Ավելի լավ AI մոդելի անցնելը կարող է նվազեցնել արդյունավետությունը
Tirtha-ի վերջին հետազոտությունը մարտահրավեր է նետում AI-ի «սանդուղքային» մոտեցմանը, որտեղ մշակողները բարդ առաջադրանքների համար փոքր և էժան մոդելներից անցնում են ավելի մեծ ու թանկարժեք մոդելների: 2400 առաջադրանքների փորձարկման արդյունքում պարզվել է, որ թեև «էսկալացիան» միջինում բարելավում է արդյունքները, այն նաև հանգեցրել է 34 առաջադրանքների ձախողման, որոնք ավելի էժան մոդելը ճիշտ էր լուծել: Հետազոտությունը պնդում է, որ սանդուղքային մոդելը թերի է, քանի որ անտեսում է այնպիսի կարևոր գործոններ, ինչպիսիք են առաջադրանքի ձևը, համատեքստի տրամադրումը և կանոնների պահպանումը: Ավտոմատ էսկալացիայի վրա հույս դնելու փոխարեն՝ հեղինակներն առաջարկում են կենտրոնանալ համակարգային օպտիմալացման վրա, ինչպիսիք են տվյալների որակի բարելավումը և արդյունքների ստուգումը ըստ կատեգորիաների: Բացահայտումները ցույց են տալիս, որ ընդհանուր ցուցանիշները հաճախ թաքցնում են լուրջ թերություններ, և AI համակարգերում ամենամեծ ձեռքբերումները հաճախ կախված չեն միայն ավելի հզոր մոդել ընտրելուց:
This is a summary. Read the full article at the original source:
Dev.toԿապակցված
Ձեր սեփական նեյրոնային ցանցը տանը՝ հասանելի աշխարհի ցանկացած կետից
Հոդվածում ներկայացված է տնային սարքավորումների վրա մեծ լեզվական մոդելների (LLM) հետ աշխատելու համար սեփական սերվեր ստեղծելու գործնական ուղեցույց: Հեղի…
Ինչպես ներբեռնել AI-ի կողմից ստեղծված 3D մոդելները առանց բաժանորդագրության
Habr-ում հրապարակված հոդվածում հեղինակը կիսվում է գեներատիվ AI ծառայությունների միջոցով ստեղծված 3D մոդելների արտահանման սահմանափակումները շրջանցելու…
AGI-ն որպես կոգնիտիվ ՕՀ. ի՞նչ կլինի, եթե փնտրենք ծրագրեր, այլ ոչ թե կշիռներ
Հոդվածը քննարկում է մեծ լեզվական մոդելների (LLM) ներկայիս վիճակը՝ դրանց ճարտարապետության թափանցիկության բացակայության համատեքստում: Հեղինակը զուգահեռն…