โมเดล granite-speech-4.1-2b, kanana-2-30b-a3b-instruct และ OpenFold3 พร้อมใช้งานแล้วบน Amazon SageMaker JumpStart
ขณะนี้ โมเดล granite-speech-4.1-2b ของ BM, kanana-2-30b-a3b-instruct ของ Kakao และ OpenFold3 ของ OpenFold Consortium พร้อมใช้งานบน Amazon SageMaker JumpStart ซึ่งเป็นการขยายพอร์ตโฟลิโอของโมเดลพื้นฐานที่พร้อมใช้งานสำหรับลูกค้า AWS โมเดลทั้งสามนี้มาพร้อมความสามารถเฉพาะทางที่ครอบคลุมการรู้จำเสียงพูดหลายภาษา, Agentic AI แบบสองภาษา และการคาดการณ์โครงสร้างชีวโมเลกุล ซึ่งช่วยให้ลูกค้าสามารถติดตั้งใช้งานโซลูชัน AI ประสิทธิภาพสูงที่ปรับขนาดได้บนโครงสร้างพื้นฐานของ AWS
โมเดลเหล่านี้ช่วยตอบโจทย์ความท้าทายด้าน AI สำหรับองค์กรในด้านต่างๆ ด้วยความสามารถเฉพาะทาง:
granite-speech-4.1-2b สร้างขึ้นตามวัตถุประสงค์สำหรับการรู้จำเสียงพูดอัตโนมัติ (ASR) หลายภาษาและการแปลเสียงพูดแบบสองทิศทาง (AST)ในภาษาอังกฤษ, ฝรั่งเศส, เยอรมัน, สเปน, โปรตุเกส และญี่ปุ่น โมเดลภาษาเสียงพูดขนาดกะทัดรัดที่มีพารามิเตอร์ 2B นี้มีอัตราความผิดพลาดของคำอยู่ที่ 5.33% พร้อมอัตราส่วนเวลาประมวลผลต่อเวลาจริง (Real-time Factor) ที่ ~231 ทำให้เป็นหนึ่งในโมเดล ASR ที่มีประสิทธิภาพสูงสุดในระดับเดียวกัน โมเดลนี้เผยแพร่ภายใต้สิทธิ์การใช้งาน Apache 2.0 โดยผสานรวมเข้ากับเวิร์กโฟลว์เสียงสำหรับองค์กรได้อย่างราบรื่น เพื่อการถอดเสียง การแปล และการประมวลผลเสียงในขนาดใหญ่
kanana-2-30b-a3b-instruct มีความโดดเด่นด้านการปฏิบัติตามคำสั่งแบบสองภาษาเกาหลี-อังกฤษและเวิร์กโฟลว์ Agentic AI พัฒนาโดย Kakao และใช้สถาปัตยกรรมล้ำสมัยที่มี Multi-head Latent Attention (MLA) และ Mixture-of-Experts (MoE) โดยเปิดใช้งานพารามิเตอร์เพียง 3B จากทั้งหมด 30B ต่อการส่งต่อหนึ่งครั้ง เพื่อให้อัตราการโอนถ่ายข้อมูลที่เหนือกว่า ผ่านการฝึกภายหลังด้วยการปรับแต่งเพิ่มเติมแบบมีผู้ดูแลและการเรียนรู้แบบเสริมแรง โดยรองรับสูงสุด 128K โทเค็นผ่านการปรับขนาด YaRN และได้รับการออกแบบให้ทำหน้าที่เป็นผู้ร่วมงาน AI ที่เข้าใจบริบทและดำเนินการเชิงรุก
OpenFold3 มีความสามารถด้านการคาดการณ์โครงสร้างสารเชิงซ้อนชีวโมเลกุลระดับทุกอะตอมสำหรับโปรตีน, DNA, RNA และลิแกนด์โมเลกุลขนาดเล็ก โมเดลที่อิงตามการแพร่กระจายนี้พัฒนาโดย OpenFold Consortium และ AlQuraishi Lab แห่ง Columbia University โดยขยายการคาดการณ์โครงสร้างให้ครอบคลุมมากกว่าโปรตีนเดี่ยว เพื่อสร้างแบบจำลองสารเชิงซ้อนแบบหลายสายและปฏิสัมพันธ์ระหว่างชีวโมเลกุลที่แตกต่างกัน รองรับการออกแบบยาโดยใช้คอมพิวเตอร์ช่วย และสามารถนำไปใช้ในห้องปฏิบัติการวิจัยทั้งในสถาบันการศึกษาและอุตสาหกรรมเภสัชกรรมได้
ด้วย SageMaker JumpStart ลูกค้าสามารถติดตั้งใช้งานโมเดลใดก็ได้เหล่านี้ด้วยการคลิกเพียงไม่กี่ครั้ง เพื่อรองรับกรณีการใช้งาน AI เฉพาะของตน
ในการเริ่มต้นใช้งานโมเดลเหล่านี้ ให้ไปที่แคตตาล็อกโมเดล SageMaker JumpStart ในคอนโซล SageMaker หรือใช้ SageMaker Python SDK เพื่อติดตั้งใช้งานโมเดลไปยังบัญชี AWS ของคุณ ดูข้อมูลเพิ่มเติมเกี่ยวกับการติดตั้งใช้งานและการใช้โมเดลพื้นฐานบน SageMaker JumpStart ได้ที่เอกสารประกอบของ Amazon SageMaker JumpStart