OpenAI und Synopsys schließen mehrjährige Vereinbarung über GPT-Synopsys für den Chipentwurf

Über die Vereinbarung berichtete The Decoder am 30. September, Stunden nach dem Developer Day von OpenAI in San Francisco. Synopsys stellt Software für elektronische Designautomatisierung her, also die Werkzeuge, mit denen Ingenieure Chips und Halbleiter entwerfen. Im Rahmen der Partnerschaft lizenziert OpenAI diese EDA-Werkzeuge und kombiniert sie mit eigenen Modellen.

Das erklärte Ziel ist ein Modell, das „über Chipentwurf und Verifikation reasoning betreiben und die Werkzeuge von Synopsys direkt bedienen kann“. Ingenieure würden Entwurfsziele delegieren und die Ergebnisse anschließend prüfen und freigeben. Das Modell läuft auf der Infrastruktur von OpenAI. Beide Unternehmen erklären, Kundendaten würden nicht zum Training verwendet und verschlüsselt gespeichert. Erste Tests mit Halbleiterkunden laufen bereits. Die beiden Firmen wollen das Produkt gemeinsam vermarkten und Erlöse teilen. In dieselbe Woche fiel eine Reihe von Veröffentlichungen offener Modelle, von Spracherkennung bis zu tabellarischen Daten, dazu Meldungen der Aufsichtsbehörden.

Offene Gewichte kommen weiterhin an

Fermion Research veröffentlichte am 30. September Phonon-2, ein Modell zur englischen Spracherkennung mit einem Download von 164 MB. Über die sieben englischen Datensätze des Open ASR Leaderboard liegt es im Mittel bei 5,21 Prozent Wortfehlerrate, so das Unternehmen. Jedes offene Modell mit besserem Wert ist mindestens 5,8-mal so groß. Die Gewichte stehen unter CC-BY-4.0, der Lizenz von NVIDIAs Parakeet TDT 0.6B v3, von dem sie abstammen.

NVIDIA brachte am 29. September Kumo Tabular heraus, ein offenes Grundlagenmodell für tabellarische Klassifikation und Regression. Es sagt Labels in einem einzigen Vorwärtsdurchlauf vorher, ohne Training oder Feature Engineering, und steht unter der OpenMDW-1.1-Lizenz zur kommerziellen Nutzung. Das Unternehmen sagt, es liege auf TabArena, BeyondArena, TALENT und ScoringBench an erster Stelle. Es gibt drei Größen von 28M bis 215M Parametern.

Freiwillige gingen einen anderen Weg. Das Coop-Projekt, am 30. September aktualisiert, trainiert ein Modell mit rund 145M Parametern von Grund auf auf FineWeb-Edu, mit gespendeter Hardware und kostenlosen Kontingenten von Hugging Face und GitHub Actions. Gradienten treffen als Pull Requests ein. Ein geplanter GitHub-Actions-Job führt sie alle fünf Minuten zusammen, wobei das Projekt anmerkt, dass der gemeinsame Scheduler von GitHub irgendwann zwischen Minuten und Stunden auslösen kann. Stufe 1, ein 15M-Modell auf TinyStories, lief in sechs Tagen über sein Chinchilla-optimales Budget hinaus. Der Validierungsverlust fiel dabei von 9,01 auf 2,8.

Ebenfalls am 30. September beschrieben das UK AI Security Institute und Meridian Labs Inspect, ein Open-Source-Framework zur Evaluierung mit über 200 vorgefertigten Tests. Es kann nicht vertrauenswürdigen Modellcode in Docker, Kubernetes und anderen Sandboxes ausführen. Auf GitHub veröffentlichte ein Entwickler PSSA, ein Nicht-Transformer-Sprachmodell in Rust, ohne ML-Framework darunter. Er behauptet, es lerne bei gleicher Parameterzahl schneller als ein Transformer und generiere auf derselben CPU etwa zwölfmal schneller.

Aufsichtsbehörden gehen gegen Agenten vor

The Guardian berichtete am 30. September, die FTC habe eine branchenweite Untersuchung gegen Anthropic, OpenAI und andere Labore eröffnet. Es sei ihre erste offizielle Durchsetzungsmaßnahme gegen entgleiste KI-Agenten, und sie wolle Aussagen von Führungskräften erzwingen, unter anderem bei der Forschungsgruppe Metr. Ars Technica meldete am selben Tag, OpenAI werde nicht an die Börse gehen, solange es nicht „selbstsichere Sicherheitsentscheidungen treffen“ könne. Eine gemeinnützige Organisation, Legal Advocates for Safe Science & Technology, habe in Kalifornien Klage eingereicht, um bessere Evaluierungs-, Überwachungs- und Trainingspraktiken zu erreichen.