संदर्भ में सीखना
संदर्भ में सीखना बड़े भाषा मॉडलों की बिना किसी पुनर्प्रशिक्षण के प्रॉम्प्ट में रखे गए कुछ उदाहरणों से एक नया कार्य लेने की आश्चर्यजनक क्षमता है।
सिंहावलोकन
It is the reason you can 'teach' a model on the fly just by showing it what you want.
गहरा गोता
आम तौर पर, एक तंत्रिका नेटवर्क को एक नया कार्य सिखाने का मतलब प्रशिक्षण के माध्यम से उसके वजन को अद्यतन करना है। संदर्भ में सीखना अलग है: आप कुछ उदाहरण सीधे प्रॉम्प्ट ('संदर्भ') में लिखते हैं, और मॉडल पैटर्न का अनुमान लगाता है और इसे एक नए इनपुट पर लागू करता है। मॉडल के अंदर कुछ भी नहीं बदलता; उदाहरण केवल अगली-टोकन भविष्यवाणी को संचालित करते हैं। आप 'शून्य-शॉट' (केवल निर्देश), 'एक-शॉट' (एक उदाहरण), और 'कुछ-शॉट' (कई उदाहरण) सुनेंगे। इस व्यवहार को 2020 में GPT-3 द्वारा लोकप्रिय बनाया गया और यह एक उभरती हुई क्षमता बन गई: छोटे मॉडल ऐसा नहीं कर सकते, लेकिन लगभग 100-बिलियन-पैरामीटर पैमाने पर, कुछ-शॉट संकेतों पर सटीकता तेजी से चढ़ती है। मॉडल ने प्रीट्रेनिंग के दौरान प्रभावी ढंग से पैटर्न को पहचानना और जारी रखना सीखा, ताकि वह अनुमान के समय उस कौशल का पुन: उपयोग कर सके।
तकनीकी अंतर्दृष्टि
व्याख्यात्मक अनुसंधान ने 'इंडक्शन हेड्स' की इस क्षमता का अधिकांश पता लगाया - ध्यान सर्किट जो प्रशिक्षण के दौरान उभरते हैं और अस्पष्ट उपसर्ग-मिलान करते हैं: वे वापस स्कैन करते हैं जहां एक समान टोकन दिखाई देता है, फिर उसके बाद जो हुआ उसे कॉपी करते हैं। इसलिए जब आपका प्रॉम्प्ट 'सेब -> फल, गाजर -> सब्जी' दिखाता है, तो मॉडल संरचना से मेल खाता है और अगले आइटम के लिए सही लेबल की भविष्यवाणी करता है। महत्वपूर्ण बात यह है कि अनुमान के समय कोई ग्रेडिएंट प्रवाहित नहीं होता और कोई भार अद्यतन नहीं होता। उदाहरण केवल उन सक्रियणों को दोबारा आकार देते हैं जो अगले-टोकन संभाव्यता वितरण को फ़ीड करते हैं।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
संदर्भ में सीखने का भविष्य
संदर्भ विंडो का विस्तार (अब सैकड़ों हजारों टोकन) इन-संदर्भ सीखने को 'कई-शॉट' शासन की ओर धकेलते हैं, जहां दर्जनों या सैकड़ों उदाहरण बिना किसी प्रशिक्षण लागत के कुछ कार्यों के लिए फाइन-ट्यूनिंग के प्रतिद्वंद्वी हो सकते हैं। पुनर्प्राप्ति के साथ सख्त एकीकरण की अपेक्षा करें, ताकि प्रासंगिक उदाहरण स्वचालित रूप से प्राप्त हो जाएं, और जब संदर्भ में सीखना विफल हो जाता है या विचलित हो जाता है तो बेहतर सिद्धांत। यह किसी मॉडल को अनुकूलित करने का तेज़, सस्ता तरीका बना रहेगा, जो स्थिर, उच्च-मात्रा वाले कार्यों के लिए पूरक - प्रतिस्थापित नहीं - फाइन-ट्यूनिंग होगा।
वास्तविक विश्व कार्यान्वयन
एक चैटबॉट को समर्थन टिकटों और उनकी श्रेणियों के तीन उदाहरण देना, फिर उसी तरह से एक नए टिकट को वर्गीकृत करना
गंदे पाठ के पहले/बाद के दो जोड़े का एक मॉडल दिखा रहा है जिसे स्वच्छ JSON में पुन: स्वरूपित किया गया है ताकि यह बाकी को परिवर्तित कर सके
अपने ब्रांड के अनुरूप कुछ नमूना उत्पाद विवरण चिपकाएँ ताकि नए विवरण शैली से मेल खाएँ
एक पेचीदा गणित शब्द-समस्या का प्रदर्शन चरण-दर-चरण काम करता है ताकि मॉडल समान तर्क प्रारूप के साथ समान समस्याओं को हल कर सके
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the In-Context Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
प्रसंग विंडोज़
अक्सर पूछे जाने वाले प्रश्नों
What is In-Context Learning?
संदर्भ में सीखना बड़े भाषा मॉडलों की बिना किसी पुनर्प्रशिक्षण के प्रॉम्प्ट में रखे गए कुछ उदाहरणों से एक नया कार्य लेने की आश्चर्यजनक क्षमता है। यही कारण है कि आप किसी मॉडल को तुरंत यह दिखाकर 'सिखा' सकते हैं कि आप क्या चाहते हैं।
संदर्भ में सीखने के दौरान मॉडल के अंदर मौलिक रूप से क्या परिवर्तन होता है?
संदर्भ में सीखना पूरी तरह से अनुमान पर होता है। प्रॉम्प्ट में दिए गए उदाहरण मॉडल की सक्रियता और अगले-टोकन पूर्वानुमानों को आकार देते हैं, लेकिन कोई वज़न अपडेट नहीं किया जाता है।
संदर्भ में सीखने को 'आकस्मिक' क्षमता के रूप में क्यों वर्णित किया गया है?
छोटे मॉडलों में क्षमता कमजोर या अनुपस्थित होती है और एक बार जब मॉडल बहुत बड़े पैमाने पर पहुंच जाते हैं तो तेजी से चढ़ते हैं, यही कारण है कि इसे आकस्मिक कहा जाता है।
कौन सा आंतरिक तंत्र ट्रांसफार्मर में संदर्भ-आधारित सीखने से सबसे अधिक जुड़ा हुआ है?
व्याख्यात्मक कार्य ने प्रेरण प्रमुखों की पहचान की - ध्यान सर्किट जो पता लगाते हैं कि एक समान टोकन कहां दिखाई दिया और जो आगे आया उसे कॉपी करते हैं - इन-संदर्भ सीखने के मुख्य चालक के रूप में।