AGI (mesterséges általános intelligencia)
Egy hipotetikus mesterséges intelligencia rendszer, amely a legtöbb intellektuális feladatot emberi szinten képes elvégezni számos területen.
Az alapvető műszaki terminológia a legmagasabb szintű áttekinthetőséggel magyarázva. Kutatók, hallgatók és emberközpontú oktatás számára készült.
Megjelenítés 213 megfelelő kifejezések.
Egy hipotetikus mesterséges intelligencia rendszer, amely a legtöbb intellektuális feladatot emberi szinten képes elvégezni számos területen.
Szoftverrendszer, amely képes megfigyelni, okoskodni, és lépéseket tenni a cél elérése érdekében, gyakran eszközöket és memóriát használva.
A mesterséges intelligencia rendszerek emberi szándékok, értékek és biztonsági korlátok szerinti viselkedésre késztetése.
Irányelvek, szabványok és felügyeleti mechanizmusok, amelyek irányítják a mesterséges intelligencia fejlesztését és felhasználását a társadalomban.
A mesterséges intelligencia rendszerekben a káros viselkedés, a hibák és a visszaélések kockázatának csökkentésére összpontosító terület.
Szabályok vagy lépések meghatározott halmaza, amelyet a számítógép követ egy probléma megoldása vagy egy feladat elvégzése érdekében.
A modellkimenetek szisztematikus méltánytalansága, amelyet ferde adatok, feltételezések vagy modellezési választások okoznak.
Milyen egyértelműen dokumentálják és érthetőek egy AI-rendszer logikája, adatforrásai és korlátai.
Ember által hozzáadott címkék vagy metaadatok a gépi tanulási modellek betanításához vagy értékeléséhez.
Strukturált módja annak, hogy egy szoftverrendszer kéréseket küldjön egy másik rendszernek, és válaszokat fogadjon onnan.
Az épületrendszerek széles területe, amelyek mintafelismerést, érvelést, nyelvezetet vagy döntéshozatalt igénylő feladatokat látnak el.
Modellkomponens, amely dinamikusan fókuszál a bemenet releváns részeire, amikor kimenetet állít elő.
Olyan rendszer, amely valós időben tud döntéseket hozni és cselekedni korlátozott vagy közvetlen emberi irányítás nélkül.
Az alapvető betanítási algoritmus, amely frissíti a modell súlyait az előrejelzési hibáknak a hálózaton keresztül történő visszafelé terjesztésével.
Egy egyszerű referenciamodell annak összehasonlítására, hogy az összetettebb megközelítések valóban javítják-e az eredményeket.
A modell teljesítményének mérésére és összehasonlítására használt szabványos teszt vagy adatkészlet.
Konzisztens hiba vagy tisztességtelen minta az adatok vagy a modell viselkedésében.
Nagyon nagy és összetett adatkészletek, amelyek méretezhető tárolási és feldolgozási technikákat igényelnek.
Olyan modell, amelynek belső érvelését az emberek nehezen tudják közvetlenül értelmezni.
Mennyire egyezik egy modell megbízhatósági pontszáma a tényleges helyességi valószínűségekkel.
Olyan érvelési stílus, amelyben az AI-modell a problémát közbenső lépésekre bontja.
Olyan feladat, ahol egy modell egy vagy több előre meghatározott kategóriához rendel egy bemenetet.
Kifejezetten osztályozási feladatokra tervezett modell.
Multimodális modellarchitektúra, amely megtanulja a szöveg és a képek közötti megosztott ábrázolásokat.
A modellek betanításához és futtatásához szükséges feldolgozási erőforrások, gyakran FLOPS vagy GPU órákban mérve.
Az AI ága, amely jelentést von ki a képekből és a videókból.
A nyelvi modell által egyszerre feldolgozható beviteli tokenek maximális száma.
Képzési megközelítések, amelyek lehetővé teszik, hogy a modell folyamatosan tanuljon az új adatokból anélkül, hogy elfelejtené az előzetes tudást.
Rácsszerű adatok, például képek feldolgozására optimalizált neurális architektúra.
Egy közös célfüggvény, amelyet az osztályozási modellek képzésére használnak a helytelen valószínűségek büntetésével.
Olyan technikák, amelyek módosított képzési példákat hoznak létre a modell általánosításának javítása érdekében.
A valós bemeneti adatok időbeli változása, amely ronthatja a modell teljesítményét.
Címkék vagy célkimenetek hozzárendelése a nyers adatokhoz a felügyelt tanuláshoz.
Strukturált vagy strukturálatlan példák gyűjteménye képzéshez, érvényesítéshez vagy teszteléshez.
Az osztályozó által előre jelzett osztályokat elválasztó felület a jellemzőtérben.
Olyan modell, amely előrejelzéseket ad a ha-akkor jellemző felosztások sorozatán keresztül.
A gépi tanulás egy részhalmaza, amely többrétegű neurális hálózatokat használ a reprezentációs tanuláshoz.
Generatív architektúra, amely megtanulja a zaj visszafordítását képek, hangok vagy egyéb tartalmak szintetizálásához.
A tudás tömörítése egy nagy tanári modellből egy kisebb diákmodellbe.
Olyan módszerek, amelyek az egyik tartományban betanított modellt a másik tartományban való jobb teljesítmény érdekében továbbítják.
Numerikus vektoros ábrázolás, amely szöveg, képek vagy egyéb adatok szemantikai jelentését rögzíti.
A modell azon összetevője, amely a bemenetet látens reprezentációkká alakítja át.
Több modellből származó előrejelzések kombinálása a robusztusság vagy a pontosság javítása érdekében.
Kinyújtott adatkészlet, amelyet a modell minőségének mérésére használnak edzés után.
Egy modell viselkedése milyen mértékben értelmezhető és magyarázható az emberek számára.
Helytelen előrejelzés, ha a modell kihagy egy valódi pozitív esetet.
Helytelen előrejelzés, amikor a modell hibásan jelöl meg pozitívként egy negatív esetet.
A modell által előrejelzések készítésére használt bemeneti változó.
Bemeneti változók tervezése vagy átalakítása a tanulás könnyebbé és hatékonyabbá tétele érdekében.
Nyers adatok konvertálása olyan informatív funkciókká, amelyeket egy modell használhat.
A viselkedés tanulása vagy adaptálása csak néhány példából.
Tartomány-specifikus adatok továbbképzése egy előre betanított modell adott feladathoz való adaptálásához.
Nagyméretű előre betanított modell, amely számos downstream feladathoz illeszthető.
Modellképesség külső eszközöket vagy API-kat indító strukturált hívások generálására.
Egy generatív beállítás, ahol a generátor és a diszkriminátor egymás ellen edz.
Milyen jól teljesít egy modell új, nem látott adatokon a képzési halmazon kívül.
AI rendszerek, amelyek új tartalmat, például szöveget, képeket, hangot, videót vagy kódot állítanak elő.
Egy vektor, amely megmutatja, hogy az egyes paramétereknek mennyit kell változniuk a veszteség csökkentése érdekében.
Optimalizálási módszer, amely a hibákat csökkentő irányba frissíti a paramétereket.
Megbízható referenciacímkék a modellkimenetek betanításához vagy értékeléséhez.
Szabályok, ellenőrzések és vezérlők, amelyek korlátozzák a nem biztonságos vagy nem kívánt modell viselkedését.
Amikor egy modell gördülékeny, de hamis vagy nem támogatott információkat generál.
Egy munkafolyamat, amelyben az emberek felülvizsgálják, irányítják vagy felülbírálják az AI-kimeneteket.
A képzés előtt beállított konfigurációs érték, például tanulási sebesség, kötegméret vagy mélység.
A modell azon képessége, hogy kövesse a mintákat a közvetlenül a promptban megadott példákból.
Az a futásidejű fázis, amelyben egy betanított modell előrejelzéseket vagy kimeneteket generál.
Az egyes válaszok előállítása során felhasznált feldolgozási teljesítmény mennyisége.
Utasítás-válasz páros modell finomhangolása a feladatkövetés javítása érdekében.
A felhasználó céljának előrejelzése szöveges lekérdezésből a helyes útválasztáshoz.
Gyors technika a modell biztonsági korlátainak megkerülésére.
A modell betanítási adataiban tükröződő legutóbbi időpont.
Kisebb modell betanítása egy nagyobb modell kimeneteinek utánzására.
Az entitások és kapcsolatok gráfszerkezete, amelyet érvelésre vagy visszakeresésre használnak.
Szabályosítási módszer, amely lágyítja a kemény címkéket az általánosítás javítása érdekében.
A kérés elküldése és a modell kimenetének fogadása közötti idő.
Hatalmas szövegkorpusokra kiképzett nyelvi modell szöveg generálására és elemzésére.
Tanítási hiperparaméter, amely azt szabályozza, hogy mennyi paraméter változik az egyes frissítési lépésekben.
Paraméter-hatékony finomhangolási módszer, amely alacsony rangú adaptermátrixokat ad hozzá.
Matematikai cél, amely számszerűsíti az előrejelzési hibát a képzés során.
Olyan módszerek, amelyek lehetővé teszik a rendszerek számára, hogy mintákat tanuljanak az adatokból, és idővel fejlődjenek.
Tárolt kontextus, amelyet az AI-ügynök több lépésben vagy munkamenetben használ a folytonosság javítása érdekében.
Speciális alhálózatokkal rendelkező architektúra, ahol bemenetenként csak kiválasztott szakértők futnak.
Dokumentáció, amely leírja a modell tervezett használatát, mérőszámait, korlátait és kockázatait.
A teljesítmény idővel romlása, mivel a valós körülmények eltérnek a képzési feltételezésektől.
A modellsúlyok numerikus pontosságának csökkentése a memória és a következtetési költségek csökkentése érdekében.
Olyan modell, amely többféle adattípust, például szöveget, képet és hangot képes feldolgozni vagy generálni.
Egy NLP-feladat, amely azonosítja az entitásokat, például személyeket, helyeket, dátumokat vagy szervezeteket.
Az AI ága az emberi nyelv megértésére és generálására összpontosított.
Biológiai neuronok és szinapszisok által ihletett réteges számítási modell.
Az értékek konzisztens skálává alakítása az optimalizálás stabilitásának javítása érdekében.
Technológia, amely a szöveget képekké vagy a beolvasásokat géppel olvasható szöveggé alakítja.
Nyilvános súlyokkal vagy kóddal kiadott modell ellenőrzés, adaptálás és újrafelhasználás céljából.
Amikor egy modell megjegyzi a képzési adatokat, és rosszul teljesít a nem látott bemeneteken.
Tanult súly a modellben, amely befolyásolja annak kimeneteit.
Olyan módszerek, amelyek a hozzáadott paraméterek egy kis részhalmazának betanításával adaptálják a modelleket.
Egy nyelvi modell mérőszáma, amely azt méri, mennyire lepte meg a modellt a true next tokenek.
Előfeldolgozás, modelllépések és utófeldolgozási szakaszok rendezett munkafolyamata.
A ténylegesen helyes előrejelzett pozitívumok aránya.
Kezdeti nagy léptékű modellképzés széles körű adatokon a későbbi adaptáció előtt.
A generatív modellhez biztosított beviteli utasítások és kontextus.
A tervezési kérések a kimeneti minőség, a megbízhatóság és a szabályozhatóság javítására irányulnak.
Egy támadási minta, amelyben rosszindulatú utasításokat illesztenek be a modell bemeneteibe vagy a letöltött tartalomba.
A kevésbé fontos modellsúlyok vagy neuronok eltávolítása a méret csökkentése és a számítás érdekében.
Modellsúlyok konvertálása kisebb pontosságú formátumokká, például 8 bites vagy 4 bites.
Olyan módszer, amely a külső tudást visszakeresi, és azt a következtetés idején generálja.
A tényleges pozitívumok aránya, amelyet a modell helyesen azonosít.
Modellfolyamat, amely előrejelzi a felhasználói preferenciákat a tartalom vagy a termékek rangsorolásához.
Egy mesterséges intelligencia-rendszer stressztesztelése ellenséges felhívásokkal a hibák és kockázatok feltárására.
Jutalomjelek alapján történő képzés, ahol az ügynök olyan cselekvéseket tanul meg, amelyek maximalizálják a hosszú távú megtérülést.
Olyan képzési módszer, amely emberi preferencia jeleket használ a modell viselkedésének alakítására.
Releváns dokumentumok vagy rekordok keresése tudásforrásból egy lekérdezéshez.
Az RLHF-csővezetékekben gyakran használt modell, amely preferenciális jelek alapján pontozza a kimeneteket.
A modell azon képessége, hogy fenntartsa a teljesítményt zaj, eltolás vagy ellenséges bemenetek mellett.
Egy moderációs réteg, amely blokkolja vagy átírja a nem biztonságos modell bemeneteket vagy kimeneteket.
Egy empirikus kapcsolat, amely megmutatja, hogyan javul a teljesítmény a modell méretével, adataival vagy számításaival.
A pontos kulcsszavak átfedése helyett a jelentésnek megfelelő keresés, gyakran beágyazás használatával.
Reprezentációk megtanulása címkézetlen adatokból maszkolt vagy átalakított részek előrejelzésével.
Egy NLP-feladat, amely az érzelmi hangot vagy véleményt szövegben osztályozza.
Kompakt nyelvi modell, amely alacsonyabb késleltetésre, költségre vagy eszközhasználatra optimalizált.
Olyan modell, amelyben sok paraméter nulla vagy inaktív a számítás csökkentése érdekében.
Modell betanítása címkézett példákkal, amelyek a bemeneteket ismert kimenetekre képezik le.
Mesterségesen előállított adatok az érzékeny edzési adatok kiegészítésére, szimulálására vagy védelmére.
Magas prioritású utasítás, amely beállítja a modell viselkedését, irányelveit és válaszstílusát.
A generált kimenetek véletlenszerűségét szabályozó mintavételi beállítás.
Nyelvi modellekkel feldolgozott szövegrész, például szódarab vagy szimbólum.
A szöveg tokenekre való felosztásának folyamata a modellbevitelhez.
A modell azon képessége, hogy külső eszközöket, például keresést, számológépeket vagy API-kat hívjon meg.
Dekódolási stratégia, amely csak a k legvalószínűbb következő tokenből vesz mintát.
Egy dekódolási stratégia, amely a legkisebb tokenkészletből vesz mintát, amelynek valószínűségei összege p.
Az egyik feladatban vagy területen tanult ismeretek alkalmazása egy másik feladat fejlesztésére.
Egy neurális architektúra, amely figyelmet fordít a szekvenciák közötti kapcsolatok párhuzamos modellezésére.
A modell hibaértéke, amelyet a képzés során számítottak ki, és idővel lefelé optimalizálták.
Minták tanulása címkézetlen adatokból explicit célkimenetek nélkül.
A fejlesztés során a modellek hangolására és a túlillesztés megelőzésére használt adatkészlet.
Nagydimenziós beágyazási vektorok tárolására és lekérdezésére optimalizált adatbázis.
Multimodális modell, amely közösen dolgozza fel a vizuális és szöveges információkat.
Zajos, heurisztikus vagy részleges címkék használata a modellek betanításához, amikor kevés tiszta címkéről van szó.
Tanult numerikus érték, amely skálázza a neurális hálózaton áthaladó jeleket.
Szemantikai kapcsolatokat rögzítő szavak sűrű vektoros ábrázolása.
Technikák és gyakorlatok az AI előrejelzések átláthatóbbá és érthetőbbé tételéhez.
Feladatok megoldása feladatspecifikus példák nélkül előzetes általános ismeretekre támaszkodva.
Többlépcsős folyamat, amelyben egy mesterséges intelligencia rendszer megtervezi, végrehajtja, ellenőrzi az eredményeket, és egy cél felé halad.
Az Európai Unió kockázatalapú szabályozási kerete az AI-rendszerekre és -szolgáltatókra vonatkozóan.
A rendszerek biztonságosabbá és jobban ellenőrizhetőbbé tételéhez szükséges idő, számítási vagy terméksebesség többletköltsége.
Ha benchmark tesztpéldák vagy közeli változatok jelennek meg a betanítási adatokban, ez megnöveli a jelentett teljesítményt.
Az egyszerű összefüggések helyett az ok-okozati összefüggések becslésének módszerei.
Statisztikai tartomány, amely valószínűleg tartalmazza a mért modell metrikájának valódi értékét.
Képzési és viselkedésformáló megközelítés, ahol a modell kimeneteit rögzített írott elvek vezérlik.
Feljegyzés arról, hogy honnan származnak az adatok, hogyan alakították át őket, és hol használják őket.
Egy adatkészlet vagy modellműtermék dokumentált eredete, tulajdonjoga és története.
Adatvédelmi technika, amely statisztikai zajt ad, így az egyes rekordokra nem lehet megbízhatóan következtetni a kimenetekből.
Egy kisebb modell egy nagyobb modell viselkedésének utánzására lett kiképezve, miközben kevesebb számítást használ a következtetéshez.
Az adatok szemantikai kereséshez, klaszterezéshez és visszakereséshez használt vektorokká konvertálására specializálódott modell.
Megismételhető kiértékelési keretrendszer, amely promptokat, adatkészleteket és pontozási logikát futtat a modellverziók között.
Felügyelt rendszer az érvényesített ML-funkciók következetes tárolására és kiszolgálására a betanítás és a következtetés céljából.
Annak mértéke, hogy egy mesterséges intelligencia válaszát milyen mértékben támasztják alá forrásadatok vagy visszakeresett bizonyítékok.
Generációs stratégia, amely a kimeneti tokeneket érvényes struktúrákra vagy házirend-kompatibilis választásokra korlátozza.
Emberi rangsorokon kiképzett modell, amely megjósolja, hogy a felhasználók valószínűleg mely válaszokat részesítik előnyben.
Telepített API-felület, amely modellkéréseket fogad, és előrejelzéseket ad vissza az éles környezetben.
Dokumentumok vagy rekordok összegyűjtött gyűjteménye, amelyeket lekérésre, automatizálás támogatására vagy válaszok földelésére használnak.
Tömörített reprezentációs tér, ahol a hasonló fogalmak egymáshoz közel helyezkednek el vektorként.
Központi katalógus a modellek verziózásához, jóváhagyásához és nyomon követéséhez különböző környezetben.
Az AI-következtetés helyben, a felhasználói hardveren hajtható végre, nem pedig távoli felhőszolgáltatásban.
Logika, amely érvényesíti és átalakítja a modell kimenetét erősen tipizált, gépileg használható struktúrákká.
Egy újrafelhasználható prompt minta változókkal, formázási szabályokkal és feladatspecifikus utasításokkal.
A lekérdezett elemek aránya, amelyek relevánsak a felhasználó lekérdezése szempontjából.
Bizonyítékokkal alátámasztott strukturált érv, amely szerint egy mesterséges intelligencia-rendszer biztonságos egy meghatározott felhasználási környezetben.
Modell futtatása az éles forgalommal párhuzamosan a felhasználói döntések befolyásolása nélkül.
A modell kimenete meghatározott sémára, például JSON-ra, eszközargumentumokra vagy beírt mezőkre korlátozva.
A válaszgenerálás során a minőség vagy az érvelés javítása érdekében használt további következtetési számítások.
Az AI-kimenetekbe vetett felhasználói bizalom összehangolása a rendszer tényleges megbízhatóságával az egyes feladatok során.
Árképzés, ahol a költségek skálázódnak API-hívásokkal, tokenekkel, következtetési idővel vagy felhasznált számítással.
Egy házirend, amely szerint a kérések/válasz hasznos terhek nem tárolódnak a feldolgozás után a rövid élettartamú működési ablakokon túl.
Következtetési gyorsítási módszer, ahol egy kis vázlatmodell tokeneket javasol, amelyeket egy nagyobb modell párhuzamosan ellenőriz.
Tárolt kulcs- és értéktenzorok a korábbi tokenekből, amelyek lehetővé teszik a transzformátorok számára, hogy új tokeneket generáljanak a korábbi figyelem újraszámítása nélkül.
Nyílt protokoll, amely lehetővé teszi, hogy az AI-alkalmazások szabványos módon kapcsolódjanak külső eszközökhöz, adatforrásokhoz és kontextusszolgáltatókhoz.
Iteratív ciklus, amelyben egy mesterséges intelligencia ügynök megfigyel, tervez, cselekszik és reflektál, amíg el nem ér egy célt vagy el nem éri a stop feltételt.
Egy felszólító minta, amely az érvelési lépéseket összefonja az eszközhasználati műveletekkel a feladatok megbízhatóbb megoldása érdekében.
Érvelési megközelítés, amelyben a modell több elágazó megoldási utat tár fel, és kiválasztja a legígéretesebbeket.
Egy olyan képzési módszer, amely közvetlenül a preferenciapárokon finomítja a modelleket anélkül, hogy külön jutalommodellre lenne szükség.
Finomhangoló technika, amely a 4 bites súlykvantálást LoRA adapterekkel kombinálja a memóriaigény csökkentése érdekében.
Optimalizált figyelési algoritmus, amely csökkenti a memóriahasználatot, és felgyorsítja a transzformátor betanítását és következtetéseit.
Transzformátor mechanizmus, amely több figyelemi műveletet futtat párhuzamosan a különböző típusú kapcsolatok rögzítésére.
A token beágyazásokhoz hozzáadott információ, hogy a transzformátorok meg tudják különböztetni a sorrendet.
Helyzetkódolási módszer, amely elforgatja a lekérdezést és a kulcsvektorokat a relatív token pozíciók kódolásához.
Pozíciós torzítási módszer, amely a token távolság alapján bünteti a figyelem pontszámait, és segít a modelleknek hosszabb összefüggésekre extrapolálni.
Figyelembe vételi minta, amelyben minden token csak a közeli tokenek fix méretű ablakát veszi figyelembe, hogy csökkentse a számítást.
Alszó tokenizációs algoritmus, amely a leggyakoribb karakterpárokat újrafelhasználható tokenekké egyesíti.
Nyelv-agnosztikus tokenizáló, amely közvetlenül a nyers szövegből tanulja meg az alszavak egységeit anélkül, hogy szóközönként felosztásra kerülne.
Algoritmusok, amelyek a lekérdezéshez közeli vektorokat találnak kimerítő összehasonlítás nélkül, pontosságot keresve a sebességért.
Grafikon alapú indexstruktúra a legközelebbi szomszéd gyors közelítő kereséséhez nagy dimenziós vektorokon keresztül.
Olyan modell, amely átrendezi a lekért eredmények kezdeti készletét, hogy a legrelevánsabb elemek a legfelülre kerüljenek.
Olyan visszakeresési megközelítés, amely a kulcsszavas (lexikális) keresést a vektoros (szemantikus) kereséssel kombinálja a jobb felidézés és pontosság érdekében.
Egy olyan modell, amely a lekérdezést és a dokumentumot egy menetben pontozza a nagy pontosságú relevanciaértékelés érdekében.
Egy olyan modell, amely a lekérdezéseket és a dokumentumokat külön vektorokba kódolja, így azok gyorsan és méretben összehasonlíthatók.
Nyelvi modell használata más modellek eredményeinek pontozására vagy összehasonlítására az értékelés során.
Kódértékelési metrika, amely azt az esélyt méri, hogy k generált minta közül legalább egy megfelel a teszteknek.
Egy benchmark nyelvi modelleket tesztel 57 tudományos és szakmai tárgyban feleletválasztós kérdések segítségével.
A Python programozási problémák referenciaértéke, amelyet a kódgenerálás helyességének mérésére használnak egységteszteken keresztül.
Az általános iskolai matematikai szöveges feladatok referenciaértéke, amelyet a nyelvi modellek lépésről lépésre történő érvelésének értékelésére használnak.
Mennyire pontosan egyeznek egy modell állításai az ellenőrizhető valós információkkal.
A modell válaszában szereplő forrásrészletekre vagy dokumentumokra való hivatkozások az állítások alátámasztására.
Érzékelhető jel beágyazása mesterséges intelligencia által generált szövegbe vagy médiába, hogy később géppel előállítottként azonosítható legyen.
Köztes képzési szakasz az elő- és utóképzés között, gyakran használják képességek vagy tartományok beállítására.
Az előképzés után alkalmazott képzési lépések, például az utasítások hangolása, a preferenciák optimalizálása és a biztonsági hangolás.
Olyan képzési beállítás, amelyben a modell úgy fejlődik, hogy interakciókon vagy versenyeken keresztül adatokat generál saját másolataival.
Egy lekérdezési módszer, amely több lekérdezési változatot generál, mindegyikhez lekéri az eredményeket, és egyesíti a rangsorokat.
Olyan visszakeresési technika, amely a felhasználói lekérdezést több változatra írja át a visszahívás javítása érdekében.
Olyan visszakeresési minta, amely kis darabokban keres, de a nagyobb szülődokumentumokat adja vissza a gazdagabb kontextus érdekében.
Egy dekódoló algoritmus, amely minden lépésnél megtartja a felső több jelölt szekvenciát, hogy nagyobb valószínűségű kimeneteket találjon.
Egy dekódolási beállítás, amely csökkenti a modell által már előállított tokenek valószínűségét a hurkok csökkentése érdekében.
Egy dekódolási beállítás, amely az eddigi megjelenésük gyakoriságával arányosan csökkenti a tokenek valószínűségét.
Egy dekódolási beállítás, amely csökkenti annak valószínűségét, hogy egyáltalán megjelentek a tokenek, új témákra ösztönözve.