当前位置:首页 > 外汇资讯 > 正文内容

OpenAI新产品GPTBot:可爬取网络数据,为GPT-5做准备

激石外汇2023-08-09 12:00:20外汇资讯397

激石Pepperstone(http://www.paraat.net/)报道:

8月8日,OpenAI在官网介绍了新产品GPTBot,这是一种网络爬虫,可大规模爬取网络数据用于训练AI模型。(地址:https://platform.openai.com/docs/gptbot)

OpenAI表示,将通过GPTBot抓取海量数据,用于训练、优化未来模型。国外不少科技媒体指出,这个未来模型指的就是GPT-5。

事实上,OpenAI在今年7月18日提交了GPT-5商标的消息,此时又放出全新网络爬虫, 说明GPT-5离我们越来越近了。

GPTBot介绍

GPTBot是OpenAI的网络爬虫,可以通过以下用户代理和字符串来识别,代码如下。

User agent token: GPTBot

Full user-agent string: Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; GPTBot/1.0; +https://openai.com/gptbot)

OpenAI会对抓取的数据进行过滤,例如,删除需要付费才能查看、使用的数据,搜集的个人身份信息(PII)或违反法律法规的数据等,以保证抓取的数据符合安全标准。

如果用户的网站不想被GPTBot抓取数据,可以将GPTBot添加到站点的robots.txt中,代码如下:

User-agent: GPTBot

Disallow: /

用户也可以自定义GPTBot的访问权限,将其添加到网站的robots.txt中,代码如下:

User-agent: GPTBot

Allow: /directory-1/

Disallow: /directory-2/

什么是网络爬虫

网络爬虫,是一种主要通过浏览网络抓取数据的工具,方式包括数据挖掘,网页数据复制/拍照、网站镜像等方式。

网络爬虫是互联网和大数据时代最重要工具之一,被誉为“黄金矿工”应用场景非常广泛。

例如,谷歌、百度等搜索引擎通过网络爬虫来收集和建立网页索引,方便用户可以通过关键字快速找到相关的网页

也有商业机构使用网络爬虫实时收集竞争对手的信息,如产品价格、新产品发布、营销活动等,以进行市场分析和营销策略制定。

网络爬虫的缺点

虽然网络爬虫功能强大,但也存在数据质量不稳定、版权风险、难以爬取特定内容、爬取频率等缺点。

数据质量不稳定:网络爬虫抓取的数据可能包含大量非法、虚假或质量低下的数据,例如,爬取了一个非法网站的数据。因此,想使用爬虫的数据需要进行清洗和处理。

版权风险:网络爬虫可能会侵犯数据隐私和版权,违反网站的使用协议带来法律风险。例如,非法爬取了目标网站的付费内容。

难以爬取特定内容:对于一些需要用户输入或交互才能获取的内容,例如,网站搜索结果、验证码、登录后才能查看的内容等,网络爬虫可能难以抓取。

爬取频率:网络爬虫抓取的数据是静态的,不能实时反映网页的变化需要定期重新抓取。但频率过高会对目标网站的服务器造成巨大压力影响其正常服务,频率太低数据更新又不及时,需要制定一个合理的频率。

如今在大模型等AI技术加持下,上述常见的网络爬虫缺点已得到克服,并且更注重数据版权、安全等问题。

网络爬虫抓取的数据,是训练大语言模型的重要来源

目前,训练大语言模型的主要数据来源包括自有数据集、开源数据集和网络爬虫等。自有数据集主要应用在特定业务场景的微调,例如,法律领域的使用真实的法律裁决、书籍、法律合同等数据,训练专用于法律的生成式AI产品。

开源数据集,这种数据是很多大型厂商开源的数据有的可用于商业化,有的只能用于技术研究,并且数据可能存在老旧的情况。所以,网络爬虫成为企业训练通用大模型的重要数据来源。

例如,OpenAI的GPT-3模型使用了45TB的互联网文本进行训练,包括代码、小说、百科、新闻、博客等,而这些数据来源多数是通过网络爬虫获取。

所以,我们有时候会看到ChatGPT会生成虚假的信息,就是因为在爬取时本身就抓取了错误、虚假的信息,在清洗、预训练、微调的过程中又没发现,才会出现这样的情况(有时也存在AI算法问题等)。

不过OpenAI已经制定了严格的数据获取、使用标准,避免这种情况发生。         

扫描二维码推送至手机访问。

版权声明:本文由激石Pepperstone发布,如需转载请注明出处。

本文链接:http://www.paraat.net/news/2008.html

标签: OpenAI
分享给朋友:

“OpenAI新产品GPTBot:可爬取网络数据,为GPT-5做准备” 的相关文章

港股继续反弹 科技股强势拉升 阿里巴巴涨超3%

港股继续反弹 科技股强势拉升 阿里巴巴涨超3%

激石Pepperstone(http://www.paraat.net/)报道:6月27日周一,港股延续上周的涨势高开,恒指开涨1.19%,恒生科技指数开涨1.28%。 开盘不久,恒生科技指数涨幅迅速扩大至超2%,成分股阿里巴巴涨超3%;恒指也重回22000点上方,现涨约1.3%。 盘面上,科技...

三大央行行长“盖棺定论”:“低通胀时代”结束了!“低利率”纪元告终

激石Pepperstone(http://www.paraat.net/)报道:6月29日周三,欧美三大央行行长罕见齐聚一堂,传递出一个关键的信息是:世界正转向一种更高的通胀机制,过去二十年的低利率策略将不再适用。 “低通胀时代”结束 目前,美国、英国和欧元区的通胀率远高于目标水平,央行行长们认为,...

半导体砍单蔓延到MCU,价格雪崩已在眼前

半导体砍单蔓延到MCU,价格雪崩已在眼前

激石Pepperstone(http://www.paraat.net/)报道:7月1日早上,市场消息称半导体芯片砍单、降价的风暴再次扩大,本次涉及的标的是MCU(微控制器),尤其是以消费型应用价格下降最大。此外,还有全球五大MCU厂价格腰斩的消息传出。 见智研究(公众号:见智研究Pro)认为:MC...

华为造车的三条路

华为造车的三条路

激石Pepperstone(http://www.paraat.net/)报道:2022年7月4日,问界M7发布 揭示了华为造车的三条路: 1、零部件供应模式,本质是Tier 1; 2、解决方案集成HI模式,本质是Tier 0.5; 3、智选车模式,本质是Tier 0。 为了研究智能电车时...

美债收益率大跌,关键曲线再度倒挂,“衰退风向标”狂闪

美债收益率大跌,关键曲线再度倒挂,“衰退风向标”狂闪

激石Pepperstone(http://www.paraat.net/)报道:美国债券市场发出了警告信号,投资者纷纷涌入避险资产,这表明对潜在经济衰退的担忧已笼罩全球市场。 昨日交易盘中,美国债券市场出现剧烈波动,美国10年期国债收益率大跌6个基点,今年第三次和2年期美债收益率出现倒挂。 10年期...

中国央行连续四天逆回购30亿元!

中国央行连续四天逆回购30亿元!

激石Pepperstone(http://www.paraat.net/)报道:今日,央行本周以来连续第四天开展30亿元7天期逆回购操作。 7月7日周四,中国央行再进行30亿元7天期逆回购操作,中标利率为2.10%,与此前持平。今日800亿元逆回购到期,单日实现净回笼770亿元,本周总共已净回笼37...