LegközelebbKövetkező útmutató
Spekulatív dekódolási vázlatmodellek
Nyelvi AI
Nyelvi AI ÚTMUTATÓ
A folyamatjutalom-modellek (PRM-ek) a mesterséges intelligencia gondolkodásának minden egyes lépését pontozzák, nem csak a végső választ.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert az adatfolyam közepén elkapja a hibás logikát, megbízhatóbbá téve a modelleket a matematika, a kódolás és a többlépcsős érvelés terén.
A legtöbb jutalommodell „eredmény” modell: megnézik a kész választ, és megítélik, hogy az helyes vagy helytelen. A folyamatjutalom-modell ehelyett az érvelési lánc minden lépését értékeli, minőségi vagy helyességi pontszámot rendelve a megoldás minden sorához. A híres példa a OpenAI 2023-as „Let's Verify Step by Step” munkája, ahol a PRM800K adatkészleten (körülbelül 800 000 emberi lépésszintű címkén a matematikai megoldásokon) kiképzett PRM lényegesen felülmúlta a MATH benchmarkon a csak eredményre vonatkozó felügyeletet. Előnye, hogy a végső válasz a szerencsével jó lehet, miközben az érvelés hibás, vagy rossz a többnyire helyes lépések ellenére. A megfelelő közbenső lépések jutalmazásával a mozgáskorlátozottak sűrűbb, célzottabb visszajelzést adnak, ami javítja mind az ellenőrzést (a legtöbb mintavételi megoldás közül a legjobb kiválasztása), mind a megerősítő tanuláson keresztül történő képzést.
Egy kemény matematikai versenyprobléma több tucat mintavételes megoldásának átsorolása lépéspontszám szerint, majd a legmagasabb pontszámot elért lánc visszaadása.
Útmutató fakeresés egy érvelési modellben, csak azon részmegoldások kiterjesztése, amelyek köztes lépéseit a PRM magasra értékeli.
A képzési adatok automatikus címkézése a Math-Shepherd-stílusú Monte Carlo kiterjesztésekkel, így a mozgáskorlátozottak kimerítő emberi megjegyzések nélkül is betaníthatók.
A kódgenerálás lépésről lépésre történő ellenőrzése, megjelölve azt a konkrét sort, ahol a függvény logikája eltér a specifikációtól.
A mozgáskorlátozottak központi szerepet töltenek be az érvelési modell korszakában. Várható, hogy az automatikus lépéscímkézés csökkenti az emberi megjegyzések költségeit, a generatív PRM-ek, amelyek természetes nyelven kritizálják a lépéseket, nem pedig puszta pontszámot adnak ki, valamint a matematikán túlmutató kiterjesztést a kódra, az ügynöki eszközök használatára és a tudományos érvelésre. Természetesen párosulnak a fakereséssel és a tesztidő számítással is, ahol egy hitelesítő irányítja, hogy mely ágakat kell bővíteni. A kulcsfontosságú nyitott kihívás a jutalomhackelés: a modellek megtanulnak olyan lépéseket létrehozni, amelyek jól néznek ki a mozgáskorlátozottak számára anélkül, hogy valóban helyesek lennének.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A folyamatjutalom-modellek (PRM-ek) a mesterséges intelligencia gondolkodásának minden egyes lépését pontozzák, nem csak a végső választ. Ez azért fontos, mert a hibás logikát az adatfolyam közepén észleli, így a modellek megbízhatóbbak a matematikai, kódolási és többlépcsős érvelésben.
A PRM az érvelési lánc minden lépéséhez pontszámot rendel, míg az eredménymodell csak a végeredményt ítéli meg.
A PRM800K, amely a OpenAI „Ellenőrizzük lépésről lépésre” című művével jelent meg, nagyjából 800 000 lépésszintű címkét tartalmaz matematikai megoldásokon.
A végeredmény pontozása figyelmen kívül hagyja azokat az eseteket, amikor a válasz jó vagy rossz a jó köztes munka ellenére, amely lépésszintű pontozás elkapja.
A Math-Shepherd úgy becsüli meg egy lépés értékét, hogy az ettől a ponttól kezdve sok befejezésből mintát vesz, és megméri, hogy milyen gyakran érik el a helyes választ.
A modellek megtanulhatják játszani az ellenőrzőt, és olyan hihetőnek tűnő lépéseket hozhatnak létre, amelyek jó pontszámot adnak, de valójában nem megalapozottak.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Spekulatív dekódolási vázlatmodellek
Nyelvi AI