VolgendeVolgende gids
Herhalingsstraf en decoderingscontroles
Taal AI
Taal AI-GIDS
Mirostat is a feedback-based decoding algorithm that aims to regulate the average surprisal of generated tokens toward a target.
Luister naar deze gidsAI-verteld · ~2 min
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.
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.
Voorkomen dat lange verhaal- of rollenspelgeneraties in lokale LLM-apps zoals KoboldAI in repetitieve loops vervallen.
Blootgesteld in llama.cpp en Ollama als mirostat-instellingen (modus 1 of 2, tau, eta) voor hobbyisten die de uitvoerkwaliteit afstemmen.
Het stabiliseren van de reacties van chatbots, zodat ze tijdens een lange sessie geen zinnen herhalen en niet in onsamenhangende raaklijnen terechtkomen.
Gebruikt door schrijvers die een consistent niveau van creativiteit willen over een hele gegenereerde passage in plaats van wisselende kwaliteit.
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.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
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.
Mirostat uses feedback to adjust its sampling threshold toward a target surprise or perplexity level.
Top-k en top-p hanteren een vaste drempel, terwijl Mirostat de afkapping voortdurend aanpast op basis van waargenomen verrassingen, zoals een controlesysteem.
Eta is het leerpercentage; het schaalt hoe sterk de controlevariabele mu wordt bijgewerkt als reactie op de fout tussen de waargenomen verrassing en de beoogde verrassing.
Mirostat 2 neemt de afhankelijkheid van de in versie 1 gebruikte aannames van de wet van Zipf weg, waardoor het algoritme eenvoudiger en breder betrouwbaar wordt voor alle modellen.
llama.cpp documents a Mirostat mode plus tau and eta parameters for its sampling implementation.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Herhalingsstraf en decoderingscontroles
Taal AI