āļ„āļđāđˆāļĄāļ·āļ­ AI āļ āļēāļĐāļē

āļĄāļīāđ‚āļĢāļŠāđāļ•āļ— Perplexity āļāļēāļĢāļ„āļ§āļšāļ„āļļāļĄ

Mirostat is a feedback-based decoding algorithm that aims to regulate the average surprisal of generated tokens toward a target.

āļŸāļąāļ‡āļ„āļģāđāļ™āļ°āļ™āļģāļ™āļĩāđ‰āļšāļĢāļĢāļĒāļēāļĒāđ‚āļ”āļĒ AI · ~2 min

āļšāļ™āļŦāļ™āđ‰āļēāļ™āļĩāđ‰āļ­āđˆāļēāļ™ 2 āļ™āļēāļ—āļĩ
  1. āļ āļēāļžāļĢāļ§āļĄ
  2. āđ€āļˆāļēāļ°āļĨāļķāļ
  3. āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļˆāļĢāļīāļ‡āđƒāļ™āđ‚āļĨāļāđāļŦāđˆāļ‡āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļˆāļĢāļīāļ‡
  4. āļ­āļ™āļēāļ„āļ•āļ‚āļ­āļ‡ Mirostat Perplexity āļāļēāļĢāļ„āļ§āļšāļ„āļļāļĄ
  5. āļāļēāļĢāļ™āļģāđ„āļ›āļ›āļāļīāļšāļąāļ•āļī
  6. āļŠāļģāļĢāļ§āļˆāļ•āđˆāļ­āđ„āļ›
  7. āļ„āļģāļ–āļēāļĄāļ—āļĩāđˆāļžāļšāļšāđˆāļ­āļĒ

āļ āļēāļžāļĢāļ§āļĄ

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.

āđ€āļˆāļēāļ°āļĨāļķāļ

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.

āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļˆāļĢāļīāļ‡āđƒāļ™āđ‚āļĨāļāđāļŦāđˆāļ‡āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļˆāļĢāļīāļ‡

āļ›āđ‰āļ­āļ‡āļāļąāļ™āđ„āļĄāđˆāđƒāļŦāđ‰āđ€āļĢāļ·āđˆāļ­āļ‡āļĢāļēāļ§āļ‚āļ™āļēāļ”āļĒāļēāļ§āļŦāļĢāļ·āļ­āļāļēāļĢāļŠāļ§āļĄāļšāļ—āļšāļēāļ—āđƒāļ™āđāļ­āļ› LLM āđƒāļ™āļžāļ·āđ‰āļ™āļ—āļĩāđˆ āđ€āļŠāđˆāļ™ KoboldAI āđ„āļĄāđˆāđƒāļŦāđ‰āļžāļąāļ‡āļ—āļĨāļēāļĒāļĨāļ‡āđ€āļ›āđ‡āļ™āļĨāļđāļ›āļ‹āđ‰āļģāđ†

āđ€āļ›āļīāļ”āđ€āļœāļĒāđƒāļ™ llama.cpp āđāļĨāļ° Ollama āđ€āļ›āđ‡āļ™āļāļēāļĢāļ•āļąāđ‰āļ‡āļ„āđˆāļē mirostat (āđ‚āļŦāļĄāļ” 1 āļŦāļĢāļ·āļ­ 2, tau, eta) āļŠāļģāļŦāļĢāļąāļšāļĄāļ·āļ­āļŠāļĄāļąāļ„āļĢāđ€āļĨāđˆāļ™āđƒāļ™āļāļēāļĢāļ›āļĢāļąāļšāđāļ•āđˆāļ‡āļ„āļļāļ“āļ āļēāļžāđ€āļ­āļēāļ•āđŒāļžāļļāļ•

āļ—āļģāđƒāļŦāđ‰āļāļēāļĢāļ•āļ­āļšāļŠāļ™āļ­āļ‡āļ‚āļ­āļ‡āđāļŠāļ—āļšāļ­āļ—āļĄāļĩāļ„āļ§āļēāļĄāđ€āļŠāļ–āļĩāļĒāļĢ āļˆāļķāļ‡āđ„āļĄāđˆāļžāļđāļ”āļ‹āđ‰āļģāļ§āļĨāļĩāļŦāļĢāļ·āļ­āđ€āļ›āļĨāļĩāđˆāļĒāļ™āđ€āļŠāđ‰āļ™āļ—āļēāļ‡āđ„āļ›āļŠāļđāđˆāļāļēāļĢāđāļ—āļ™āđ€āļˆāļ™āļ•āđŒāļ—āļĩāđˆāđ„āļĄāđˆāļ•āđˆāļ­āđ€āļ™āļ·āđˆāļ­āļ‡āļāļąāļ™āđƒāļ™āđ€āļ‹āļŠāļŠāļąāļ™āļ—āļĩāđˆāļĒāļēāļ§āļ™āļēāļ™

āđƒāļŠāđ‰āđ‚āļ”āļĒāļ™āļąāļāđ€āļ‚āļĩāļĒāļ™āļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāļ„āļ§āļēāļĄāļ„āļīāļ”āļŠāļĢāđ‰āļēāļ‡āļŠāļĢāļĢāļ„āđŒāđƒāļ™āļĢāļ°āļ”āļąāļšāļ—āļĩāđˆāļŠāļĄāđˆāļģāđ€āļŠāļĄāļ­āļ—āļąāđˆāļ§āļ—āļąāđ‰āļ‡āļ‚āđ‰āļ­āļ„āļ§āļēāļĄāļ—āļĩāđˆāļŠāļĢāđ‰āļēāļ‡āļ‚āļķāđ‰āļ™ āđāļ—āļ™āļ—āļĩāđˆāļˆāļ°āļœāļąāļ™āļœāļ§āļ™āļ”āđ‰āļēāļ™āļ„āļļāļ“āļ āļēāļž

āļ­āļ™āļēāļ„āļ•āļ‚āļ­āļ‡ Mirostat Perplexity āļāļēāļĢāļ„āļ§āļšāļ„āļļāļĄ

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.

āļāļēāļĢāļ™āļģāđ„āļ›āļ›āļāļīāļšāļąāļ•āļī

āļ—āļģāđ„āļĄāļĄāļąāļ™āļ–āļķāļ‡āļŠāļģāļ„āļąāļ

  • āļ„āļ§āļēāļĄāđ€āļĢāđ‡āļ§āđāļĨāļ°āļ‚āļ™āļēāļ”. āļ‚āļąāđ‰āļ™āļ•āļ­āļ™āļāļēāļĢāļ—āļģāļ‡āļēāļ™āļ‚āļ­āļ‡āļ āļēāļĐāļēāļŠāļēāļĄāļēāļĢāļ–āļ”āļģāđ€āļ™āļīāļ™āđ„āļ›āđ„āļ”āđ‰āđ€āļĢāđ‡āļ§āļ‚āļķāđ‰āļ™āđ‚āļ”āļĒāđ„āļĄāđˆāļāļĢāļ°āļ—āļšāļ•āđˆāļ­āļ„āļ§āļēāļĄāļŠāļĄāđˆāļģāđ€āļŠāļĄāļ­
  • āđ€āļ‚āđ‰āļēāļ–āļķāļ‡āđāļĨāļ°āđ€āļ‚āđ‰āļēāļ–āļķāļ‡. āļ‚āļĒāļēāļĒāļāļēāļĢāđ€āļ‚āđ‰āļēāļ–āļķāļ‡āļ āļēāļĐāļēāđāļĨāļ°āļĢāļđāļ›āđāļšāļšāļāļēāļĢāļŠāļ·āđˆāļ­āļŠāļēāļĢ
  • āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāļ—āļĩāđˆāļŠāļąāļ”āđ€āļˆāļ™āļĒāļīāđˆāļ‡āļ‚āļķāđ‰āļ™. āļ—āļĩāļĄāļŠāļēāļĄāļēāļĢāļ–āđƒāļŠāđ‰āđ€āļ§āļĨāļēāļĄāļēāļāļ‚āļķāđ‰āļ™āđƒāļ™āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™ āđƒāļ™āļ‚āļ“āļ°āļ—āļĩāđˆāļĢāļ°āļšāļšāļ­āļąāļ•āđ‚āļ™āļĄāļąāļ•āļīāļˆāļąāļ”āļāļēāļĢāļāļąāļšāļāļēāļĢāļ—āļģāļ‹āđ‰āļģ

āļĢāļ°āļ§āļąāļ‡

  • āļ‚āđ‰āļ­āđ€āļ—āđ‡āļˆāļˆāļĢāļīāļ‡āļ—āļĩāđˆāļŦāļĨāļ­āļ™āļ›āļĢāļ°āļŠāļēāļ—āļŠāļēāļĄāļēāļĢāļ–āđ€āļ‚āđ‰āļēāļŠāļđāđˆāļĢāļēāļĒāļ‡āļēāļ™ āļāļĢāļ°āđāļŠāļŠāļ™āļąāļšāļŠāļ™āļļāļ™ āļŦāļĢāļ·āļ­āļœāļĨāļāļēāļĢāļ§āļīāļˆāļąāļĒāđ„āļ”āđ‰āļ­āļĒāđˆāļēāļ‡āđ€āļ‡āļĩāļĒāļšāđ†
  • āļ„āļ§āļēāļĄāļĨāļ°āđ€āļ­āļĩāļĒāļ”āļ­āđˆāļ­āļ™āļ‚āļ­āļ‡āļāļēāļĢāđāļˆāđ‰āļ‡āđ€āļ•āļ·āļ­āļ™āļŠāļēāļĄāļēāļĢāļ–āļŠāļĢāđ‰āļēāļ‡āļœāļĨāļĨāļąāļžāļ˜āđŒāļ—āļĩāđˆāđ„āļĄāđˆāļŠāļ­āļ”āļ„āļĨāđ‰āļ­āļ‡āļāļąāļ™āđƒāļ™āļ„āļģāļ‚āļ­āļ—āļĩāđˆāļ„āļĨāđ‰āļēāļĒāļāļąāļ™
  • āļ‚āđ‰āļ­āļĄāļđāļĨāļ‚āđ‰āļ­āļ„āļ§āļēāļĄāļ—āļĩāđˆāļĨāļ°āđ€āļ­āļĩāļĒāļ”āļ­āđˆāļ­āļ™āļ­āļēāļˆāļ–āļđāļāđ€āļ›āļīāļ”āđ€āļœāļĒāļŦāļēāļāļāļēāļĢāļ„āļ§āļšāļ„āļļāļĄāļāļēāļĢāđ€āļ‚āđ‰āļēāļ–āļķāļ‡āļ­āđˆāļ­āļ™āđāļ­

āļ‚āļąāđ‰āļ™āļ•āļ­āļ™āļ•āđˆāļ­āđ„āļ›

  1. āļāļģāļŦāļ™āļ”āļĢāļđāļ›āđāļšāļšāđ€āļ­āļēāļ•āđŒāļžāļļāļ• āđ‚āļ—āļ™āđ€āļŠāļĩāļĒāļ‡ āđāļĨāļ°āļĄāļēāļ•āļĢāļāļēāļ™āļ„āļļāļ“āļ āļēāļžāļāđˆāļ­āļ™āđ€āļ›āļīāļ”āļ•āļąāļ§
  2. āļāļēāļĢāļ•āļ­āļšāļŠāļ™āļ­āļ‡āļ āļēāļ„āļžāļ·āđ‰āļ™āļ”āļīāļ™āļāļąāļšāđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđ€āļŠāļ·āđˆāļ­āļ–āļ·āļ­āđ„āļ”āđ‰āđ€āļĄāļ·āđˆāļ­āđƒāļ”āļāđ‡āļ•āļēāļĄāļ—āļĩāđˆāļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāļĄāļĩāļ„āļ§āļēāļĄāļŠāļģāļ„āļąāļ
  3. āļĢāļąāļāļĐāļēāļˆāļļāļ”āļ•āļĢāļ§āļˆāļŠāļ­āļšāļāļēāļĢāļ•āļĢāļ§āļˆāļŠāļ­āļšāđ‚āļ”āļĒāļĄāļ™āļļāļĐāļĒāđŒāļŠāļģāļŦāļĢāļąāļšāļœāļĨāļĨāļąāļžāļ˜āđŒāļ—āļĩāđˆāļĄāļĩāđ€āļ”āļīāļĄāļžāļąāļ™āļŠāļđāļ‡
  4. āļ•āļīāļ”āļ•āļēāļĄāļĢāļđāļ›āđāļšāļšāļ„āļ§āļēāļĄāļĨāđ‰āļĄāđ€āļŦāļĨāļ§āđāļĨāļ°āļāļķāļāļ­āļšāļĢāļĄāļžāļĢāđ‰āļ­āļĄāļ—āđŒāļŦāļĢāļ·āļ­āđ€āļ§āļīāļĢāđŒāļāđ‚āļŸāļĨāļ§āđŒāđ€āļ›āđ‡āļ™āļ›āļĢāļ°āļˆāļģ

āļŠāļģāļĢāļ§āļˆāļ•āđˆāļ­āđ„āļ›

āļˆāļ”āļŦāļĄāļēāļĒāļ‚āđˆāļēāļ§āļŸāļĢāļĩ

āļĢāļąāļšāļŠāļĢāļļāļ› AI āļĢāļēāļĒāļ§āļąāļ™

āđ€āļĢāļ·āđˆāļ­āļ‡āļĢāļēāļ§ AI āļ—āļĩāđˆāļ•āļĢāļ§āļˆāļŠāļ­āļšāđāļĨāđ‰āļ§ 3 āđ€āļĢāļ·āđˆāļ­āļ‡āļ—āļļāļāļ§āļąāļ™āļ—āļģāļ‡āļēāļ™ āđ€āļŠāđ‰āļē, āđ€āļ‚āļĩāļĒāļ™āđ€āļ›āđ‡āļ™āļ āļēāļĐāļēāļ­āļąāļ‡āļāļĪāļĐāļ˜āļĢāļĢāļĄāļ”āļē āļŸāļĢāļĩāļ•āļĨāļ­āļ”āđ„āļ› āđ„āļĄāđˆāļĄāļĩāđ‚āļ†āļĐāļ“āļē

āļ­āļĩāđ€āļĄāļĨāļŦāļ™āļķāđˆāļ‡āļ‰āļšāļąāļšāļ—āļļāļāļ§āļąāļ™āļ—āļģāļ‡āļēāļ™ āļĒāļāđ€āļĨāļīāļāļāļēāļĢāļŠāļĄāļąāļ„āļĢāđƒāļ™āļ„āļĨāļīāļāđ€āļ”āļĩāļĒāļ§ āđ€āļĢāļēāđ„āļĄāđˆāđ€āļ„āļĒāļ‚āļēāļĒāļŦāļĢāļ·āļ­āđāļŠāļĢāđŒāļ—āļĩāđˆāļ­āļĒāļđāđˆāļ­āļĩāđ€āļĄāļĨāļ‚āļ­āļ‡āļ„āļļāļ“

āļ—āļ”āļŠāļ­āļšāļ•āļąāļ§āđ€āļ­āļ‡

Take the Mirostat Perplexity Control quiz

āļ‚āđ‰āļ­āđ€āļŠāļ™āļ­āđāļ™āļ°āļ—āļąāļ™āļ—āļĩāļŠāļģāļŦāļĢāļąāļšāļ—āļļāļāļ„āļģāļ•āļ­āļš āđāļĨāļ°āđƒāļšāļĢāļąāļšāļĢāļ­āļ‡āļ—āļĩāđˆāļŠāļēāļĄāļēāļĢāļ–āđāļŠāļĢāđŒāđ„āļ”āđ‰āļžāļĢāđ‰āļ­āļĄ ID āļ—āļĩāđˆāļ•āļĢāļ§āļˆāļŠāļ­āļšāđ„āļ”āđ‰āđ€āļĄāļ·āđˆāļ­āļ„āļļāļ“āļœāđˆāļēāļ™āļŦāļĨāļąāļāļŠāļđāļ•āļĢ

āđ€āļĢāļīāđˆāļĄāđāļšāļšāļ—āļ”āļŠāļ­āļš

āļŠāļ™āļąāļšāļŠāļ™āļļāļ™āļāļēāļĢāļĻāļķāļāļĐāļē AI āļŸāļĢāļĩ AI Understanding āđ€āļ›āđ‡āļ™āļ­āļ‡āļ„āđŒāļāļĢāđ„āļĄāđˆāđāļŠāļ§āļ‡āļŦāļēāļœāļĨāļāļģāđ„āļĢ 501(c)(3) — āđ„āļĄāđˆāļĄāļĩāđ‚āļ†āļĐāļ“āļē āđ„āļĄāđˆāļĄāļĩāļāļģāđāļžāļ‡āđ€āļ‡āļīāļ™, āļ•āļĨāļ­āļ”āđ„āļ› āļšāļĢāļīāļˆāļēāļ„

āļ„āļģāļ–āļēāļĄāļ—āļĩāđˆāļžāļšāļšāđˆāļ­āļĒ

āļāļēāļĢāļ„āļ§āļšāļ„āļļāļĄ Mirostat Perplexity āļ„āļ·āļ­āļ­āļ°āđ„āļĢ

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 āđāļ•āļāļ•āđˆāļēāļ‡āđ‚āļ”āļĒāļžāļ·āđ‰āļ™āļāļēāļ™āļˆāļēāļāļāļēāļĢāļŠāļļāđˆāļĄāļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡ top-k āļŦāļĢāļ·āļ­ top-p āļĄāļēāļ•āļĢāļāļēāļ™āļ­āļĒāđˆāļēāļ‡āđ„āļĢ

Top-k āđāļĨāļ° top-p āđƒāļŠāđ‰āđ€āļāļ“āļ‘āđŒāļ„āļ‡āļ—āļĩāđˆ āđƒāļ™āļ‚āļ“āļ°āļ—āļĩāđˆ Mirostat āļˆāļ°āļ›āļĢāļąāļšāļāļēāļĢāļ•āļąāļ”āļ—āļ­āļ™āļ­āļĒāđˆāļēāļ‡āļ•āđˆāļ­āđ€āļ™āļ·āđˆāļ­āļ‡āļ•āļēāļĄāļ„āļ§āļēāļĄāļ›āļĢāļ°āļŦāļĨāļēāļ”āđƒāļˆāļ—āļĩāđˆāļŠāļąāļ‡āđ€āļāļ•āđ„āļ”āđ‰ āđ€āļŠāđˆāļ™āđ€āļ”āļĩāļĒāļ§āļāļąāļšāļĢāļ°āļšāļšāļ„āļ§āļšāļ„āļļāļĄ

āđƒāļ™ Mirostat āļžāļēāļĢāļēāļĄāļīāđ€āļ•āļ­āļĢāđŒ eta āļĄāļĩāļšāļ—āļšāļēāļ—āļ­āļĒāđˆāļēāļ‡āđ„āļĢ?

āļāļēāļĢāļ—āļēāļ‡āļžāļīāđ€āļĻāļĐāđāļŦāđˆāļ‡āļ›āļĢāļ°āđ€āļ—āļĻāđ„āļ—āļĒāļ„āļ·āļ­āļ­āļąāļ•āļĢāļēāļāļēāļĢāđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰ āđ‚āļ”āļĒāļˆāļ°āļ›āļĢāļąāļšāļ‚āļ™āļēāļ”āļ„āļ§āļēāļĄāļĢāļļāļ™āđāļĢāļ‡āļ‚āļ­āļ‡āļ•āļąāļ§āđāļ›āļĢāļ„āļ§āļšāļ„āļļāļĄ mu āļ—āļĩāđˆāđ„āļ”āđ‰āļĢāļąāļšāļāļēāļĢāļ­āļąāļ›āđ€āļ”āļ•āđ€āļžāļ·āđˆāļ­āļ•āļ­āļšāļŠāļ™āļ­āļ‡āļ•āđˆāļ­āļ‚āđ‰āļ­āļœāļīāļ”āļžāļĨāļēāļ”āļĢāļ°āļŦāļ§āđˆāļēāļ‡āļāļēāļĢāļŠāļąāļ‡āđ€āļāļ•āđāļĨāļ°āļāļēāļĢāļ›āļĢāļ°āļŦāļĨāļēāļ”āđƒāļˆāļ‚āļ­āļ‡āđ€āļ›āđ‰āļēāļŦāļĄāļēāļĒ

āļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āļŦāļĨāļąāļāļ‚āļ­āļ‡ Mirostat āđ€āļ§āļ­āļĢāđŒāļŠāļąāļ™ 2 āđ€āļŦāļ™āļ·āļ­āđ€āļ§āļ­āļĢāđŒāļŠāļąāļ™ 1 āļ„āļ·āļ­āļ­āļ°āđ„āļĢ

Mirostat 2 āļĒāļāđ€āļĨāļīāļāļāļēāļĢāļžāļķāđˆāļ‡āļžāļēāļŠāļĄāļĄāļ•āļīāļāļēāļ™āļāļŽāļ‚āļ­āļ‡ Zipf āļ—āļĩāđˆāđƒāļŠāđ‰āđƒāļ™āđ€āļ§āļ­āļĢāđŒāļŠāļąāļ™ 1 āļ—āļģāđƒāļŦāđ‰āļ­āļąāļĨāļāļ­āļĢāļīāļ—āļķāļĄāļ‡āđˆāļēāļĒāļ‚āļķāđ‰āļ™āđāļĨāļ°āđ€āļŠāļ·āđˆāļ­āļ–āļ·āļ­āđ„āļ”āđ‰āđƒāļ™āļ§āļ‡āļāļ§āđ‰āļēāļ‡āļĄāļēāļāļ‚āļķāđ‰āļ™āđƒāļ™āđ‚āļĄāđ€āļ”āļĨāļ•āđˆāļēāļ‡āđ†

Which Mirostat settings does current llama.cpp expose?

llama.cpp documents a Mirostat mode plus tau and eta parameters for its sampling implementation.

āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļ•āđˆāļ­āđ„āļ›

āļ„āļģāđāļ™āļ°āļ™āļģāļ—āļĩāđˆāđ€āļāļĩāđˆāļĒāļ§āļ‚āđ‰āļ­āļ‡

āļ„āļģāđāļ™āļ°āļ™āļģāđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄāļ—āļĩāđˆāđ€āļĨāļ·āļ­āļāļŠāļģāļŦāļĢāļąāļšāļŦāļąāļ§āļ‚āđ‰āļ­āļ™āļĩāđ‰

āļ•āđˆāļ­āđ„āļ›āļ„āļģāđāļ™āļ°āļ™āļģāļ•āđˆāļ­āđ„āļ›

āļāļēāļĢāļĨāļ‡āđ‚āļ—āļĐāļāļēāļĢāļ—āļģāļ‹āđ‰āļģāđāļĨāļ°āļāļēāļĢāļ–āļ­āļ”āļĢāļŦāļąāļŠāļāļēāļĢāļ„āļ§āļšāļ„āļļāļĄ

āļ āļēāļĐāļēāđ€āļ­āđ„āļ­

āļĢāļąāļšāđƒāļšāļĢāļąāļšāļĢāļ­āļ‡ AI āļŸāļĢāļĩāļŦāļĨāļąāļāļŠāļđāļ•āļĢāđāļĨāļ°āļāļēāļĢāļŠāļ­āļšāļŠāļąāđ‰āļ™ āđ† āļŸāļĢāļĩ āđ„āļĄāđˆāļĄāļĩāļ„āđˆāļēāđƒāļŠāđ‰āļˆāđˆāļēāļĒ āđ„āļĄāđˆāļĄāļĩāļšāļąāļ•āļĢāđ€āļ„āļĢāļ”āļīāļ• āļ›āļĢāļ°āļĄāļēāļ“ 2.5 āļŠāļąāđˆāļ§āđ‚āļĄāļ‡āđ€āļĢāļīāđˆāļĄāļ•āđ‰āļ™āļŸāļĢāļĩ →