Anteriormente, presenté a mis compañeros las cuatro publicaciones de @SentientAGI que fueron aceptadas por @NeurIPSConf, y la más valiosa de ellas es OML 1.0, que ha llegado a la pista principal. OML (Open Model License / Ownership Marking Layer) es una tecnología que "marca" los grandes modelos de lenguaje con un sello de autenticidad. Puede incrustar miles de "huellas dactilares" dentro del modelo sin afectar su rendimiento, como si hubiera escondido muchas marcas de agua invisibles en el modelo para probar su identidad y origen. Los métodos anteriores de huellas dactilares de modelos tenían muchas limitaciones: ❶ Solo se podían incrustar unas pocas decenas de huellas dactilares; más que eso, el modelo se "estropeaba"; ❷ Las huellas dactilares eran fáciles de descubrir o eliminar; se volvían ineficaces después de la afinación, destilación o fusión del modelo; ❸ No podían realmente soportar el seguimiento de derechos de autor y la comercialización de modelos de código abierto. OML incrusta claves invisibles en las "áreas marginales" del modelo, que son pares de clave-respuesta, permitiendo que el modelo se comporte de manera completamente consistente durante el uso normal, pero solo las personas que ingresan la clave específica pueden activar respuestas exclusivas, validando así la autenticidad del modelo. En pruebas reales, Sentient incrustó 24,576 pares de clave-respuesta independientes en la versión afinada de Llama-3.1-8B, manteniendo un rendimiento estable y existiendo incluso después de la afinación, destilación o mezcla. OML permite que los modelos tengan una "firma" como las obras humanas. Esto trae muchas posibilidades importantes: - Trazabilidad del modelo: saber de dónde proviene un modelo y quién lo entrenó. - Autorización y comercialización: los modelos de código abierto también pueden lograr distribución legal y autorización de cobro. - Protección contra falsificaciones y alteraciones: prevenir que otros plagien o se hagan pasar por originales después de la afinación. - Auditoría confiable: se puede verificar en un entorno real si un modelo pertenece a un determinado emisor. En resumen, OML es el primer paso para que los modelos de IA tengan un "mecanismo de protección de derechos de autor", y es la base que permite a Sentient lograr una AGI de código abierto impulsada por la comunidad.