คู่มือ AI ภาษา

อุณหภูมิและการสุ่มตัวอย่าง

อุณหภูมิและการสุ่มตัวอย่างคือแป้นหมุนที่ควบคุมว่าถ้อยคำของโมเดลภาษานั้น 'สุ่ม' หรือ 'ปลอดภัย'

ภาพรวม

อุณหภูมิและการสุ่มตัวอย่างเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด

เจาะลึก

ในแต่ละขั้นตอน โมเดลภาษาจะไม่ส่งออกคำโดยตรง แต่จะให้คะแนน ('บันทึก') สำหรับทุกโทเค็นในคำศัพท์ ซึ่ง softmax จะกลายเป็นการแจกแจงความน่าจะเป็น การสุ่มตัวอย่างคือวิธีการเลือกโทเค็นถัดไปจากการแจกจ่ายนั้น อุณหภูมิจะกำหนดรูปแบบการกระจายใหม่ก่อนที่จะเลือก: อุณหภูมิต่ำทำให้ตัวเลือกอันดับต้นๆ มีอิทธิพลเหนือ ดังนั้นเอาต์พุตจึงเน้นและทำซ้ำได้ อุณหภูมิสูงจะแบนราบลง ปล่อยให้โทเค็นที่ไม่น่าเป็นไปได้เข้ามาเพื่อความหลากหลายมากขึ้น (และข้อผิดพลาดมากขึ้น) ตัวกรองยอดนิยมสองตัวทำให้กลุ่มแคบลงก่อน Top-k เก็บเฉพาะโทเค็นความน่าจะเป็นสูงสุด k เท่านั้น Top-p หรือการสุ่มตัวอย่างนิวเคลียส จะเก็บชุดโทเค็นที่เล็กที่สุดซึ่งความน่าจะเป็นรวมกันเป็น p (เช่น 0.9) ดังนั้นพูลจะขยายเมื่อโมเดลไม่แน่ใจและย่อลงเมื่อมั่นใจ การตั้งค่าเหล่านี้ร่วมกันจะแลกความน่าเชื่อถือกับความคิดสร้างสรรค์

ข้อมูลเชิงลึกทางเทคนิค

อุณหภูมิทำงานโดยการหารแต่ละ logit ด้วย T ก่อน softmax: ความน่าจะเป็นจะเป็นสัดส่วนกับ exp(logit / T) T ที่ต่ำกว่า 1 ทำให้ช่องว่างคมชัดขึ้น ดังนั้นโทเค็นบนสุดจึงมีอำนาจเหนือกว่า T ที่อยู่เหนือ 1 จะย่อช่องว่างและทำให้การกระจายแบนลง ที่ T ใกล้ 0 โมเดลจะมีความโลภอย่างมีประสิทธิภาพ โดยรับโทเค็นที่มีแนวโน้มมากที่สุดเพียงตัวเดียวเสมอ Top-k จะจำกัดจำนวนผู้สมัครด้วยจำนวนคงที่ ในขณะที่ top-p จะกำหนดจุดตัดความน่าจะเป็นสะสม ดังนั้นจำนวนผู้สมัครจะปรับตามความมั่นใจของโมเดลในขั้นตอนนั้น

การเรียนรู้อุณหภูมิและการสุ่มตัวอย่าง

อุณหภูมิและการสุ่มตัวอย่างคือแป้นหมุนที่ควบคุมว่าถ้อยคำของโมเดลภาษานั้น 'สุ่ม' หรือ 'ปลอดภัย' พวกเขาตัดสินใจว่าคุณจะได้รับคำตอบที่คาดเดาได้เหมือนกันทุกครั้ง หรือใช้ถ้อยคำที่สดใหม่และหลากหลาย อุณหภูมิและการสุ่มตัวอย่างเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่าอุณหภูมิและการสุ่มตัวอย่างเป็นเพียงแบบจำลองการปฏิบัติงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ

ในทางปฏิบัติ ทีมที่เข้มแข็งโดยใช้พรอมต์การออกแบบอุณหภูมิและการสุ่มตัวอย่าง 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

อนาคตของอุณหภูมิและการสุ่มตัวอย่าง

การควบคุมเหล่านี้มีเสถียรภาพและเข้าใจได้ดี ดังนั้นการดำเนินการจึงใช้ค่าเริ่มต้นที่ชาญฉลาดกว่าและเป็นเวอร์ชันที่ใหม่กว่า คาดว่าจะมีรูปแบบการปรับตัวมากขึ้น เช่น min-p (ซึ่งจะปรับขนาดจุดตัดตามความน่าจะเป็นของโทเค็นบนสุด) และอุณหภูมิแบบไดนามิกที่เปลี่ยนแปลงในช่วงกลางรุ่น การใช้เครื่องมือจะเลือกการตั้งค่าอัตโนมัติต่องานมากขึ้น — ต่ำสำหรับโค้ดและการแตกไฟล์, สูงขึ้นสำหรับการระดมความคิด — ดังนั้นผู้ใช้จะไม่ปรับแต่งด้วยมือ แนวคิดหลักยังคงอยู่: การสุ่มตัวอย่างเป็นปุ่มที่เรียบง่ายและทรงพลังระหว่างความแม่นยำตามที่กำหนดและความหลากหลายของความคิดสร้างสรรค์

การใช้งานจริงในโลกแห่งความเป็นจริง

การตั้งค่าอุณหภูมิใกล้ 0 สำหรับการสร้างโค้ดหรือการแยกข้อมูล โดยที่คุณต้องการคำตอบที่ถูกต้องทุกครั้ง

เพิ่มอุณหภูมิเป็นประมาณ 0.8-1.0 เพื่อระดมความคิด ชื่อ สโลแกน หรือไอเดียเรื่องราวเพื่อให้ได้ทางเลือกที่หลากหลาย

ใช้ top-p ประมาณ 0.9 เพื่อให้โมเดลสุ่มตัวอย่างจากคำที่น่าเชื่อถือที่สุดเท่านั้น และหลีกเลี่ยงโทเค็นที่แปลกประหลาด

การใช้ top-k เพื่อจำกัดผู้สมัครและป้องกันไม่ให้คำที่ไม่ตรงประเด็นที่หายากปรากฏในการตอบกลับที่ลูกค้าต้องเผชิญ

รูปแบบการดำเนินงาน

อุณหภูมิและการสุ่มตัวอย่างในทางปฏิบัติ

การตั้งค่าอุณหภูมิใกล้ 0 สำหรับการสร้างโค้ดหรือการดึงข้อมูล โดยที่คุณต้องการคำตอบที่ถูกต้องเหมือนกันทุกครั้งที่ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้น เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

อุณหภูมิและการสุ่มตัวอย่างในทางปฏิบัติ

การเพิ่มอุณหภูมิเป็นประมาณ 0.8-1.0 สำหรับการระดมความคิดชื่อ สโลแกน หรือแนวคิดเรื่องราวเพื่อให้ได้ทางเลือกที่หลากหลาย ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

อุณหภูมิและการสุ่มตัวอย่างในทางปฏิบัติ

การใช้ top-p ประมาณ 0.9 เพื่อให้โมเดลสุ่มตัวอย่างจากคำที่เป็นไปได้มากที่สุดเท่านั้น และหลีกเลี่ยงโทเค็นที่แปลกประหลาด

การใช้ top-p ประมาณ 0.9 เพื่อให้โมเดลสุ่มตัวอย่างจากเฉพาะคำที่เป็นไปได้มากที่สุดและหลีกเลี่ยงโทเค็นที่แปลกประหลาด ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

อุณหภูมิและการสุ่มตัวอย่างในทางปฏิบัติ

การใช้ top-k เพื่อจำกัดผู้สมัครและป้องกันไม่ให้คำที่หายากและนอกประเด็นปรากฏในการตอบกลับที่ลูกค้าต้องเผชิญ โดยปกติแล้วทีมจะได้ผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า 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

สำรวจต่อไป

ChatGPT และ LLM

ดูว่าโมเดลภาษาสมัยใหม่สร้างและเหตุผลอย่างไร

อ่านคู่มือ

พื้นฐาน NLP

เรียนรู้พื้นฐานการประมวลผลภาษาที่อยู่เบื้องหลังเครื่องมือเหล่านี้

อ่านคู่มือ