言語AIガイド
ミロスタット Perplexity コントロール
Mirostat is a feedback-based decoding algorithm that aims to regulate the average surprisal of generated tokens toward a target.
このガイドを聴くAIによるナレーション · ~2 min
概要
In its standard formulation tau specifies a target cross-entropy in bits, corresponding to perplexity 2^tau; it adjusts a truncation threshold, without guaranteeing every passage’s perplexity or factual correctness.
ディープダイブ
Standard top-k and top-p decoding apply fixed cutoffs, while the predictability of generated text can vary across a passage. Mirostat, proposed by Basu and colleagues in 2020, treats decoding as a feedback-control problem. In the standard formulation, tau is a target average surprisal or cross-entropy in bits; the corresponding perplexity is 2^tau. The sampler measures token surprisal and adjusts a truncation threshold based on the difference from the target. If generated tokens are less surprising than the target, the threshold can be loosened; if they are more surprising, it can be tightened. This aims to regulate average surprise over generation and does not require each token or passage to match the target exactly. It does not measure factual correctness.
現実世界の実装
KoboldAI などのローカル LLM アプリでの長いストーリーやロールプレイの世代が繰り返しループに陥るのを防ぎます。
出力品質をチューニングする愛好家向けに、mirostat 設定 (モード 1 または 2、tau、eta) として llama.cpp および Ollama で公開されています。
チャットボットの応答を安定させることで、長いセッション中にフレーズを繰り返したり、支離滅裂な話に逸れたりすることがなくなります。
品質の変動ではなく、生成されたパッセージ全体にわたって一貫したレベルの創造性を求めるライターによって使用されます。
Mirostat Perplexity コントロールの将来
Mirostat options are exposed in some local inference tools; llama.cpp, for example, documents mode, tau and eta parameters. Availability and behavior depend on the runtime and version. Its control-theoretic framing is inspiring further adaptive decoders that regulate other signals like factuality or diversity. As long-form generation grows, expect feedback-driven sampling to be combined with retrieval and repetition penalties, and possibly auto-tuned tau values that adapt to genre, replacing manual perplexity targets.
実践する
なぜそれが重要なのか
- 速度とスケール. 言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
- アクセスと到達範囲. 言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
- より明確な判決. 自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
気をつけてください
- 幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
- 迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
- アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
次のステップ
- 展開する前に、出力形式、トーン、品質基準を定義します。
- 正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
- 一か八かの成果物については人間によるレビュー チェックポイントを維持します。
- 失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
よくある質問
What is Mirostat Perplexity Control?
Mirostat is a feedback-based decoding algorithm that aims to regulate the average surprisal of generated tokens toward a target. In its standard formulation tau specifies a target cross-entropy in bits, corresponding to perplexity 2^tau; it adjusts a truncation threshold, without guaranteeing every passage’s perplexity or factual correctness.
What does Mirostat try to control during generation?
Mirostat uses feedback to adjust its sampling threshold toward a target surprise or perplexity level.
Mirostat は標準の top-k または top-p サンプリングと根本的にどのように異なりますか?
Top-k と top-p は固定のしきい値を適用しますが、Mirostat は制御システムのように、観察された驚きに基づいて切り捨てを継続的に調整します。
Mirostat では、パラメーター eta はどのような役割を果たしますか?
Eta は学習率です。これは、観測された驚きと目標の驚きの間の誤差に応じて、制御変数 mu がどの程度強く更新されるかをスケールします。
Mirostat バージョン 2 のバージョン 1 に対する主な改善点は何ですか?
Mirostat 2 では、バージョン 1 で使用されていた Zipf の法則の仮定への依存がなくなり、アルゴリズムがよりシンプルになり、モデル全体でより広範囲にわたって信頼性が高くなります。
Which Mirostat settings does current llama.cpp expose?
llama.cpp documents a Mirostat mode plus tau and eta parameters for its sampling implementation.