其有益于人类。

1、昆仑芯片和昆仑万维有着密切的关系。昆仑芯片的出现为昆仑万维提供了强大的技术支撑，而昆仑万维则通过各种方式推广和应用昆仑芯片，共同推动人工智能技术的发展。

2、合作关系。星制科技创始时间时2020年7月22日，昆仑万维属于互联网平台型公司，两者是合作关系，因为星制科技和昆仑万维之间有项目的合作，同时两家的关系非常友好。

3、昆仑万维主要从事综合性互联网增值服务。昆仑万维，即北京昆仑万维科技股份有限公司，是一家全球化的互联网公司，旗下包括昆仑在线、快乐游、软件门户、手机门户等。

4、存在间接的关系。昆仑万维与天音控股没有直接的关系。但是，昆仑万维是中国移动通信集团公司的子公司，而中国移动通信集团公司是天音控股的控股股东，所以昆仑万维与天音控股间存在间接的关系。

OpenAI成立时被定位是一家非营利机构，2015年由阿尔特曼、特斯拉创始人马斯克、PayPal联合创始人蒂尔等硅谷科技大佬参与创立，承诺投资10亿美元。OpenAI从福音传播者变成赚钱机器，马斯克很不高兴。

公司背景2015年，OpenAI由马斯克、美国创业孵化器Y Combinator总裁阿尔特曼、全球在线支付平台PayPal联合创始人彼得・蒂尔等硅谷科技大亨创立。

你好，OpenAI是一家在美国成立的人工智能研究公司。2015年，OpenAI由马斯克、美国创业孵化器Y Combinator总裁阿尔特曼、全球在线支付平台PayPal联合创始人彼得・蒂尔等硅谷科技大亨创立。此外，这是一个非盈利性人工智能项目。

OpenAI，在美国成立的人工智能研究公司。公司核心宗旨在于“实现安全的通用人工智能(AGI)”，使其有益于人类。

OpenAI是由诸多硅谷大亨联合建立的人工智能非营利组织，成立于2015年12月。

2015年，OpenAI由马斯克、美国创业孵化器Y Combinator总裁阿尔特曼、全球在线支付平台PayPal联合创始人彼得・蒂尔等硅谷科技大亨创立。

LangChain - 打造自己的GPT（五）拥有本地高效、安全的Sentence Embeddings For Chinese & English

在使用LangChain打造自己GPT的过程中，大家可能已经意识到这里的关键是根据Query进行语义检索找到最相关的TOP Documents，语义检索的重要前提是Sentence Embeddings。可惜目前看到的绝大部分材料都是使用OpenAIEmbeddings（em... 可能跟OpenAI的官方CookBook的样例比较相关）。

虽然OpenAI Embeddings API提供了一种方便、高效的方式来生成文本表示，但与本地Embedding模型相比，它确实存在一些局限性：

网络延迟：使用API时，需要将数据发送到远程服务器并等待结果。相比于在本地计算机上运行模型，这可能会导致较高的延迟。依赖网络连接：API的使用需要稳定的网络连接。如果您所在的网络环境不稳定，可能导致API无法正常工作。数据隐私：将数据发送给API意味着您的数据将在服务器之间传输。这可能会引发数据隐私和安全问题，特别是对于处理敏感信息的场景。使用成本：API的使用通常会产生费用，可能随着请求次数和数据量的增加而增加。相比之下，在本地计算机上运行模型可能会降低成本。定制化限制：API提供的预训练模型可能无法满足某些特定应用的需求。在这种情况下，使用本地Embedding模型可以更方便地进行调整和定制。API限制：为防止滥用，API可能会对请求速率和并发请求数量等方面设限。这可能会影响到大规模应用的性能。

有。

MTEB Leaderboard - a Hugging Face Space by mteb 在huggingface上看下MTEB排行榜 （Massi【【微信】】mark），前十名如图：

OpenAIEmbeddings 调用的mode_name="text-embedding-ada-002" 排在第四位（还是很优秀的），前三名有：

1. hkunlp/instructor-xl ・ Hugging Face
2. hkunlp/instructor-large ・ Hugging Face
3. intfloat/e5-large ・ Hugging Face

三个model都是开源的。

hkunlp/instructor-large ・ Hugging Face 排第二，数据集小一些，拿它来做个测试；运行需要有GPU / TPU，我们这里通过Colab来跑一下；没有用过 Google Colab 的同学建议体验下，相当于Jupyter NoteBook的云版本，而且Google赠送一定量的免费GPU资源哦。

运行，可以将sentence转换为 DIM-768 的向量：

划重点，LangChain在最近的版本里面做了集成，将

embedding = OpenAIEmbeddings()

更换成：

embedding=HuggingFaceInstructEmbeddings()

就完成了本地Sentence Embeddings更换，没有更多的代码，是不是很简单。

看一下源码（如下图），这个类默认对应的model_name="hkunlp/instructor-large"，就是上方的hkunlp/instructor-large ・ Hugging Face

如果要换成第一名的hkunlp/instructor-xl ・ Hugging Face，参数中更改model_name为“hkunlp/instructor-xl”：

embedding=HuggingFaceInstructEmbeddings(model_name='hkunlp/instructor-xl')

感谢 @扯大蛋 同学指出instructor-large中文表现不佳，之前测试方式有问题；那就直接找Chinese Sentence Embeddings Model SOTA吧。地址是：

如图，text2vec 在中文文本匹配任务表现还是比较优秀的：

找10条STS测试集数据看下，如图（label从0到5，0表示相似度最低，5表示相似度最高）：

分别拿 text2vec-base-chinese 、instructor-large 和 OpenAIEmbedding Run这10个Case，instructor-large 表现最差，text2vec-base-chinese 表现最好：

后面做了一个相对更详细的对比：

embedding = OpenAIEmbeddings()

更换成：

embedding=HuggingFaceEmbeddings(model_name='shibing624/text2vec-base-chinese')

注意：这里是 HuggingFaceEmbeddings 类，不是 HuggingFaceInstructEmbeddings类。

运行后程序会从 shibing624/text2【【微信】】in 下载以下文件后再初始化model（服务器需要有GPU资源）：

如果这台机器没法访问下载怎么办呢？可以从其他机器下载下来上传到这台机器某一个目录下（相对路径），如图：

Langchain中的调用方式更换成（model_name从名称更换成路径）：

embedding = HuggingFaceEmbeddings(model_name=&#【【网址】】/p/huggingface/shibing624_text2vec-base-chinese')

2023.04.15 周六 于高铁