
ChatGPT再进化:o1支持调用Python分析数据,网友:已经成为Copilot了
今天一大早,ChatGPT突然更新——基于Python的数据分析功能,在o1和o3-mini当中也可以使用了。OpenAI介绍,现在可以通过两款模型调用Python,完成数据分析、可视化、基于场景的模拟等任务。虽然界面并无明显变化,但是Python的确已经在o1当中悄悄“上岗”了。有网友评论说,这相当于是ADA(高级数据分析)功能迎来了第三个版本:还有人评价说,o1已经从一个助理,进化成全能的数据
今天一大早,ChatGPT突然更新——
基于Python的数据分析功能,在o1和o3-mini当中也可以使用了。
OpenAI介绍,现在可以通过两款模型调用Python,完成数据分析、可视化、基于场景的模拟等任务。
虽然界面并无明显变化,但是Python的确已经在o1当中悄悄“上岗”了。
有网友评论说,这相当于是ADA(高级数据分析)功能迎来了第三个版本:
还有人评价说,o1已经从一个助理,进化成全能的数据分析Copilot了。
那么,拥有了Python这一强大武器之后的o1,在数据分析上表现究竟如何呢?我们进行了一波实测。
o1挑战Python数据分析
第一轮测试,我们整理了某架飞机近一年时间里执飞过的400多条航班记录,交给模型对其中的数据进行分析。
表面上,需要回答的问题有4个:
-
这架飞机都执飞过哪些航线,每条各执飞过多少次;
-
在每条航线中,执飞次数最多的航班号分别是多少;
-
这架飞机的实际起飞时段集中在一天中的哪段时间(以整小时统计),注意表中为UTC时间,请换算成北京时间;
-
仅考虑落地时间,这架飞机一共出现过多少次延误,平均和最长延误时间分别是多少。
但实际上,模型还需要考虑更多的事情。
第一个问题,还可以通过简单直接统计实现,第二个问题就需要根据第一个问题的结果对数据进行归类后再进行计算。
第三个问题要做的工作就更多了,需要从原始的时间数据中提取出所在的小时段,还需要进行时差换算。
最后一个问题也最复杂,需要从混杂有其他文本的结构化信息中先找出时间,然后还涉及到比较和时间差计算,计算完后还要再进行筛选和进一步统计。
最终,这四个问题,o1在调用了Python之后全都分析对了。
当然,4o也答对了这些问题,不过输出的格式不太美观。
Claude(3.7 Sonnet)这边则是闹出了一些乌龙,一开始表示自己无法打开上传的文件(可能是文件名包含中文的缘故),反复自动重试多次后,竟然自己编了一套答案出来。
属于是没活硬整了。
△右侧答案为Claude编造的错误信息
不过当我们去掉文件名称中的中文之后,Claude成功读取了文件,并给出了正确的结论。
测试完在问答式的任务上的表现,再来看看可视化能力。
这里我们找来了最近某班次航班的飞行记录,包含了起飞到降落过程中各时间点的位置、高度、速度、航向等信息,一共有1700余个数据点。
给出的任务则是绘制出高度和速度随时间变化的折线图,并且涉及到了时区和计量单位的换算(原始数据中时间为UTC时间、高度为英尺、速度为节,需要换算成北京时间、高度单位为米、速度单位为公里每小时)。
在分别调用Python后,o1(左)和4o(右)绘制出的图像是这样的。
这里4o的标记更加易于分辨,而o1对两条线都采用了混色绘制,有些分不清具体所指:
当然对于图线的形状来说,经过对比原始数据来源中给出的图线,结果是一致的。
Claude这边的操作更加高级,直接做成了一个可交互的网页,鼠标划过后会显示时间点对应的原始信息。
但关键的问题是,Claude在时区的转换上出了错,并且也没按要求把时间间隔较长的数据点用虚线连接。
One More Thing
除了o1和o3-mini的功能更新外,OpenAI还宣布了另一个消息——
之前Mac客户端会员专属的Work with Apps功能,现在开放给所有用户了。
该功能可以从文本编辑和IDE工具等程序中读取代码等数据,无需反复复制粘贴就能更方便地完成编程等任务。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
更多推荐
所有评论(0)