स्व-स्थिरता डिकोडिंग
स्व-स्थिरता एक डिकोडिंग रणनीति है जो एक भाषा मॉडल से कई अलग-अलग तर्क पथों का नमूना लेती है और फिर उस उत्तर को चुनती है जिस पर उनमें से अधिकांश सहमत होते हैं।
सिंहावलोकन
It matters because a single greedy answer can be wrong, while the consensus across diverse attempts is far more often correct.
गहरा गोता
Google शोधकर्ताओं द्वारा 2022 में पेश किया गया, स्व-स्थिरता सामान्य 'लालची' डिकोडिंग की जगह लेती है, जहां मॉडल नमूना-और-वोट दृष्टिकोण के साथ, प्रत्येक चरण पर एकल सबसे संभावित अगले टोकन के लिए प्रतिबद्ध होता है। यह विचार चेन-ऑफ-थॉट प्रॉम्प्टिंग पर आधारित है: मॉडल को चरण दर चरण तर्क करने के लिए कहा जाता है, लेकिन एक श्रृंखला उत्पन्न करने के बजाय, यह गैर-शून्य तापमान का उपयोग करके कई विविध श्रृंखलाओं का नमूना लेता है। प्रत्येक श्रृंखला एक अलग मार्ग अपना सकती है, फिर भी सही तर्क एक ही अंतिम उत्तर पर केंद्रित होता है जबकि त्रुटियाँ अलग-अलग दिशाओं में बिखर जाती हैं। फिर सिस्टम अंतिम उत्तरों पर बहुमत वोट लेता है। इस सरल परिवर्तन ने GSM8K जैसे अंकगणित और सामान्य ज्ञान तर्क बेंचमार्क पर बड़े लाभ उत्पन्न किए, अक्सर बिना किसी पुनर्प्रशिक्षण के दोहरे अंकों की सटीकता में सुधार जोड़ा गया।
तकनीकी अंतर्दृष्टि
विधि इस अंतर्ज्ञान का शोषण करती है कि सही उत्तर तक पहुंचने के कई वैध तरीके हैं लेकिन गलत होने के अनगिनत तरीके हैं। शून्य से ऊपर तापमान वाली 40 श्रृंखलाओं का नमूना लेकर, मॉडल विभिन्न तर्क उत्पन्न करता है। केवल अंतिम उत्तरों को हाशिये की शैली के बहुमत वोट द्वारा एकत्रित किया जाता है; तर्क पाठ को खारिज कर दिया गया है। सटीकता आम तौर पर अधिक नमूनों के साथ बढ़ती है लेकिन रिटर्न कम होने के साथ, विश्वसनीयता के लिए अतिरिक्त अनुमान गणना का व्यापार होता है। इसके लिए किसी लेबल वाले डेटा या फ़ाइन-ट्यूनिंग की आवश्यकता नहीं है।
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।
स्व-संगति डिकोडिंग का भविष्य
आत्म-स्थिरता अनुमान-समय स्केलिंग का एक मूलभूत उदाहरण है, और इसके वंशज अब तर्क मॉडल को सशक्त बनाते हैं जो कठिन सोचने के लिए अतिरिक्त गणना खर्च करते हैं। भविष्य के निर्देशों में समान रूप से गिनती करने के बजाय एक विद्वान सत्यापनकर्ता या आत्मविश्वास स्कोर द्वारा वोटों को महत्व देना, प्रश्न की कठिनाई के आधार पर कितने नमूने लेने हैं, यह चुनना और ट्री ऑफ थॉट्स जैसे खोज ढांचे के साथ वोटिंग का संयोजन करना शामिल है। उम्मीद करें कि यह एक सस्ता, प्रशिक्षण-मुक्त आधार रेखा बना रहेगा जिसे कोई भी सिस्टम उस समय लागू कर सकता है जब विलंबता की तुलना में शुद्धता अधिक मायने रखती है।
वास्तविक विश्व कार्यान्वयन
कई समाधान पथों का नमूना लेकर और अंतिम संख्या पर मतदान करके ग्रेड-स्कूल गणित शब्द समस्याओं (GSM8K) पर सटीकता को बढ़ावा देना।
बहु-चरणीय सामान्य ज्ञान प्रश्न उत्तर की विश्वसनीयता में सुधार जहां एक एकल श्रृंखला एक अनुमान पर फिसल सकती है।
नमूनों में कौन सा आउटपुट सबसे अधिक लगातार दिखाई देता है, इसकी जाँच करके कोड-जनरेशन उत्तरों में आत्मविश्वास बढ़ाना।
प्रतीकात्मक या तार्किक तर्क कार्यों को मजबूत करना जहां विविध व्युत्पत्तियां एक सही निष्कर्ष पर एकत्रित होनी चाहिए।
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 Self-Consistency Decoding 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
मेडुसा डिकोडिंग प्रमुख
अक्सर पूछे जाने वाले प्रश्नों
What is Self-Consistency Decoding?
स्व-स्थिरता एक डिकोडिंग रणनीति है जो एक भाषा मॉडल से कई अलग-अलग तर्क पथों का नमूना लेती है और फिर उस उत्तर को चुनती है जिस पर उनमें से अधिकांश सहमत होते हैं। यह मायने रखता है क्योंकि एक भी लालची उत्तर गलत हो सकता है, जबकि विभिन्न प्रयासों में आम सहमति कहीं अधिक सही होती है।
स्व-स्थिरता डिकोडिंग के पीछे मूल विचार क्या है?
स्व-संगति तर्क की कई विविध श्रृंखलाओं का नमूना लेती है और अंतिम उत्तर का चयन करती है जिस पर अधिकांश श्रृंखलाएं सहमत होती हैं।
विविध तर्क पथों का नमूनाकरण सटीकता में मदद क्यों करता है?
एक सही उत्तर के लिए कई वैध मार्ग हैं लेकिन गलतियाँ करने के अनगिनत तरीके हैं, इसलिए सही उत्तर एकत्रित होते हैं जबकि गलतियाँ अलग-अलग हो जाती हैं, जिससे बहुमत अधिक विश्वसनीय हो जाता है।
स्व-स्थिरता किस डिकोडिंग विधि को प्रतिस्थापित करती है?
एक सर्वाधिक संभावित मार्ग के लिए लालच से प्रतिबद्ध होने के बजाय, कई मार्गों पर स्व-स्थिरता के नमूने और समुच्चय।
प्रत्येक नमूना श्रृंखला का कौन सा भाग वास्तव में अंतिम वोट में उपयोग किया जाता है?
मध्यवर्ती तर्क को त्याग दिया जाता है; केवल अंतिम उत्तरों को बहुमत से एकत्रित किया जाता है।
स्व-स्थिरता का उपयोग करने की मुख्य लागत क्या है?
दर्जनों तर्क श्रृंखलाएँ उत्पन्न करने से अनुमान लागत कई गुना बढ़ जाती है; अधिक नमूनों के साथ सटीकता बढ़ती है लेकिन रिटर्न कम होने के साथ।