DeepSeek 모델은 처음 2023년 하반기에 출시된 후에 빠르게 AI 커뮤니티의 많은 관심을 받으면서 유명세를 탄 편이라고 할 수 있는데요. 중국 AI 스타트업 DeepSeek이 GPT-4를 넘어서는 오픈소스 AI 모델을 개발해 많은 관심을 받고 있습니다. AI 학계와 업계를 선도하는 미국의 그늘에 가려 아주 큰 관심을 받지는 못하고 있는 것으로 보이지만, 분명한 것은 생성형 AI의 혁신에 중국도 강력한 연구와 스타트업 생태계를 바탕으로 그 역할을 계속해서 확대하고 있고, 특히 중국의 연구자, 개발자, 그리고 스타트업들은 ‘나름의’ 어려운 환경에도 불구하고, ‘모방하는 중국’이라는 통념에 도전하고 있다는 겁니다. 불과 두 달 만에, DeepSeek는 뭔가 새롭고 흥미로운 것을 들고 나오게 됩니다: 바로 2024년 1월, 고도화된 MoE (Mixture-of-Experts) 아키텍처를 앞세운 DeepSeekMoE와, 새로운 버전의 코딩 모델인 DeepSeek-Coder-v1.5 등 더욱 발전되었을 뿐 아니라 매우 효율적인 모델을 개발, 공개한 겁니다. 바로 이어서 2024년 2월, 파라미터 7B개의 전문화 모델, DeepSeekMath를 출시했습니다. DeepSeek Coder는 Llama 2의 아키텍처를 기본으로 하지만, 트레이닝 데이터 준비, 파라미터 설정을 포함해서 처음부터 별도로 구축한 모델로, ‘완전한 오픈소스’로서 모든 방식의 상업적 이용까지 가능한 모델입니다. 더 적은 수의 활성화된 파라미터를 가지고도 DeepSeekMoE는 Llama 2 7B와 비슷한 성능을 달성할 수 있었습니다.

이렇게 하면, 모델이 데이터의 다양한 측면을 좀 더 효과적으로 처리할 수 있어서, 대규모 작업의 효율성, 확장성이 개선되죠. 이렇게 ‘준수한’ 성능을 보여주기는 했지만, 다른 모델들과 마찬가지로 ‘연산의 효율성 (Computational Efficiency)’이라든가’ 확장성 (Scalability)’라는 측면에서는 여전히 문제가 있었죠. 이렇게 한 번 고르게 높은 성능을 보이는 모델로 기반을 만들어놓은 후, 아주 빠르게 새로운 모델, 개선된 버전을 내놓기 시작했습니다. 처음에는 Llama 2를 기반으로 다양한 벤치마크에서 주요 모델들을 고르게 앞서나가겠다는 목표로 모델을 개발, 개선하기 시작했습니다. ‘DeepSeek’은 오늘 이야기할 생성형 AI 모델 패밀리의 이름이자 이 모델을 만들고 있는 스타트업의 이름이기도 합니다. DeepSeek 모델 패밀리의 면면을 한 번 살펴볼까요? 다시 DeepSeek 이야기로 돌아와서, DeepSeek 모델은 그 성능도 우수하지만 ‘가격도 상당히 저렴’한 편인, 꼭 한 번 살펴봐야 할 모델 중의 하나인데요. DeepSeek의 오픈소스 모델 DeepSeek-V2, 그리고 Deepseek Online chat-Coder-V2 모델은 독자적인 ‘어텐션 메커니즘’과 ‘MoE 기법’을 개발, 활용해서 LLM의 성능을 효율적으로 향상시킨 결과물로 평가받고 있고, 특히 DeepSeek-Coder-V2는 현재 기준 가장 강력한 오픈소스 코딩 모델 중 하나로 알려져 있습니다. 역시 중국의 스타트업인 이 Free DeepSeek Ai Chat의 기술 혁신은 실리콘 밸리에서도 주목을 받고 있습니다. 이 회사의 소개를 보면, ‘Making AGI a Reality’, ‘Unravel the Mystery of AGI with Curiosity’, ‘Answer the Essential Question with Long-termism’과 같은 표현들이 있는데요.

Moonshot AI 같은 중국의 생성형 AI 유니콘을 이전에 튜링 포스트 코리아에서도 소개한 적이 있는데요. 시장의 규모, 경제적/산업적 환경, 정치적 안정성 측면에서 우리나라와는 많은 차이가 있기는 하지만, 과연 우리나라의 생성형 AI 생태계가 어떤 도전을 해야 할지에 대한 하나의 시금석이 될 수도 있다고 생각합니다. ‘장기적인 관점에서 현재의 생성형 AI 기술을 바탕으로 AGI로 가는 길을 찾아보겠다’는 꿈이 엿보이는 듯합니다. While the Biden administration sought to strategically protect U.S. Furthermore, the Biden administration has actively sought to curb China's AI progress by limiting the export of superior pc chips important for AI mannequin growth. So I thought we’d take a look at each of the categories I said could be essential to assist build an AI scientist - reminiscent of memory, device utilization, steady learning and recursive goal setting, and underlying architecture - and see what progress they’ve seen! So I started digging into self-hosting AI models and quickly discovered that Ollama could assist with that, I additionally regarded by varied other ways to start out utilizing the huge amount of fashions on Huggingface but all roads led to Rome. I began by downloading Codellama, Deepseeker, and Starcoder but I found all of the fashions to be pretty sluggish at the very least for code completion I wanna point out I've gotten used to Supermaven which makes a speciality of quick code completion.

All these settings are one thing I will keep tweaking to get the very best output and I'm also gonna keep testing new fashions as they become obtainable. Whether you need a specialised, technical resolution or a creative, versatile assistant, trying both without cost will give you firsthand expertise earlier than committing to a paid plan. I agree that Vite is very fast for development, but for production builds it isn't a viable resolution. I assume that most individuals who nonetheless use the latter are newbies following tutorials that have not been updated yet or possibly even ChatGPT outputting responses with create-react-app instead of Vite. An LLM will be still helpful to get to that time. I nonetheless assume they’re worth having in this record due to the sheer number of models they have accessible with no setup on your finish aside from of the API. Despite the fact that Llama 3 70B (and even the smaller 8B mannequin) is adequate for 99% of individuals and tasks, typically you simply want the best, so I like having the option either to only shortly reply my query and even use it alongside aspect different LLMs to shortly get choices for an answer. Using this dataset posed some dangers as a result of it was more likely to be a training dataset for the LLMs we have been using to calculate Binoculars rating, which may result in scores which had been decrease than anticipated for human-written code.