极简广告的前世今生

极简广告是随着科技进步而诞生的一种新型广告方式，其核心理念是让广告更加优质，更加关注用户需求，让消费者获得更好的购物体验。极简广告的前身是传统广告，但传统广告已经不能满足消费者需求，而极简广告则能够更好地贴近消费者的体验。本文将从四个方面对极简广告的前世今生进行详细的阐述。

一、传统广告的局限性

传统广告是指在报刊、杂志、电视、广播等媒介上，通过文字、图片、语言和音乐等手段，向人们宣传产品、服务、品牌、企业等。但是传统广告存在一些局限性，如过度宣传、价格混乱、信息不透明、投放效果难以衡量等问题，这些问题都严重削弱了消费者的购物体验。传统广告过度的噱头和花哨的方式吸引了消费者的眼球，但其核心信息并没有真正传递给消费者。因此，针对传统广告的局限性，极简广告应运而生。

二、极简广告的特点

极简广告是对传统广告进行了一次深刻的颠覆，其特点是简单、直接、透明、可信和高效。极简广告强调简单明了的信息、自然的呈现方式、高质量的内容和个性化的广告投放，让广告更贴近用户需求。同时，极简广告也注重广告效果的衡量，通过数据分析等手段，确定不同广告的投放效果，并实现更精准的广告投放。

三、极简广告的应用范围

极简广告的应用范围较广，其可以应用于电商平台、社交媒体、手机APP等各种互联网媒介。在电商平台上，极简广告通过精准的广告投放，让广告和用户需求更加贴近，提高广告投放效果，增加销售额。在社交媒体上，极简广告通过用户画像等手段，实现个性化广告投放，提高用户参与度和流量转化率。在手机APP上，极简广告通过广告位的合理布局和广告呈现的自然性，提高用户点击率和广告转化率。

四、极简广告的未来发展趋势

随着人工智能技术的发展和数据分析能力的提高，极简广告在未来的发展趋势将会更加精准、高效和自然。未来，极简广告将会更加注重用户画像、精准投放和效果衡量，实现更好的广告效果。同时，极简广告将会更加注重用户体验和用户价值，让广告更加贴近用户需求，提高用户参与度和流量转化率。

总结

极简广告是一种新型的广告方式，其强调简单、直接、透明、可信和高效的特点，能够更好地贴近消费者的需求。极简广告可以应用于电商平台、社交媒体、手机APP等各种互联网媒介，其未来的发展趋势将会更加精准、高效和自然。通过极简广告，可以提高广告投放效果，增加销售额，提高用户参与度和流量转化率，为广告主和消费者创造双赢的效果。

问答话题

1. 什么是极简广告？其特点是什么？极简广告是一种新型的广告方式，其特点是简单、直接、透明、可信和高效。极简广告强调简单明了的信息、自然的呈现方式、高质量的内容和个性化的广告投放，让广告更贴近用户需求。2. 极简广告可以应用于哪些媒介？有什么优势？极简广告可以应用于电商平台、社交媒体、手机APP等各种互联网媒介。其优势在于实现了精准的广告投放，让广告和用户需求更加贴近，提高广告投放效果，增加销售额，提高用户参与度和流量转化率。3. 极简广告的未来发展趋势是什么？随着人工智能技术的发展和数据分析能力的提高，极简广告在未来的发展趋势将会更加精准、高效和自然。未来，极简广告将会更加注重用户画像、精准投放和效果衡量，实现更好的广告效果。同时，极简广告将会更加注重用户体验和用户价值，让广告更加贴近用户需求，提高用户参与度和流量转化率。

极简广告的前世今生特色

1、有很多相框和贴纸可与您分享。无论你想创作什么样的照片，它们都能满足你的需要

2、去吧精灵球0版下载

3、添加库中的任何音轨或视频来构建新的air。

4、知到教师版下载

5、软件的使用体验还是很不错的，提供了很多品种可以选择，包括冷门的。

极简广告的前世今生亮点

1、熄火时，只要将上端弹簧部分按下同时倒置灸器使灸条滑入管内，停留0秒钟即熄灭。

2、在提示区域中顶端的分类可以左右滑动，内容区域可以上下滚动以查看更多提示答案。

3、APP集成了IM功能，可直接发消息到学员手机，不必再使用多个社交软件，沟通更顺畅。

4、图片加水印，发圈素材打上专属于自己的水印

5、探索波澜壮阔的世界，让人震撼人心的格斗方法，唤醒自己的本领，精彩纷呈的搏击；

youhenduoxiangkuanghetiezhikeyuninfenxiang。wulunnixiangchuangzuoshenmeyangdezhaopian，tamendounengmanzunidexuyaoqubajinglingqiu0banxiazaitianjiakuzhongderenheyinguihuoshipinlaigoujianxindeair。zhidaojiaoshibanxiazairuanjiandeshiyongtiyanhaishihenbucuode，tigonglehenduopinzhongkeyixuanze，baokuolengmende。Meta千(qian)億(yi)參(can)數(shu)大(da)模(mo)型(xing)OPT-IML「升(sheng)級(ji)版(ban)」來(lai)了(le)，完(wan)整(zheng)模型和(he)代(dai)碼(ma)公(gong)布(bu)！

新(xin)智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：Joey 昕(xin)朋(peng)

【新智元導(dao)讀(du)】繼(ji)今(jin)年(nian)五(wu)月(yue)發(fa)布的(de)首(shou)個(ge)千亿参数大模型OPT-175B後(hou)，Meta又(you)重(zhong)磅(bang)推(tui)出(chu)「升级版」OPT-IML，這(zhe)次(ci)有(you)何(he)提(ti)升？

今年五月，MetaAI官(guan)宣(xuan)发布了基(ji)於(yu)1750亿参数的超(chao)大模型OPT-175B，還(hai)對(dui)所(suo)有社(she)區(qu)免(mian)費(fei)開(kai)放(fang)。

12月22日(ri)，該(gai)模型的更(geng)新版本(ben)OPT-IML（Open Pre-trained Transformer）正(zheng)式(shi)上(shang)線(xian)，Meta稱(cheng)其(qi)「对2000个語(yu)言(yan)任(ren)務(wu)進(jin)行(xing)了微(wei)調(tiao)，包(bao)含(han)1750 亿个参数」，还將(jiang)為(wei)非(fei)商(shang)業(ye)研(yan)究(jiu)用(yong)途(tu)免费开放。

这次更新的OPT-IML的性(xing)能(neng)表(biao)現(xian)如(ru)何，先(xian)上兩(liang)張(zhang)圖(tu)来看(kan)看。

这次的OPT-IML創(chuang)建(jian)了两種(zhong)模型尺(chi)寸(cun)，分(fen)別(bie)是(shi)30B和175B。

與(yu)舊(jiu)版OPT模型相(xiang)比(bi)，OPT-IML在(zai)14个標(biao)準(zhun)NLP評(ping)估(gu)任务中(zhong)的平(ping)均(jun)表现均優(you)于OPT。

在零(ling)次學(xue)習(xi)任务上两种模型大小(xiao)分别好(hao)7%~ 和32-shot 任务分别好4%~ 和 0.4%~。

在这項(xiang)研究中，研究人(ren)員(yuan)描(miao)述(shu)了增(zeng)加(jia)模型和基准大小如何影(ying)響(xiang)指(zhi)令(ling)调整決(jue)策(ce)对下(xia)遊(you)任务性能的影响。

为此(ci)他(ta)們(men)开发了 OPT-IML Bench，这是壹(yi)个相當(dang)大的指令元学习 (IML) 基准，包含2000个NLP任务，这些(xie)任务根(gen)據(ju)现有的八(ba)个基准分为任务類(lei)别。

为訓(xun)練(lian)OPT-IML 30B和175B，研究人员首先從(cong)该框(kuang)架(jia)的角(jiao)度(du)对應(ying)用于 OPT-30B 的指令调优决策提出了見(jian)解(jie)。

在具(ju)有不(bu)同(tong)目(mu)标和輸(shu)入(ru)格(ge)式的四(si)个评估基准（PromptSource、FLAN、Super-NaturalInstructions 和 UnifiedSKG）上，OPT-IML 在两个尺度上展(zhan)示(shi)了所有三(san)种泛(fan)化(hua)技(ji)能。

它(ta)不僅(jin)在所有基准測(ce)試(shi)中顯(xian)著(zhu)优于OPT，而(er)且(qie)以(yi)極(ji)具競(jing)爭(zheng)力(li)的方(fang)式优于針(zhen)对该特(te)定(ding)基准优化的现有模型。

此外(wai)OPT-IML已(yi)經(jing)开源(yuan)，Github鏈(lian)接(jie)小编也(ye)放在下面(mian)啦(la)~

Github链接：https://github.com/facebookresearch/metaseq/tree/main/projects/OPT-IML

接下来通(tong)過(guo)論(lun)文(wen)来一起(qi)了解一下OPT-IML。

论文链接：https://github.com/facebookresearch/metaseq/blob/main/projects/OPT-IML/optimal_paper_v1.pdf

研究方法(fa)

大型语言模型的指令微调已成(cheng)为增強(qiang)其零樣(yang)本和少(shao)样本泛化能力的有效(xiao)方法。在这项研究中，Meta研究人员对指令微调进行了三项重要(yao)的補(bu)充(chong)。

首先，他们编譯(yi)了一个大規(gui)模的指令微调基准，其中包含来自(zi)八个数据集(ji)集合(he)的2,000个NLP任务，按(an)任务类型分类。

研究人员在此基准上有選(xuan)擇(ze)地(di)構(gou)建评估拆(chai)分，以测试三种不同类型的模型泛化能力：

包括(kuo)来自完全(quan)保(bao)留(liu)类别的任务（tasks from fully held-out categories）、来自已见类型的保留任务（held-out tasks from seen types）以及(ji)来自已见任务的保留實(shi)例(li)（held-out instances from seen tasks）。

指令微调

对模型进行微调，以使(shi)它们与遵(zun)守(shou)說(shuo)明(ming)保持(chi)一致(zhi)，是目前(qian)機(ji)器(qi)学习的研究方向(xiang)之(zhi)一。

指令微调有两种方法。一种側(ce)重于使用人工(gong)註(zhu)釋(shi)的指令和反(fan)饋(kui)对各(ge)种任务的模型进行微调；另(ling)一种，侧重于通过注释或(huo)自動(dong)向可(ke)公开訪(fang)問(wen)的基准和数据集添(tian)加指令。

在本研究中，Meta AI成员專(zhuan)注于第(di)二(er)种技術(shu)，並(bing)编译了許(xu)多(duo)可公开访问的数据集，其中包含改(gai)进OPT的方法。

研究过程(cheng)中，Meta成员使用来自四个基准的1836个任务，提出了类似(si)的縮(suo)放方法。最(zui)后，在调整整个测试，以突(tu)破(po)具有挑(tiao)戰(zhan)性的外部(bu)基准（例如 MMLU 和 Big-Bench Hard (BBH)）性能极限(xian)的同時(shi)，研究人员描述了可能影响下游性能的各种指令调整策略(lve)的權(quan)值(zhi)。

多任务学习

多任务学习是基于指令的微调 (MTL) 的一种表述。

MTL 是一种流(liu)行的範(fan)例，当与共(gong)享(xiang)可比較(jiao)参数或表示的类似函(han)数結(jie)合使用时，它可以提高(gao)任务的泛化性能。

近(jin)年来，MTL已应用于眾(zhong)多NLP場(chang)景(jing)，主(zhu)要侧重于通过利(li)用来自相關(guan)活(huo)动的信(xin)號(hao)来提高训练任务或新領(ling)域(yu)的性能。

相比之下，基于指令的微调有助(zhu)于我(wo)们提高对前所未(wei)见问題(ti)的泛化性能。它是通过指令将所有任务組(zu)合成一个概(gai)念(nian)并通过在所有任务上分配(pei)模型的权重来一起训练它们来实现的。

什(shen)麽(me)是OPT？

大型语言模型，即(ji)具有超过 1000 亿个参数的自然(ran)语言處(chu)理(li)系(xi)統(tong)，在过去(qu)幾(ji)年中改變(bian)了NLP和AI研究。

这些模型接受(shou)了大量(liang)不同文本的训练，展现出令人驚(jing)訝(ya)的新能力，可以生(sheng)成创意(yi)文本、解决基本数学问题、回(hui)答(da)閱(yue)读理解问题等(deng)等。

雖(sui)然在某(mou)些情(qing)況(kuang)下，公众可以通过付(fu)费 API 与这些模型进行交(jiao)互(hu)，但(dan)完整的研究访问权限仍(reng)然仅限于少数資(zi)源豐(feng)富(fu)的实驗(yan)室(shi)。

这种受限访问限制(zhi)了研究人员理解这些大型语言模型如何工作(zuo)以及为何工作的能力，阻(zu)礙(ai)了提高其魯(lu)棒(bang)性和減(jian)輕(qing)偏(pian)见等已知(zhi)问题的进展。

出于对开放科(ke)学的承(cheng)諾(nuo)，Meta AI于今年5月发布了Open Pretrained Transformer (OPT-175B)，这是一个具有 1750 亿参数的模型，在公共数据集上训练而成，之所以共享这个模型，Meta AI 希(xi)望(wang)更多的社区参与理解关于大模型的基本技术。

簡(jian)單(dan)来说，Meta将用于人工智能研究的大型语言模型访问权限开放給(gei)大众，从而实现大模型研究的人工智能民(min)主化。

与老(lao)版对比

根据Meta现在发布的IML版本经过微调，在自然语言任务上的表现比旧版OPT更好。

典(dian)型的语言任务包括回答问题、總(zong)结文本和翻(fan)译。

为了进行微调，研究人员使用了大約(yue)2000个自然语言任务。这些任务分为八个NLP基准（OPT-IML Bench），研究人员也提供(gong)了这些基准。

平均而言，以30B和175B模型为例，OPT-IML比OPT的零次学习准確(que)度提高了约 6-7%。在32次学习中，300亿参数的模型准确度有显著改进，1750亿参数的模型有轻微改进。

经过对比，Meta團(tuan)隊(dui)发现OPT-IML的性能在所有基准测试上都(dou)优于OPT，并且在零样本和少样本学习准确度方面，比其他基于指令微调的模型更具有竞争力。

参考(kao)资料(liao)：

https://the-decoder.com/opt-iml-meta-releases-open-source-language-model-optimized-for-tasks/

https://wandb.ai/telidavies/ml-news/reports/OPT-IML-Meta-Releases-New-Instruction-Tuned-OPT-Models-NLP-Task-Benchmark--VmlldzozMjAzMzc1返(fan)回搜(sou)狐(hu)，查(zha)看更多

責(ze)任编辑：