À suivreGuide suivant
Recherche de poutre guidée avec contraintes
IA linguistique
GUIDE IA du langage
Recherche de faisceau
Beam search is a decoding algorithm that retains a fixed number of high-scoring partial sequences at each step.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
It is used in sequence generation tasks, with results shaped by model scores and any normalization or penalties.
Plongée profonde
At each decoding step, beam search expands the current partial candidates and retains the top-scoring continuations. A wider beam explores more options but increases search cost and does not necessarily improve perceived quality. GNMT uses length normalization to mitigate short-output bias and a coverage penalty to encourage source-word coverage in translation. Diverse beam search modifies group selection to reduce redundant candidates.
Mise en œuvre dans le monde réel
A beam of width k keeps up to k partial sequences rather than only one greedy continuation.
GNMT used length normalization and a coverage penalty in its translation system.
Diverse beam search adds a penalty to reduce overlap among candidate sequences from beam groups.
For open-ended text, compare beam outputs with sampling because likelihood-ranked outputs can be repetitive or bland in the evaluated settings.
L'avenir de la recherche de faisceaux
Select decoding criteria for the task and measure both search cost and output quality. For translation, report source coverage and reference-based metrics; for open-ended generation, include human evaluation where appropriate. The cited sources describe particular methods and experiments rather than a single universally best beam configuration.
Le mettre en pratique
Pourquoi c'est important
- Vitesse et échelle. Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
- Accès et portée. Il étend l’accès à toutes les langues et styles de communication.
- Décisions plus claires. Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Attention à
- Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
- La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
- Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Prochaines étapes
- Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
- Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
- Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
- Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Beam Search quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que la recherche par rayons ?
Beam search is a decoding algorithm that retains a fixed number of high-scoring partial sequences at each step. It is used in sequence generation tasks, with results shaped by model scores and any normalization or penalties.
Que contrôle la « largeur du faisceau » (k) dans la recherche de faisceau ?
La largeur du faisceau est le nombre de séquences partielles supérieures conservées et développées à chaque étape ; des largeurs plus grandes explorent plus de candidats.
En quoi la recherche de faisceau diffère-t-elle du décodage gourmand ?
Le décodage gourmand ne prend que le jeton supérieur à chaque étape ; des haies de recherche de faisceaux en suivant simultanément plusieurs séquences prometteuses.
Pourquoi la normalisation de longueur est-elle couramment appliquée dans la recherche de faisceaux ?
Chaque jeton supplémentaire ajoute une probabilité journalière négative, donc sans normalisation, les séquences plus courtes obtiennent injustement un score plus élevé.
Pour quelle tâche la recherche par faisceau est-elle particulièrement adaptée ?
La recherche par faisceau excelle lorsque l’objectif est un rendu unique, précis et fluide, c’est pourquoi elle est devenue la norme en traduction.
Quel est l’inconvénient connu de l’utilisation d’une très grande largeur de faisceau pour la génération ouverte ?
Contre-intuitivement, des faisceaux plus larges dans la génération de texte neuronal favorisent souvent les séquences génériques et répétitives plutôt que les séquences intéressantes.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet