Ձեր գործիքը վերադարձրեց տողերը, իսկ մոդելը սխալ հաշվեց դրանք
AI գործակալների շրջանակների վերաբերյալ վերջին հետազոտությունը բացահայտում է հուսալիության լուրջ խնդիր. LLM-ները հաճախ չեն կարողանում ճշգրիտ հաշվել տարրերը, երբ նրանց տրամադրվում են տվյալների հում ցուցակներ: Փորձարկելով 408 գործարկումներ CrewAI, LangGraph և Strands շրջանակներում՝ հեղինակը ցույց է տալիս, որ մոդելները հաճախ սխալներ են թույլ տալիս կամ սխալ են մեկնաբանում սահմանային պայմանները, երբ նրանց հանձնարարվում է հաշվել գործիքի կողմից վերադարձված տողերը: Հետազոտությունը ընդգծում է, որ այս ձախողումները տեղի են ունենում լուռ՝ առանց սխալների ազդանշան տալու, և հաճախ պայմանավորված են մեծ ցուցակները մշակելու մոդելի անկարողությամբ: Հեղինակը առաջարկում է, որ մշակողները նախապես հաշվարկեն քանակները գործիքի ներսում՝ փոխարենը հույսը դնելու մոդելի վրա: Այս մոտեցումը ոչ միայն բարելավում է ճշգրտությունը, այլև զգալիորեն նվազեցնում է թոքենների օգտագործումը և ծախսերը: Արդյունքները շեշտում են այն տվյալների ստուգման կարևորությունը, որոնք հասնում են մոդելի հուշմանը:
This is a summary. Read the full article at the original source:
Dev.toԿապակցված
Արհեստական բանականության թարմացումների ակնարկ՝ Opus 5.5, Fable 5.1, GPT-6, DeepSeek և Grok
Վերջին հինգ շաբաթվա ընթացքում գեներատիվ արհեստական բանականության շուկան զգալի փոփոխություններ է կրել՝ թողարկվել են նոր մոդելներ, այդ թվում՝ Claude Fab…
OpenAI-ն և Cerebras-ը հաստատել են 750 ՄՎտ հզորությամբ AI ինֆերենսի տեղակայումը մինչև 2028 թվականը
OpenAI-ն և Cerebras-ը հայտարարել են բազմամյա համագործակցության մասին՝ 750 ՄՎտ հզորությամբ AI հաշվարկային հզորություն տրամադրելու վերաբերյալ՝ ծայրահեղ…
Շոն Փարքերը վերակառուցում է Stability AI-ն երաժշտության շուրջ
Napster-ի համահիմնադիր և Facebook-ի նախկին ղեկավար Շոն Փարքերը նախաձեռնել է Stability AI-ի ռազմավարական նշանակալի փոփոխությունը: Նախկինում երաժշտական…