AGI (ปัญญาประดิษฐ์ทั่วไป)
ระบบ AI สมมุติที่สามารถทำงานทางปัญญาส่วนใหญ่ในระดับมนุษย์ในหลายโดเมน
คำศัพท์ทางเทคนิคที่สำคัญอธิบายด้วยความชัดเจนระดับสูงสุด ออกแบบมาสำหรับนักวิจัย นักศึกษา และการศึกษาที่คำนึงถึงมนุษย์เป็นหลัก
กำลังแสดง 213 เงื่อนไขที่ตรงกัน
ระบบ AI สมมุติที่สามารถทำงานทางปัญญาส่วนใหญ่ในระดับมนุษย์ในหลายโดเมน
ระบบซอฟต์แวร์ที่สามารถสังเกต ให้เหตุผล และดำเนินการเพื่อให้บรรลุเป้าหมาย โดยมักใช้เครื่องมือและหน่วยความจำ
งานทำให้ระบบ AI ทำงานตามเจตนารมณ์ ค่านิยม และข้อจำกัดด้านความปลอดภัยของมนุษย์
นโยบาย มาตรฐาน และกลไกกำกับดูแลที่เป็นแนวทางในการพัฒนาและใช้งาน AI ในสังคม
สาขาที่มุ่งเน้นไปที่การลดพฤติกรรมที่เป็นอันตราย ความล้มเหลว และความเสี่ยงในการใช้งานในทางที่ผิดในระบบ AI
ชุดกฎหรือขั้นตอนที่กำหนดไว้ซึ่งคอมพิวเตอร์ปฏิบัติตามเพื่อแก้ไขปัญหาหรือทำงานให้เสร็จสิ้น
ความไม่ยุติธรรมอย่างเป็นระบบในผลลัพธ์ของแบบจำลองที่เกิดจากข้อมูลที่บิดเบี้ยว สมมติฐาน หรือตัวเลือกการสร้างแบบจำลอง
ตรรกะ แหล่งข้อมูล และข้อจำกัดของระบบ AI ได้รับการจัดทำเป็นเอกสารและเข้าใจได้ชัดเจนเพียงใด
ป้ายกำกับหรือข้อมูลเมตาที่เพิ่มโดยมนุษย์ที่ใช้ในการฝึกหรือประเมินโมเดลการเรียนรู้ของเครื่อง
วิธีการที่มีโครงสร้างสำหรับระบบซอฟต์แวร์หนึ่งในการส่งคำขอและรับการตอบกลับจากอีกระบบหนึ่ง
ระบบอาคารในสาขากว้างๆ ที่ทำงานซึ่งต้องใช้การจดจำรูปแบบ การใช้เหตุผล ภาษา หรือการตัดสินใจ
ส่วนประกอบโมเดลที่เน้นแบบไดนามิกไปยังส่วนที่เกี่ยวข้องของอินพุตเมื่อสร้างเอาต์พุต
ระบบที่สามารถตัดสินใจและดำเนินการด้วยการควบคุมโดยตรงของมนุษย์อย่างจำกัดหรือไม่มีเลยแบบเรียลไทม์
อัลกอริธึมการฝึกอบรมหลักที่อัปเดตน้ำหนักโมเดลโดยเผยแพร่ข้อผิดพลาดในการคาดการณ์แบบย้อนกลับผ่านเครือข่าย
แบบจำลองอ้างอิงอย่างง่ายใช้เพื่อเปรียบเทียบว่าวิธีการที่ซับซ้อนมากขึ้นช่วยปรับปรุงผลลัพธ์ได้จริงหรือไม่
การทดสอบหรือชุดข้อมูลที่เป็นมาตรฐานที่ใช้ในการวัดและเปรียบเทียบประสิทธิภาพของโมเดล
รูปแบบข้อผิดพลาดหรือความไม่ยุติธรรมที่สอดคล้องกันในข้อมูลหรือพฤติกรรมของโมเดล
ชุดข้อมูลที่มีขนาดใหญ่และซับซ้อนมากซึ่งต้องใช้พื้นที่จัดเก็บและเทคนิคการประมวลผลที่ปรับขนาดได้
แบบจำลองที่การให้เหตุผลภายในเป็นเรื่องยากที่มนุษย์จะตีความโดยตรง
คะแนนความเชื่อมั่นของแบบจำลองตรงกับความน่าจะเป็นที่ถูกต้องตามจริงเพียงใด
รูปแบบการใช้เหตุผลซึ่งโมเดล AI แบ่งปัญหาออกเป็นขั้นตอนระหว่างกลาง
งานที่แบบจำลองกำหนดอินพุตให้กับหมวดหมู่ที่กำหนดไว้ล่วงหน้าอย่างน้อยหนึ่งหมวดหมู่
โมเดลที่ออกแบบมาสำหรับงานจำแนกประเภทโดยเฉพาะ
สถาปัตยกรรมโมเดลต่อเนื่องหลายรูปแบบที่เรียนรู้การเป็นตัวแทนร่วมกันระหว่างข้อความและรูปภาพ
ทรัพยากรการประมวลผลที่จำเป็นสำหรับการฝึกและรันโมเดล ซึ่งมักวัดเป็นชั่วโมง FLOPS หรือ GPU
สาขาหนึ่งของ AI ที่ดึงความหมายจากภาพและวิดีโอ
จำนวนโทเค็นอินพุตสูงสุดที่โมเดลภาษาสามารถประมวลผลได้ในคราวเดียว
แนวทางการฝึกอบรมที่ช่วยให้โมเดลสามารถเรียนรู้จากข้อมูลใหม่โดยไม่ลืมความรู้เดิม
สถาปัตยกรรมประสาทที่ได้รับการปรับให้เหมาะสมสำหรับการประมวลผลข้อมูลที่มีลักษณะคล้ายตาราง เช่น รูปภาพ
ฟังก์ชันวัตถุประสงค์ทั่วไปที่ใช้ในการฝึกแบบจำลองการจำแนกประเภทโดยการลงโทษความน่าจะเป็นที่ไม่ถูกต้อง
เทคนิคที่สร้างตัวอย่างการฝึกอบรมที่ปรับเปลี่ยนเพื่อปรับปรุงการวางนัยทั่วไปของโมเดล
การเปลี่ยนแปลงของข้อมูลอินพุตในโลกแห่งความเป็นจริงเมื่อเวลาผ่านไป ซึ่งอาจทำให้ประสิทธิภาพของโมเดลลดลง
กระบวนการกำหนดแท็กหรือเอาต์พุตเป้าหมายให้กับข้อมูลดิบเพื่อการเรียนรู้แบบมีผู้สอน
คอลเลกชันของตัวอย่างที่มีโครงสร้างหรือไม่มีโครงสร้างที่ใช้สำหรับการฝึกอบรม การตรวจสอบ หรือการทดสอบ
พื้นผิวในพื้นที่คุณลักษณะที่แยกคลาสที่ทำนายโดยตัวแยกประเภท
แบบจำลองที่ทำการคาดการณ์ตามลำดับของการแยกฟีเจอร์แบบมีเงื่อนไข
ชุดย่อยของการเรียนรู้ของเครื่องที่ใช้โครงข่ายประสาทเทียมหลายชั้นสำหรับการเรียนรู้แบบเป็นตัวแทน
สถาปัตยกรรมเชิงกำเนิดที่เรียนรู้ที่จะย้อนกลับสัญญาณรบกวนเพื่อสังเคราะห์ภาพ เสียง หรือเนื้อหาอื่นๆ
การบีบอัดความรู้จากโมเดลครูใหญ่ให้เป็นโมเดลนักเรียนตัวเล็ก
วิธีการถ่ายโอนแบบจำลองที่ได้รับการฝึกในโดเมนหนึ่งเพื่อให้ทำงานได้ดีขึ้นในอีกโดเมนหนึ่ง
การแสดงเวกเตอร์ตัวเลขที่จับความหมายทางความหมายของข้อความ รูปภาพ หรือข้อมูลอื่นๆ
ส่วนประกอบของแบบจำลองที่แปลงอินพุตเป็นการเป็นตัวแทนแฝง
ผสมผสานการคาดการณ์จากหลายแบบจำลองเพื่อปรับปรุงความคงทนหรือความแม่นยำ
ชุดข้อมูลที่เก็บไว้ซึ่งใช้ในการวัดคุณภาพของโมเดลหลังการฝึก
ระดับที่พฤติกรรมของแบบจำลองสามารถตีความและอธิบายให้มนุษย์เข้าใจได้
การทำนายที่ไม่ถูกต้องโดยที่แบบจำลองพลาดกรณีที่เป็นบวกจริง
การคาดคะเนที่ไม่ถูกต้องโดยที่แบบจำลองตั้งค่าสถานะกรณีเชิงลบเป็นค่าบวกอย่างไม่ถูกต้อง
ตัวแปรอินพุตที่แบบจำลองใช้เพื่อคาดการณ์
การออกแบบหรือการเปลี่ยนแปลงตัวแปรอินพุตเพื่อให้การเรียนรู้ง่ายขึ้นและมีประสิทธิภาพมากขึ้น
การแปลงข้อมูลดิบเป็นคุณลักษณะข้อมูลที่โมเดลสามารถใช้ได้
การเรียนรู้หรือปรับพฤติกรรมจากตัวอย่างเพียงเล็กน้อย
การฝึกอบรมอย่างต่อเนื่องเกี่ยวกับข้อมูลเฉพาะโดเมนเพื่อปรับโมเดลที่ได้รับการฝึกอบรมล่วงหน้าให้เข้ากับงานเฉพาะ
โมเดลก่อนการฝึกอบรมขนาดใหญ่ที่สามารถปรับให้เข้ากับงานดาวน์สตรีมได้หลายอย่าง
ความสามารถของโมเดลในการสร้างการโทรแบบมีโครงสร้างที่ทริกเกอร์เครื่องมือภายนอกหรือ API
การตั้งค่าแบบกำเนิดที่เครื่องกำเนิดและผู้แยกแยะฝึกซึ่งกันและกัน
แบบจำลองทำงานได้ดีเพียงใดกับข้อมูลใหม่ที่มองไม่เห็นนอกชุดการฝึก
ระบบ AI ที่สร้างเนื้อหาใหม่ๆ เช่น ข้อความ รูปภาพ เสียง วิดีโอ หรือโค้ด
เวกเตอร์ที่แสดงจำนวนพารามิเตอร์แต่ละตัวที่ควรเปลี่ยนแปลงเพื่อลดการสูญเสีย
วิธีการปรับให้เหมาะสมที่อัพเดตพารามิเตอร์ในทิศทางที่ช่วยลดข้อผิดพลาด
ป้ายอ้างอิงที่เชื่อถือได้ซึ่งใช้ในการฝึกหรือประเมินผลลัพธ์ของโมเดล
กฎ การตรวจสอบ และการควบคุมที่จำกัดพฤติกรรมของโมเดลที่ไม่ปลอดภัยหรือไม่พึงประสงค์
เมื่อแบบจำลองสร้างข้อมูลคล่องแต่เป็นเท็จหรือไม่ได้รับการสนับสนุน
เวิร์กโฟลว์ที่มนุษย์ตรวจสอบ แนะนำ หรือแทนที่เอาต์พุต AI
ค่าการกำหนดค่าที่ตั้งไว้ก่อนการฝึก เช่น อัตราการเรียนรู้ ขนาดแบทช์ หรือความลึก
ความสามารถของโมเดลในการติดตามรูปแบบจากตัวอย่างที่ให้ไว้ในพรอมต์โดยตรง
ระยะรันไทม์ที่โมเดลที่ได้รับการฝึกสร้างการคาดการณ์หรือเอาต์พุต
ปริมาณพลังการประมวลผลที่ใช้ขณะสร้างการตอบสนองแต่ละครั้ง
ปรับแต่งแบบจำลองในคู่คำสั่งและการตอบสนองเพื่อปรับปรุงงานต่อไปนี้
คาดการณ์วัตถุประสงค์ของผู้ใช้จากการสืบค้นข้อความเพื่อกำหนดเส้นทางอย่างถูกต้อง
เทคนิคทันทีที่มีจุดมุ่งหมายเพื่อหลีกเลี่ยงข้อจำกัดด้านความปลอดภัยของโมเดล
จุดเวลาล่าสุดสะท้อนให้เห็นในข้อมูลการฝึกของโมเดล
การฝึกโมเดลขนาดเล็กเพื่อเลียนแบบผลลัพธ์ของโมเดลที่ใหญ่กว่า
โครงสร้างกราฟของเอนทิตีและความสัมพันธ์ที่ใช้สำหรับการให้เหตุผลหรือการดึงข้อมูล
วิธีการทำให้เป็นมาตรฐานที่ทำให้ฉลากแข็งอ่อนลงเพื่อปรับปรุงลักษณะทั่วไป
เวลาระหว่างการส่งคำขอและรับเอาต์พุตของโมเดล
โมเดลภาษาที่ได้รับการฝึกเกี่ยวกับคลังข้อความขนาดใหญ่เพื่อสร้างและวิเคราะห์ข้อความ
ไฮเปอร์พารามิเตอร์การฝึกควบคุมจำนวนพารามิเตอร์ที่เปลี่ยนแปลงแต่ละขั้นตอนการอัปเดต
วิธีการปรับแต่งแบบละเอียดที่มีประสิทธิภาพด้วยพารามิเตอร์ที่เพิ่มเมทริกซ์อะแด็ปเตอร์ระดับต่ำ
วัตถุประสงค์ทางคณิตศาสตร์ที่วัดปริมาณข้อผิดพลาดในการทำนายระหว่างการฝึก
วิธีการที่ช่วยให้ระบบเรียนรู้รูปแบบจากข้อมูลและปรับปรุงเมื่อเวลาผ่านไป
บริบทที่จัดเก็บไว้ซึ่งตัวแทน AI ใช้ในขั้นตอนหรือเซสชันเพื่อปรับปรุงความต่อเนื่อง
สถาปัตยกรรมที่มีเครือข่ายย่อยเฉพาะซึ่งเฉพาะผู้เชี่ยวชาญที่เลือกเท่านั้นที่ทำงานต่ออินพุต
เอกสารที่อธิบายการใช้งานตามวัตถุประสงค์ ตัวชี้วัด ข้อจำกัด และความเสี่ยง
ประสิทธิภาพลดลงเมื่อเวลาผ่านไปเนื่องจากเงื่อนไขในโลกแห่งความเป็นจริงแตกต่างจากสมมติฐานในการฝึกอบรม
ลดความแม่นยำเชิงตัวเลขของน้ำหนักโมเดลเพื่อลดต้นทุนหน่วยความจำและการอนุมาน
โมเดลที่สามารถประมวลผลหรือสร้างข้อมูลหลายประเภท เช่น ข้อความ รูปภาพ และเสียง
งาน NLP ที่ระบุเอนทิตี เช่น บุคคล สถานที่ วันที่ หรือองค์กร
สาขาของ AI มุ่งเน้นไปที่การทำความเข้าใจและสร้างภาษามนุษย์
แบบจำลองการคำนวณแบบเป็นชั้นซึ่งได้รับแรงบันดาลใจจากเซลล์ประสาทและไซแนปส์ทางชีววิทยา
การแปลงค่าให้เป็นระดับที่สอดคล้องกันเพื่อปรับปรุงเสถียรภาพในการเพิ่มประสิทธิภาพ
เทคโนโลยีที่แปลงข้อความในภาพหรือสแกนให้เป็นข้อความที่เครื่องอ่านได้
แบบจำลองที่ออกโดยมีน้ำหนักหรือรหัสสาธารณะสำหรับการตรวจสอบ ดัดแปลง และนำกลับมาใช้ใหม่
เมื่อแบบจำลองจดจำข้อมูลการฝึกและทำงานได้ไม่ดีกับอินพุตที่มองไม่เห็น
น้ำหนักที่เรียนรู้ภายในแบบจำลองที่มีอิทธิพลต่อผลลัพธ์
วิธีการปรับโมเดลโดยการฝึกชุดย่อยเล็กๆ ของพารามิเตอร์ที่เพิ่มเข้ามา
ตัวชี้วัดแบบจำลองภาษาที่วัดว่าแบบจำลองนั้นน่าประหลาดใจเพียงใดด้วยโทเค็นถัดไปที่แท้จริง
เวิร์กโฟลว์ที่ได้รับคำสั่งของการประมวลผลล่วงหน้า ขั้นตอนของโมเดล และขั้นตอนหลังการประมวลผล
สัดส่วนผลบวกที่คาดการณ์ไว้ว่าถูกต้องตามความเป็นจริง
การฝึกอบรมโมเดลขนาดใหญ่เบื้องต้นเกี่ยวกับข้อมูลกว้างๆ ก่อนการปรับตัวดาวน์สตรีม
คำแนะนำการป้อนข้อมูลและบริบทที่มีให้กับโมเดลกำเนิด
การออกแบบพร้อมท์เพื่อปรับปรุงคุณภาพเอาต์พุต ความน่าเชื่อถือ และความสามารถในการควบคุม
รูปแบบการโจมตีที่มีการแทรกคำสั่งที่เป็นอันตรายลงในอินพุตโมเดลหรือเนื้อหาที่ดึงมา
การลบน้ำหนักโมเดลหรือเซลล์ประสาทที่มีความสำคัญน้อยกว่าออกเพื่อลดขนาดและการคำนวณ
การแปลงน้ำหนักโมเดลเป็นรูปแบบที่มีความแม่นยำต่ำ เช่น 8 บิตหรือ 4 บิต
วิธีการดึงความรู้จากภายนอกและป้อนเข้าสู่รุ่นในเวลาอนุมาน
สัดส่วนของผลบวกจริงที่แบบจำลองระบุอย่างถูกต้อง
ไปป์ไลน์โมเดลที่คาดการณ์การตั้งค่าของผู้ใช้สำหรับการจัดอันดับเนื้อหาหรือผลิตภัณฑ์
การทดสอบความเครียดของระบบ AI พร้อมการแจ้งเตือนฝ่ายตรงข้ามให้เปิดเผยความล้มเหลวและความเสี่ยง
การฝึกอบรมโดยให้รางวัลเป็นสัญญาณว่าตัวแทนเรียนรู้การกระทำที่เพิ่มผลตอบแทนในระยะยาวสูงสุด
วิธีการฝึกอบรมที่ใช้สัญญาณความชอบของมนุษย์เพื่อกำหนดรูปแบบพฤติกรรมของโมเดล
การค้นหาเอกสารหรือบันทึกที่เกี่ยวข้องจากแหล่งความรู้เพื่อสอบถาม
แบบจำลองที่ให้คะแนนเอาต์พุตตามสัญญาณการตั้งค่า ซึ่งมักใช้ในไปป์ไลน์ RLHF
ความสามารถของแบบจำลองในการรักษาประสิทธิภาพของแบบจำลองภายใต้สัญญาณรบกวน การเปลี่ยนแปลง หรืออินพุตที่ขัดแย้งกัน
เลเยอร์การควบคุมที่บล็อกหรือเขียนซ้ำอินพุตหรือเอาท์พุตโมเดลที่ไม่ปลอดภัย
ความสัมพันธ์เชิงประจักษ์ที่แสดงให้เห็นว่าประสิทธิภาพดีขึ้นอย่างไรด้วยขนาดโมเดล ข้อมูล หรือการประมวลผล
การค้นหาที่ตรงกับความหมายมากกว่าการทับซ้อนของคำหลัก โดยมักใช้การฝัง
การเรียนรู้การนำเสนอจากข้อมูลที่ไม่มีป้ายกำกับโดยการทำนายส่วนที่ปิดบังหรือถูกแปลง
งาน NLP ที่จำแนกน้ำเสียงหรือความคิดเห็นเป็นข้อความ
โมเดลภาษาขนาดกะทัดรัดที่ปรับให้เหมาะสมเพื่อลดเวลาแฝง ต้นทุน หรือการใช้งานบนอุปกรณ์
โมเดลที่มีพารามิเตอร์หลายตัวเป็นศูนย์หรือไม่ได้ใช้งานเพื่อลดการคำนวณ
ฝึกอบรมโมเดลด้วยตัวอย่างที่มีป้ายกำกับซึ่งจับคู่อินพุตกับเอาต์พุตที่ทราบ
ข้อมูลที่สร้างขึ้นเทียมซึ่งใช้เพื่อเพิ่ม จำลอง หรือปกป้องข้อมูลการฝึกอบรมที่ละเอียดอ่อน
คำสั่งที่มีลำดับความสำคัญสูงที่กำหนดพฤติกรรม นโยบาย และรูปแบบการตอบสนองสำหรับโมเดล
การตั้งค่าการสุ่มตัวอย่างที่ควบคุมการสุ่มในเอาต์พุตที่สร้างขึ้น
กลุ่มข้อความที่ประมวลผลโดยโมเดลภาษา เช่น ชิ้นส่วนคำหรือสัญลักษณ์
กระบวนการแยกข้อความออกเป็นโทเค็นสำหรับการป้อนโมเดล
ความสามารถของโมเดลในการเรียกเครื่องมือภายนอก เช่น การค้นหา เครื่องคิดเลข หรือ API
กลยุทธ์การถอดรหัสที่สุ่มตัวอย่างจากโทเค็นที่น่าจะถัดไปมากที่สุดเท่านั้น
กลยุทธ์การถอดรหัสที่สุ่มตัวอย่างจากชุดโทเค็นที่เล็กที่สุดซึ่งความน่าจะเป็นจะรวมกันเป็น p
การใช้ความรู้ที่เรียนรู้จากงานหนึ่งหรือในขอบเขตหนึ่งเพื่อปรับปรุงงานอื่น
สถาปัตยกรรมประสาทที่ใช้ความสนใจในการสร้างแบบจำลองความสัมพันธ์ข้ามลำดับแบบขนาน
ค่าข้อผิดพลาดของโมเดลคำนวณระหว่างการฝึกและปรับให้เหมาะสมลงเมื่อเวลาผ่านไป
รูปแบบการเรียนรู้จากข้อมูลที่ไม่มีป้ายกำกับโดยไม่มีเอาต์พุตเป้าหมายที่ชัดเจน
ชุดข้อมูลที่ใช้ระหว่างการพัฒนาเพื่อปรับแต่งโมเดลและป้องกันไม่ให้มีการติดตั้งมากเกินไป
ฐานข้อมูลที่ได้รับการปรับให้เหมาะสมสำหรับการจัดเก็บและการสืบค้นเวกเตอร์ที่ฝังในมิติสูง
โมเดลต่อเนื่องหลายรูปแบบที่ประมวลผลข้อมูลภาพและข้อความร่วมกัน
การใช้ป้ายกำกับที่มีสัญญาณรบกวน การวิเคราะห์พฤติกรรม หรือบางส่วนเพื่อฝึกโมเดลเมื่อป้ายกำกับที่สะอาดหมดจดมีน้อย
ค่าตัวเลขที่เรียนรู้ซึ่งปรับขนาดสัญญาณที่ส่งผ่านโครงข่ายประสาทเทียม
การแสดงเวกเตอร์หนาแน่นของคำที่จับความสัมพันธ์เชิงความหมาย
เทคนิคและแนวปฏิบัติในการทำให้การคาดการณ์ AI โปร่งใสและเข้าใจได้มากขึ้น
การแก้ปัญหาโดยไม่มีตัวอย่างเฉพาะงานโดยอาศัยความรู้ทั่วไปก่อนหน้า
กระบวนการหลายขั้นตอนที่ระบบ AI วางแผน ดำเนินการ ตรวจสอบผลลัพธ์ และวนซ้ำไปสู่เป้าหมาย
กรอบการกำกับดูแลตามความเสี่ยงของสหภาพยุโรปสำหรับระบบและผู้ให้บริการ AI
ค่าใช้จ่ายเพิ่มเติมในด้านเวลา การประมวลผล หรือความเร็วของผลิตภัณฑ์ที่จำเป็นในการทำให้ระบบปลอดภัยและควบคุมได้มากขึ้น
เมื่อมีตัวอย่างการทดสอบเกณฑ์มาตรฐานหรือรูปแบบที่ใกล้เคียงอยู่ในข้อมูลการฝึกอบรม ส่งผลให้ประสิทธิภาพที่รายงานเพิ่มขึ้น
วิธีการประมาณค่าความสัมพันธ์ระหว่างเหตุและผลมากกว่าความสัมพันธ์แบบธรรมดา
ช่วงทางสถิติที่น่าจะมีค่าที่แท้จริงของเมตริกแบบจำลองที่วัดได้
แนวทางการฝึกอบรมและการกำหนดพฤติกรรมโดยที่ผลลัพธ์ของแบบจำลองได้รับการชี้นำโดยหลักการที่เป็นลายลักษณ์อักษรชุดตายตัว
บันทึกว่าข้อมูลมาจากไหน มีการเปลี่ยนแปลงอย่างไร และนำไปใช้ที่ไหน
ต้นกำเนิด ความเป็นเจ้าของ และประวัติของชุดข้อมูลหรืออาร์ติแฟกต์ของโมเดลที่บันทึกไว้
เทคนิคความเป็นส่วนตัวที่เพิ่มสัญญาณรบกวนทางสถิติ ดังนั้นจึงไม่สามารถสรุปบันทึกแต่ละรายการจากเอาต์พุตได้อย่างน่าเชื่อถือ
โมเดลขนาดเล็กได้รับการฝึกฝนให้เลียนแบบพฤติกรรมของโมเดลขนาดใหญ่ ในขณะที่ใช้การประมวลผลน้อยลงในการอนุมาน
โมเดลเฉพาะสำหรับการแปลงข้อมูลเป็นเวกเตอร์ที่ใช้สำหรับการค้นหาความหมาย การจัดกลุ่ม และการดึงข้อมูล
กรอบงานการประเมินที่ทำซ้ำได้ซึ่งเรียกใช้พร้อมท์ ชุดข้อมูล และตรรกะการให้คะแนนในเวอร์ชันของโมเดล
ระบบที่ได้รับการจัดการสำหรับจัดเก็บและให้บริการคุณสมบัติ ML ที่ผ่านการตรวจสอบแล้วอย่างสม่ำเสมอสำหรับการฝึกอบรมและการอนุมาน
ระดับที่การตอบสนองของ AI ได้รับการสนับสนุนโดยข้อมูลต้นฉบับหรือหลักฐานที่ดึงมา
กลยุทธ์การสร้างที่จำกัดโทเค็นเอาท์พุตให้มีโครงสร้างที่ถูกต้องหรือตัวเลือกที่สอดคล้องกับนโยบาย
โมเดลที่ได้รับการฝึกอบรมเกี่ยวกับการจัดอันดับของมนุษย์เพื่อคาดการณ์คำตอบที่ผู้ใช้น่าจะชอบ
อินเทอร์เฟซ API ที่ปรับใช้ซึ่งรับคำขอโมเดลและส่งคืนการคาดการณ์ในการผลิต
คอลเลกชันที่รวบรวมเอกสารหรือบันทึกที่ใช้สำหรับการเรียกค้น การสนับสนุนอัตโนมัติ หรือการตอบกลับภาคพื้นดิน
พื้นที่การแสดงที่ถูกบีบอัดซึ่งมีการวางแนวคิดที่คล้ายกันไว้ใกล้กันเป็นเวกเตอร์
แค็ตตาล็อกส่วนกลางสำหรับการกำหนดเวอร์ชัน การอนุมัติ และการติดตามโมเดลในสภาพแวดล้อม
การอนุมาน AI ดำเนินการภายในเครื่องบนฮาร์ดแวร์ของผู้ใช้ แทนที่จะดำเนินการในบริการคลาวด์ระยะไกล
ลอจิกที่ตรวจสอบและแปลงเอาต์พุตของโมเดลเป็นโครงสร้างที่พิมพ์ได้ชัดเจนและใช้งานได้ด้วยเครื่องจักร
รูปแบบพรอมต์ที่ใช้ซ้ำได้พร้อมตัวแปร กฎการจัดรูปแบบ และคำแนะนำเฉพาะงาน
สัดส่วนของรายการที่ดึงข้อมูลซึ่งเกี่ยวข้องกับข้อความค้นหาของผู้ใช้
ข้อโต้แย้งที่มีโครงสร้างซึ่งสนับสนุนโดยหลักฐานว่าระบบ AI ปลอดภัยสำหรับบริบทการใช้งานที่กำหนดไว้
ใช้งานโมเดลควบคู่ไปกับปริมาณการใช้งานจริงโดยไม่ส่งผลกระทบต่อการตัดสินใจที่ผู้ใช้ต้องเผชิญ
โมเดลเอาท์พุตถูกจำกัดอยู่ในสคีมาที่กำหนด เช่น JSON อาร์กิวเมนต์ของเครื่องมือ หรือฟิลด์ที่พิมพ์
การคำนวณอนุมานเพิ่มเติมที่ใช้ระหว่างการสร้างการตอบสนองเพื่อปรับปรุงคุณภาพหรือการใช้เหตุผล
การจัดแนวความมั่นใจของผู้ใช้ในเอาท์พุต AI เข้ากับความน่าเชื่อถือที่แท้จริงของระบบในแต่ละงาน
ราคาที่ต้นทุนปรับขนาดด้วยการเรียก API, โทเค็น, เวลาอนุมาน หรือการประมวลผลที่ใช้ไป
นโยบายที่เพย์โหลดคำขอ/การตอบกลับจะไม่ถูกจัดเก็บหลังจากการประมวลผลเกินกรอบเวลาการทำงานที่มีอายุการใช้งานสั้น
วิธีการเร่งความเร็วอนุมานที่แบบจำลองร่างขนาดเล็กเสนอโทเค็นที่แบบจำลองขนาดใหญ่ตรวจสอบพร้อมกัน
เทนเซอร์คีย์และค่าที่จัดเก็บไว้จากโทเค็นก่อนหน้าซึ่งช่วยให้หม้อแปลงสร้างโทเค็นใหม่โดยไม่ต้องคำนวณความสนใจในอดีตใหม่
โปรโตคอลแบบเปิดที่ช่วยให้แอปพลิเคชัน AI เชื่อมต่อกับเครื่องมือภายนอก แหล่งข้อมูล และผู้ให้บริการบริบทด้วยวิธีมาตรฐาน
วงจรวนซ้ำที่เจ้าหน้าที่ AI สังเกต วางแผน ดำเนินการ และไตร่ตรองจนกว่าจะบรรลุเป้าหมายหรือถึงภาวะหยุด
รูปแบบการกระตุ้นที่แทรกขั้นตอนการให้เหตุผลเข้ากับการดำเนินการใช้เครื่องมือเพื่อแก้ไขงานได้อย่างน่าเชื่อถือมากขึ้น
วิธีการให้เหตุผลโดยที่แบบจำลองสำรวจเส้นทางการแก้ปัญหาแบบแตกแขนงหลายเส้นทาง และเลือกเส้นทางที่มีแนวโน้มมากที่สุด
วิธีการฝึกอบรมที่ปรับแต่งโมเดลโดยตรงตามคู่ความชอบ โดยไม่ต้องใช้โมเดลรางวัลแยกต่างหาก
เทคนิคการปรับแต่งอย่างละเอียดที่รวมการวัดปริมาณน้ำหนัก 4 บิตเข้ากับอะแดปเตอร์ LoRA เพื่อลดความต้องการหน่วยความจำ
อัลกอริธึมความสนใจที่ได้รับการปรับปรุงซึ่งช่วยลดการใช้หน่วยความจำและเร่งความเร็วการฝึกอบรมและการอนุมานของหม้อแปลง
กลไกของหม้อแปลงที่ดำเนินการให้ความสนใจหลายรายการพร้อมกันเพื่อบันทึกความสัมพันธ์ประเภทต่างๆ
ข้อมูลที่เพิ่มในการฝังโทเค็นเพื่อให้หม้อแปลงสามารถแยกแยะลำดับได้
วิธีการเข้ารหัสตำแหน่งที่หมุนแบบสอบถามและเวกเตอร์คีย์เพื่อเข้ารหัสตำแหน่งโทเค็นที่เกี่ยวข้อง
วิธีอคติเชิงตำแหน่งที่ลงโทษคะแนนความสนใจตามระยะทางโทเค็น ช่วยให้แบบจำลองคาดการณ์บริบทที่ยาวขึ้น
รูปแบบความสนใจที่แต่ละโทเค็นเข้าร่วมเฉพาะหน้าต่างขนาดคงที่ของโทเค็นใกล้เคียงเพื่อลดการประมวลผล
อัลกอริธึมโทเค็นคำย่อยที่รวมคู่อักขระที่พบบ่อยที่สุดเข้ากับโทเค็นที่นำมาใช้ซ้ำได้
โทเค็นที่ไม่เชื่อเรื่องภาษาที่เรียนรู้หน่วยคำย่อยโดยตรงจากข้อความดิบโดยไม่ต้องแยกช่องว่างล่วงหน้า
อัลกอริทึมที่ค้นหาเวกเตอร์ใกล้กับข้อความค้นหาโดยไม่มีการเปรียบเทียบอย่างละเอียด โดยแลกเปลี่ยนความแม่นยำกับความเร็ว
โครงสร้างดัชนีตามกราฟสำหรับการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณอย่างรวดเร็วบนเวกเตอร์ที่มีมิติสูง
โมเดลที่จัดลำดับชุดเริ่มต้นของผลลัพธ์ที่ดึงมาใหม่เพื่อวางรายการที่เกี่ยวข้องมากที่สุดไว้ที่ด้านบน
วิธีการดึงข้อมูลที่รวมการค้นหาคำสำคัญ (คำศัพท์) เข้ากับการค้นหาเวกเตอร์ (ความหมาย) เพื่อการจดจำและความแม่นยำที่ดีขึ้น
โมเดลที่ให้คะแนนการสืบค้นและเอกสารรวมกันในการส่งผ่านครั้งเดียวเพื่อการตัดสินความเกี่ยวข้องที่มีความแม่นยำสูง
โมเดลที่เข้ารหัสการสืบค้นและเอกสารเป็นเวกเตอร์แยกกัน เพื่อให้สามารถเปรียบเทียบได้อย่างรวดเร็วในวงกว้าง
การใช้แบบจำลองภาษาเพื่อให้คะแนนหรือเปรียบเทียบผลลัพธ์จากแบบจำลองอื่นในระหว่างการประเมินผล
ตัวชี้วัดการประเมินโค้ดที่วัดโอกาสที่ตัวอย่างที่สร้างอย่างน้อยหนึ่งตัวอย่าง k จะผ่านการทดสอบ
แบบจำลองภาษาทดสอบเกณฑ์มาตรฐานในวิชาวิชาการและวิชาชีพ 57 วิชาโดยใช้คำถามแบบปรนัย
เกณฑ์มาตรฐานของปัญหาการเขียนโปรแกรม Python ที่ใช้ในการวัดความถูกต้องของการสร้างโค้ดผ่านการทดสอบหน่วย
เกณฑ์มาตรฐานของปัญหาคำศัพท์ทางคณิตศาสตร์ในโรงเรียนประถมที่ใช้ในการประเมินการใช้เหตุผลแบบทีละขั้นตอนในแบบจำลองภาษา
การกล่าวอ้างของแบบจำลองนั้นตรงกับข้อมูลในโลกแห่งความเป็นจริงที่ตรวจสอบได้แม่นยำเพียงใด
การอ้างอิงถึงข้อความต้นฉบับหรือเอกสารที่รวมอยู่ในคำตอบของแบบจำลองเพื่อสนับสนุนการกล่าวอ้าง
การฝังสัญญาณที่ตรวจจับได้ในข้อความหรือสื่อที่สร้างโดย AI เพื่อให้สามารถระบุได้ว่าเป็นสัญญาณที่ผลิตด้วยเครื่องจักรในภายหลัง
ระยะการฝึกขั้นกลางระหว่างการฝึกก่อนและหลังการฝึก มักใช้เพื่อปรับความสามารถหรือขอบเขต
ขั้นตอนการฝึกอบรมที่ใช้หลังจากการฝึกล่วงหน้า เช่น การปรับคำสั่ง การเพิ่มประสิทธิภาพการตั้งค่า และการปรับความปลอดภัย
การตั้งค่าการฝึกอบรมที่แบบจำลองปรับปรุงโดยการสร้างข้อมูลผ่านการโต้ตอบหรือการแข่งขันกับสำเนาของตัวเอง
วิธีการดึงข้อมูลที่สร้างตัวแปรการสืบค้นหลายรูปแบบ ดึงผลลัพธ์สำหรับแต่ละรายการ และรวมการจัดอันดับ
เทคนิคการเรียกค้นที่เขียนคำค้นหาของผู้ใช้ใหม่เป็นตัวแปรต่างๆ เพื่อปรับปรุงการเรียกคืน
รูปแบบการดึงข้อมูลที่ค้นหาส่วนเล็กๆ แต่ส่งคืนเอกสารพาเรนต์ที่ใหญ่กว่าเพื่อบริบทที่สมบูรณ์ยิ่งขึ้น
อัลกอริธึมการถอดรหัสที่เก็บลำดับตัวเลือกอันดับต้นๆ ในแต่ละขั้นตอนเพื่อค้นหาเอาต์พุตที่มีความน่าจะเป็นสูงกว่า
การตั้งค่าการถอดรหัสที่ลดความน่าจะเป็นของโทเค็นที่โมเดลได้สร้างไว้แล้วเพื่อลดการวนซ้ำ
การตั้งค่าการถอดรหัสที่ลดความน่าจะเป็นของโทเค็นตามสัดส่วนกับความถี่ที่ปรากฏจนถึงปัจจุบัน
การตั้งค่าการถอดรหัสที่ลดความน่าจะเป็นของโทเค็นที่ปรากฏเลย กระตุ้นให้เกิดหัวข้อใหม่