Descrição
Sup AI foi construída em torno da ideia de que combinar múltiplos modelos de IA poderia gerar resultados mais precisos do que confiar em um único modelo. A abordagem envolvia orquestrar um conjunto de modelos de ponta, avaliando suas saídas com probabilidades logarítmicas e sintetizando os resultados. Esse método se mostrou eficaz, muitas vezes superando modelos individuais mesmo ao usar alternativas menos sofisticadas. O sucesso decorreu de três estratégias principais: selecionar modelos com erros não correlacionados, otimizar consultas para cada modelo e fundir saídas com base em níveis de confiança.
Apesar do crescimento no uso e nas conversões pagas, surgiram desafios na implementação de algoritmos sobre APIs de grandes fornecedores. Empresas como Anthropic e OpenAI começaram a limitar o acesso a sinais críticos, como rastros de raciocínio e probabilidades logarítmicas, o que dificultou a construção de sistemas precisos. O cenário econômico também mudou, com altas margens em inferências tornando difícil para desenvolvedores independentes competir com produtos de consumo subsidiados.
A demanda por precisão na IA para consumidores é bimodal, com um pequeno segmento disposto a pagar por respostas confiáveis, enquanto a maioria prioriza o custo em detrimento da precisão. Essa realidade tornou desafiador sustentar um negócio focado em precisão no mercado consumidor. Embora houvesse oportunidades no espaço B2B, o fundador, Ken Mueller, decidiu mudar de direção, buscando focar na pesquisa em vez disso.
Mueller agora é um estudante do segundo ano em Stanford, onde planeja estabelecer um laboratório de pesquisa dedicado ao raciocínio causal em modelos de linguagem. Esta área de estudo visa abordar as limitações dos modelos atuais na compreensão de causa e efeito, intervenções e contrafactuais. O objetivo é desenvolver benchmarks que destaquem onde os modelos existentes falham e criar um modelo que incorpore o raciocínio causal como um aspecto fundamental. Essa mudança representa um compromisso em explorar questões mais profundas em IA, em vez de otimizar soluções existentes para lucro.
Para usuários com assinaturas ativas, os serviços foram pausados, e eles podem solicitar reembolsos ou cópias de dados. Mueller incentiva a comunicação aberta para feedback ou perguntas sobre a nova direção de seu trabalho.
Recursos principais de Sup AI
Orquestração de Modelos Conjuntos
Avaliação de Probabilidades Logarítmicas
Pesquisa em Raciocínio Causal
Desafios de Integração de API
Base de Usuários Alvo
Oportunidades B2B
Incorporação de Feedback dos Usuários
Gerenciamento de Assinaturas
Como usar Sup AI?
Entenda a missão: Aprenda sobre a mudança do modelo original da Sup AI para um foco em raciocínio causal.
Explore a pesquisa: Acompanhe os desenvolvimentos em raciocínio causal e suas implicações para a IA.
Engaje-se com a comunidade: Entre em contato para discussões ou feedback sobre a nova direção.
Gerencie assinaturas: Entre em contato com o suporte para reembolsos ou solicitações de dados se você tinha uma assinatura ativa.
Casos de uso de Sup AI
- Aplicações de Pesquisa
- Documentos Legais
- Dosagem Médica
- Análise de Dados
- Desenvolvimento de Políticas
