ภาพรวม
Self-Refine เป็นเทคนิคการกระตุ้นเตือนที่โมเดลภาษาวิจารณ์ผลลัพธ์ของตัวเองแล้วเขียนใหม่ โดยวนซ้ำจนกว่าคำตอบจะดีขึ้น สิ่งสำคัญคือเนื่องจากโมเดลมักจะมองเห็นและแก้ไขข้อผิดพลาดของตนเองโดยไม่ต้องมีการฝึกอบรมเพิ่มเติมหรือข้อเสนอแนะจากมนุษย์
การปรับปรุงเอาต์พุตซ้ำแบบปรับแต่งเองเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
Self-Refine ซึ่งเปิดตัวโดย Madaan และเพื่อนร่วมงานในปี 2023 ใช้โมเดลเดียวกันใน 3 บทบาท ได้แก่ ตัวสร้าง นักวิจารณ์ และผู้แก้ไข ขั้นแรกให้แบบจำลองสร้างคำตอบเริ่มต้น จากนั้นระบบจะขอให้คุณให้ข้อเสนอแนะที่เฉพาะเจาะจงและนำไปปฏิบัติได้สำหรับคำตอบนั้น (เช่น "โค้ดนี้ขาดการจัดการข้อผิดพลาด" หรือ "การสรุปนี้พลาดตัวเลขต้นทุน") สุดท้ายจะเขียนคำตอบใหม่โดยใช้คำติชมนั้น วงจรจะทำซ้ำจนกว่าแบบจำลองจะตัดสินใจว่าเอาต์พุตดีพอหรือถึงขีดจำกัดขั้นตอน สิ่งสำคัญที่สุดคือ ไม่ต้องมีการฝึกอบรมเพิ่มเติม โมเดลการให้รางวัล หรือเครื่องมือภายนอก เพียงแค่การกระตุ้นอย่างชาญฉลาด ในงานต่างๆ เช่น การเพิ่มประสิทธิภาพโค้ด บทสนทนา และการเขียนความรู้สึกใหม่ การวนซ้ำนี้ปรับปรุงคุณภาพได้อย่างวัดผลได้มากกว่าการสร้างช็อตเดียว
ข้อมูลเชิงลึกทางเทคนิค
กลไกสำคัญคือการใช้โมเดลเป็นออราเคิลคำติชมของตัวเอง การสร้างและการวิพากษ์วิจารณ์ใช้คำแนะนำที่แตกต่างกัน ดังนั้นแบบจำลองจึงประเมินจากการจัดเฟรมใหม่ แทนที่จะปกป้องร่างแรก ความคิดเห็นจะต้องเฉพาะเจาะจงและนำไปปฏิบัติได้ ไม่ใช่แค่ "ทำให้ดีขึ้น" เพราะคำวิจารณ์ที่คลุมเครือทำให้เกิดการแก้ไขที่คลุมเครือ ประวัติทั้งหมด (ฉบับร่างพร้อมข้อเสนอแนะทั้งหมด) จะถูกป้อนกลับเข้าไป โดยให้บริบทแก่ผู้แก้ไข กำไรจะมีมากที่สุดเมื่อโมเดลสามารถตรวจจับข้อบกพร่องได้อย่างแท้จริงแล้วจึงทำการแก้ไข
การเรียนรู้การปรับปรุงเอาต์พุตซ้ำแบบปรับแต่งตัวเองอย่างเชี่ยวชาญ
Self-Refine เป็นเทคนิคการกระตุ้นเตือนที่โมเดลภาษาวิจารณ์ผลลัพธ์ของตัวเองแล้วเขียนใหม่ โดยวนซ้ำจนกว่าคำตอบจะดีขึ้น สิ่งสำคัญคือเนื่องจากโมเดลมักจะมองเห็นและแก้ไขข้อผิดพลาดของตนเองโดยไม่ต้องมีการฝึกอบรมเพิ่มเติมหรือข้อเสนอแนะจากมนุษย์ การปรับปรุงเอาต์พุตซ้ำแบบปรับแต่งเองเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่าการปรับปรุงผลลัพธ์ซ้ำแบบปรับแต่งตัวเองเป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังคงต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่เข้มแข็งโดยใช้พรอมต์การออกแบบการปรับปรุงผลลัพธ์ซ้ำๆ ของการปรับแต่งตัวเอง การดึงข้อมูล และลูปการตรวจสอบเป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การปรับปรุงโค้ดที่สร้างขึ้นโดยให้โมเดลแฟล็กไม่มีขอบเคส จากนั้นเขียนฟังก์ชันใหม่เพื่อจัดการพวกมัน
ขัดเกลาอีเมลฉบับร่างหรือเรียงความด้วยน้ำเสียงวิจารณ์ตนเองและความชัดเจน จากนั้นจึงทบทวนกลุ่มเป้าหมาย
เพิ่มประสิทธิภาพคำตอบให้กับปัญหาทางคณิตศาสตร์หรือการใช้เหตุผลโดยการตรวจสอบแต่ละขั้นตอนและแก้ไขข้อผิดพลาดทางคณิตศาสตร์
ปรับปรุงการตอบกลับโดยฝ่ายสนับสนุนลูกค้าเพื่อให้ตอบคำถามของผู้ใช้ได้โดยตรง แทนที่จะตอบกลับแบบทั่วไป
รูปแบบการดำเนินงาน
การปรับปรุงผลลัพธ์ซ้ำซ้อนด้วยตนเองในทางปฏิบัติ
การปรับปรุงโค้ดที่สร้างขึ้นโดยให้โมเดลแฟล็กไม่มีขอบเคส จากนั้นเขียนฟังก์ชันใหม่เพื่อจัดการพวกมัน
การปรับปรุงโค้ดที่สร้างขึ้นโดยให้โมเดลแฟล็กไม่มีกรณี Edge จากนั้นเขียนฟังก์ชันใหม่เพื่อจัดการกับกรณีเหล่านี้ โดยปกติแล้วทีมจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การปรับปรุงผลลัพธ์ซ้ำซ้อนด้วยตนเองในทางปฏิบัติ
ขัดเกลาอีเมลฉบับร่างหรือเรียงความด้วยน้ำเสียงวิจารณ์ตนเองและความชัดเจน จากนั้นจึงทบทวนกลุ่มเป้าหมาย
ขัดเกลาอีเมลฉบับร่างหรือเรียงความด้วยน้ำเสียงวิจารณ์ตนเองและความชัดเจน จากนั้นแก้ไขสำหรับกลุ่มเป้าหมาย ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การปรับปรุงผลลัพธ์ซ้ำซ้อนด้วยตนเองในทางปฏิบัติ
เพิ่มประสิทธิภาพคำตอบให้กับปัญหาทางคณิตศาสตร์หรือการใช้เหตุผลโดยการตรวจสอบแต่ละขั้นตอนและแก้ไขข้อผิดพลาดทางคณิตศาสตร์
การปรับคำตอบให้เหมาะสมสำหรับปัญหาทางคณิตศาสตร์หรือการใช้เหตุผลโดยการตรวจสอบแต่ละขั้นตอนและแก้ไขข้อผิดพลาดทางคณิตศาสตร์ ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การปรับปรุงผลลัพธ์ซ้ำซ้อนด้วยตนเองในทางปฏิบัติ
ปรับปรุงการตอบกลับโดยฝ่ายสนับสนุนลูกค้าเพื่อให้ตอบคำถามของผู้ใช้ได้โดยตรง แทนที่จะตอบกลับแบบทั่วไป
ปรับปรุงการตอบกลับโดยฝ่ายสนับสนุนลูกค้าเพื่อให้สามารถตอบคำถามของผู้ใช้ได้โดยตรง แทนที่จะให้คำตอบทั่วไป ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น