AGI (Trí tuệ tổng hợp nhân tạo)
Một hệ thống AI giả định có thể thực hiện hầu hết các nhiệm vụ trí tuệ ở cấp độ con người trên nhiều lĩnh vực.
Thuật ngữ kỹ thuật thiết yếu được giải thích ở mức độ rõ ràng cao nhất. Được thiết kế cho các nhà nghiên cứu, sinh viên và giáo dục lấy con người làm trung tâm.
Đang hiển thị 213 điều khoản phù hợp.
Một hệ thống AI giả định có thể thực hiện hầu hết các nhiệm vụ trí tuệ ở cấp độ con người trên nhiều lĩnh vực.
Một hệ thống phần mềm có thể quan sát, suy luận và thực hiện các hành động để đạt được mục tiêu, thường sử dụng các công cụ và bộ nhớ.
Công việc làm cho hệ thống AI hoạt động theo ý định, giá trị của con người và các ràng buộc về an toàn.
Các chính sách, tiêu chuẩn và cơ chế giám sát hướng dẫn cách phát triển và sử dụng AI trong xã hội.
Một lĩnh vực tập trung vào việc giảm các hành vi có hại, lỗi và rủi ro lạm dụng trong hệ thống AI.
Một bộ quy tắc hoặc các bước xác định mà máy tính tuân theo để giải quyết vấn đề hoặc hoàn thành một nhiệm vụ.
Sự không công bằng có hệ thống trong kết quả đầu ra của mô hình do dữ liệu, giả định hoặc lựa chọn mô hình bị sai lệch.
Logic, nguồn dữ liệu và các giới hạn của hệ thống AI được ghi lại và hiểu rõ ràng như thế nào.
Các nhãn hoặc siêu dữ liệu do con người thêm vào dùng để đào tạo hoặc đánh giá các mô hình học máy.
Một cách có cấu trúc để một hệ thống phần mềm gửi yêu cầu và nhận phản hồi từ hệ thống khác.
Lĩnh vực rộng lớn của việc xây dựng các hệ thống thực hiện các nhiệm vụ yêu cầu nhận dạng mẫu, lý luận, ngôn ngữ hoặc ra quyết định.
Một thành phần mô hình tập trung động vào các phần có liên quan của đầu vào khi tạo ra đầu ra.
Một hệ thống có thể đưa ra quyết định và hành động với sự kiểm soát hạn chế hoặc không có sự kiểm soát trực tiếp của con người trong thời gian thực.
Thuật toán đào tạo cốt lõi cập nhật trọng số mô hình bằng cách truyền ngược các lỗi dự đoán qua mạng.
Một mô hình tham chiếu đơn giản được sử dụng để so sánh xem liệu các phương pháp phức tạp hơn có thực sự cải thiện kết quả hay không.
Một bài kiểm tra hoặc tập dữ liệu được tiêu chuẩn hóa dùng để đo lường và so sánh hiệu suất của mô hình.
Một dạng lỗi hoặc sự không công bằng nhất quán trong dữ liệu hoặc hành vi của mô hình.
Các bộ dữ liệu rất lớn và phức tạp đòi hỏi các kỹ thuật xử lý và lưu trữ có thể mở rộng.
Một mô hình mà lý luận bên trong của nó khó được con người giải thích trực tiếp.
Điểm tin cậy của mô hình phù hợp với xác suất chính xác thực tế như thế nào.
Một phong cách lý luận trong đó mô hình AI phân tích vấn đề thành các bước trung gian.
Nhiệm vụ trong đó mô hình gán đầu vào cho một hoặc nhiều danh mục được xác định trước.
Một mô hình được thiết kế đặc biệt cho nhiệm vụ phân loại.
Một kiến trúc mô hình đa phương thức học cách biểu diễn chung giữa văn bản và hình ảnh.
Các tài nguyên xử lý cần thiết để đào tạo và chạy các mô hình, thường được đo bằng FLOPS hoặc số giờ GPU.
Nhánh AI trích xuất ý nghĩa từ hình ảnh và video.
Số lượng mã thông báo đầu vào tối đa mà một mô hình ngôn ngữ có thể xử lý cùng một lúc.
Các phương pháp đào tạo cho phép mô hình tiếp tục học hỏi từ dữ liệu mới mà không quên kiến thức trước đó.
Kiến trúc thần kinh được tối ưu hóa để xử lý dữ liệu dạng lưới như hình ảnh.
Một hàm mục tiêu chung được sử dụng để huấn luyện các mô hình phân loại bằng cách xử phạt các xác suất không chính xác.
Các kỹ thuật tạo ra các ví dụ đào tạo đã được sửa đổi để cải thiện việc khái quát hóa mô hình.
Sự thay đổi dữ liệu đầu vào trong thế giới thực theo thời gian có thể làm giảm hiệu suất của mô hình.
Quá trình gán thẻ hoặc đầu ra mục tiêu cho dữ liệu thô để học có giám sát.
Một tập hợp các ví dụ có cấu trúc hoặc phi cấu trúc được sử dụng để đào tạo, xác nhận hoặc kiểm tra.
Bề mặt trong không gian đặc trưng phân tách các lớp được dự đoán bởi bộ phân loại.
Một mô hình đưa ra dự đoán thông qua chuỗi phân chia tính năng if-then.
Một tập hợp con của học máy sử dụng mạng thần kinh nhiều lớp để học biểu diễn.
Một kiến trúc tổng quát học cách đảo ngược tiếng ồn để tổng hợp hình ảnh, âm thanh hoặc nội dung khác.
Nén kiến thức từ mô hình giáo viên lớn sang mô hình học sinh nhỏ hơn.
Các phương pháp chuyển một mô hình được đào tạo trong một lĩnh vực sang hoạt động tốt hơn trong một lĩnh vực khác.
Biểu diễn vectơ số nắm bắt ý nghĩa ngữ nghĩa của văn bản, hình ảnh hoặc dữ liệu khác.
Thành phần của mô hình biến đổi đầu vào thành các biểu diễn tiềm ẩn.
Kết hợp các dự đoán từ nhiều mô hình để cải thiện độ tin cậy hoặc độ chính xác.
Một tập dữ liệu được giữ lại được sử dụng để đo lường chất lượng mô hình sau khi đào tạo.
Mức độ mà hành vi của một mô hình có thể được diễn giải và giải thích cho con người.
Một dự đoán không chính xác trong đó mô hình bỏ lỡ một trường hợp dương tính thực sự.
Dự đoán không chính xác trong đó mô hình đánh dấu sai trường hợp âm tính thành dương tính.
Một biến đầu vào được mô hình sử dụng để đưa ra dự đoán.
Thiết kế hoặc chuyển đổi các biến đầu vào để việc học dễ dàng và hiệu quả hơn.
Chuyển đổi dữ liệu thô thành các tính năng thông tin mà mô hình có thể sử dụng.
Học hỏi hoặc điều chỉnh hành vi chỉ từ một số ít ví dụ.
Tiếp tục đào tạo về dữ liệu theo miền cụ thể để điều chỉnh mô hình được đào tạo trước cho phù hợp với một nhiệm vụ cụ thể.
Một mô hình được đào tạo trước lớn có thể thích ứng với nhiều nhiệm vụ tiếp theo.
Khả năng mô hình để tạo các cuộc gọi có cấu trúc kích hoạt các công cụ hoặc API bên ngoài.
Một thiết lập tổng quát trong đó người tạo và người phân biệt đối xử với nhau.
Mô hình hoạt động tốt như thế nào trên dữ liệu mới, chưa được nhìn thấy bên ngoài tập huấn luyện.
Hệ thống AI tạo ra nội dung mới như văn bản, hình ảnh, âm thanh, video hoặc mã.
Một vectơ hiển thị mức độ thay đổi của mỗi tham số để giảm tổn thất.
Một phương pháp tối ưu hóa cập nhật các tham số theo hướng giảm lỗi.
Nhãn tham chiếu đáng tin cậy được sử dụng để đào tạo hoặc đánh giá kết quả đầu ra của mô hình.
Các quy tắc, kiểm tra và kiểm soát nhằm hạn chế hành vi không an toàn hoặc không mong muốn của mô hình.
Khi một mô hình tạo ra thông tin trôi chảy nhưng sai hoặc không được hỗ trợ.
Quy trình làm việc trong đó con người xem xét, hướng dẫn hoặc ghi đè kết quả đầu ra của AI.
Giá trị cấu hình được đặt trước khi đào tạo, chẳng hạn như tốc độ học, kích thước lô hoặc độ sâu.
Khả năng của mô hình để làm theo các mẫu từ các ví dụ được cung cấp trực tiếp trong lời nhắc.
Giai đoạn chạy trong đó mô hình được đào tạo tạo ra dự đoán hoặc kết quả đầu ra.
Lượng năng lượng xử lý tiêu thụ trong khi tạo ra mỗi phản hồi.
Tinh chỉnh mô hình trên các cặp lệnh-phản hồi để cải thiện việc thực hiện nhiệm vụ.
Dự đoán mục đích của người dùng từ một truy vấn văn bản để định tuyến chính xác.
Một kỹ thuật nhanh chóng nhằm mục đích vượt qua các hạn chế về an toàn của mô hình.
Thời điểm mới nhất được phản ánh trong dữ liệu huấn luyện của mô hình.
Huấn luyện một mô hình nhỏ hơn để bắt chước kết quả đầu ra của một mô hình lớn hơn.
Cấu trúc biểu đồ của các thực thể và mối quan hệ được sử dụng để suy luận hoặc truy xuất.
Một phương pháp chính quy hóa làm mềm các nhãn cứng để cải thiện tính khái quát hóa.
Khoảng thời gian từ khi gửi yêu cầu đến khi nhận được đầu ra của mô hình.
Một mô hình ngôn ngữ được đào tạo trên kho văn bản lớn để tạo và phân tích văn bản.
Siêu tham số huấn luyện kiểm soát số lượng tham số thay đổi trong mỗi bước cập nhật.
Một phương pháp tinh chỉnh tham số hiệu quả bằng cách thêm các ma trận bộ điều hợp cấp thấp.
Một mục tiêu toán học giúp định lượng lỗi dự đoán trong quá trình đào tạo.
Các phương pháp cho phép hệ thống học các mẫu từ dữ liệu và cải thiện theo thời gian.
Bối cảnh được lưu trữ mà tác nhân AI sử dụng qua các bước hoặc phiên để cải thiện tính liên tục.
Một kiến trúc với các mạng con chuyên biệt, nơi chỉ các chuyên gia được chọn mới chạy trên mỗi đầu vào.
Tài liệu mô tả mục đích sử dụng, số liệu, hạn chế và rủi ro của mô hình.
Suy giảm hiệu suất theo thời gian khi điều kiện thực tế khác với các giả định về đào tạo.
Giảm độ chính xác về số của trọng số mô hình để giảm chi phí bộ nhớ và suy luận.
Một mô hình có thể xử lý hoặc tạo ra nhiều loại dữ liệu như văn bản, hình ảnh và âm thanh.
Nhiệm vụ NLP xác định các thực thể như con người, địa điểm, ngày tháng hoặc tổ chức.
Nhánh AI tập trung vào việc hiểu và tạo ra ngôn ngữ của con người.
Một mô hình tính toán phân lớp lấy cảm hứng từ các tế bào thần kinh sinh học và các khớp thần kinh.
Chuyển đổi các giá trị sang một thang đo nhất quán để cải thiện độ ổn định tối ưu hóa.
Công nghệ chuyển đổi văn bản trong hình ảnh hoặc quét thành văn bản có thể đọc được bằng máy.
Một mô hình được phát hành với trọng lượng hoặc mã công khai để kiểm tra, điều chỉnh và tái sử dụng.
Khi một mô hình ghi nhớ dữ liệu huấn luyện và hoạt động kém với các dữ liệu đầu vào không nhìn thấy được.
Trọng số đã học được bên trong một mô hình ảnh hưởng đến kết quả đầu ra của nó.
Các phương pháp điều chỉnh mô hình bằng cách huấn luyện một tập hợp con các tham số được thêm vào.
Một thước đo mô hình ngôn ngữ đo lường mức độ ngạc nhiên của mô hình đối với các mã thông báo tiếp theo thực sự.
Một quy trình công việc được sắp xếp gồm các bước tiền xử lý, các bước mô hình và các giai đoạn hậu xử lý.
Tỷ lệ các kết quả dương tính được dự đoán thực sự đúng.
Đào tạo mô hình quy mô lớn ban đầu trên dữ liệu rộng trước khi thích ứng ở hạ lưu.
Các hướng dẫn đầu vào và ngữ cảnh được cung cấp cho một mô hình tổng quát.
Thiết kế lời nhắc để cải thiện chất lượng đầu ra, độ tin cậy và khả năng kiểm soát.
Một kiểu tấn công trong đó các lệnh độc hại được chèn vào đầu vào của mô hình hoặc nội dung được truy xuất.
Loại bỏ các trọng số hoặc nơ-ron mô hình ít quan trọng hơn để giảm kích thước và tính toán.
Chuyển đổi trọng số mô hình sang các định dạng có độ chính xác thấp hơn như 8 bit hoặc 4 bit.
Một phương pháp truy xuất kiến thức bên ngoài và đưa nó vào thế hệ tại thời điểm suy luận.
Tỷ lệ tích cực thực tế mà một mô hình xác định chính xác.
Một đường dẫn mô hình dự đoán sở thích của người dùng để xếp hạng nội dung hoặc sản phẩm.
Kiểm tra căng thẳng hệ thống AI với các lời nhắc đối nghịch để phát hiện những thất bại và rủi ro.
Đào tạo bằng các tín hiệu khen thưởng trong đó nhân viên học các hành động nhằm tối đa hóa lợi nhuận dài hạn.
Một phương pháp đào tạo sử dụng tín hiệu ưu tiên của con người để định hình hành vi của mô hình.
Tìm tài liệu hoặc bản ghi có liên quan từ nguồn kiến thức cho một truy vấn.
Một mô hình chấm điểm đầu ra dựa trên các tín hiệu ưu tiên, thường được sử dụng trong đường ống RLHF.
Khả năng của một mô hình để duy trì hiệu suất dưới tác động của tiếng ồn, sự dịch chuyển hoặc các yếu tố đầu vào đối nghịch.
Lớp kiểm duyệt chặn hoặc ghi lại các đầu vào hoặc đầu ra của mô hình không an toàn.
Một mối quan hệ thực nghiệm cho thấy hiệu suất được cải thiện như thế nào với kích thước mô hình, dữ liệu hoặc tính toán.
Tìm kiếm phù hợp với ý nghĩa thay vì trùng lặp từ khóa chính xác, thường sử dụng các từ khóa nhúng.
Học cách biểu diễn từ dữ liệu chưa được gắn nhãn bằng cách dự đoán các phần bị che hoặc biến đổi.
Một nhiệm vụ NLP phân loại giai điệu hoặc quan điểm cảm xúc trong văn bản.
Một mô hình ngôn ngữ nhỏ gọn được tối ưu hóa để giảm độ trễ, chi phí hoặc mức sử dụng trên thiết bị.
Một mô hình có nhiều tham số bằng 0 hoặc không hoạt động để giảm tính toán.
Huấn luyện một mô hình với các ví dụ được gắn nhãn để ánh xạ đầu vào với đầu ra đã biết.
Dữ liệu được tạo nhân tạo dùng để tăng cường, mô phỏng hoặc bảo vệ dữ liệu đào tạo nhạy cảm.
Hướng dẫn có mức độ ưu tiên cao đặt ra hành vi, chính sách và kiểu phản hồi cho một mô hình.
Cài đặt lấy mẫu kiểm soát tính ngẫu nhiên trong kết quả đầu ra được tạo.
Một đoạn văn bản được xử lý bằng mô hình ngôn ngữ, chẳng hạn như một đoạn từ hoặc ký hiệu.
Quá trình tách văn bản thành các token để nhập vào mô hình.
Khả năng của mô hình để gọi các công cụ bên ngoài như tìm kiếm, máy tính hoặc API.
Chiến lược giải mã chỉ lấy mẫu từ k mã thông báo tiếp theo có khả năng xảy ra nhất.
Chiến lược giải mã lấy mẫu từ tập mã thông báo nhỏ nhất có tổng xác suất là p.
Áp dụng kiến thức đã học trong một nhiệm vụ hoặc lĩnh vực này để cải thiện một nhiệm vụ khác.
Một kiến trúc thần kinh sử dụng sự chú ý để mô hình hóa các mối quan hệ song song giữa các chuỗi.
Giá trị lỗi mô hình được tính toán trong quá trình đào tạo và được tối ưu hóa giảm dần theo thời gian.
Các mẫu học tập từ dữ liệu chưa được gắn nhãn mà không có kết quả đầu ra mục tiêu rõ ràng.
Một tập dữ liệu được sử dụng trong quá trình phát triển để điều chỉnh các mô hình và ngăn chặn việc trang bị quá mức.
Cơ sở dữ liệu được tối ưu hóa để lưu trữ và truy vấn các vectơ nhúng có chiều cao.
Một mô hình đa phương thức cùng xử lý thông tin hình ảnh và văn bản.
Sử dụng nhãn nhiễu, heuristic hoặc một phần để huấn luyện mô hình khi khan hiếm nhãn sạch.
Một giá trị số đã học để chia tỷ lệ các tín hiệu truyền qua mạng nơ-ron.
Một biểu diễn vector dày đặc của các từ nắm bắt các mối quan hệ ngữ nghĩa.
Các kỹ thuật và thực tiễn giúp dự đoán AI trở nên minh bạch và dễ hiểu hơn.
Giải quyết các nhiệm vụ không có ví dụ cụ thể bằng cách dựa vào kiến thức chung có sẵn.
Một quy trình gồm nhiều bước trong đó hệ thống AI lập kế hoạch, thực thi, kiểm tra kết quả và lặp lại để đạt được mục tiêu.
Khung pháp lý dựa trên rủi ro của Liên minh Châu Âu dành cho các hệ thống và nhà cung cấp AI.
Chi phí tăng thêm về thời gian, tính toán hoặc tốc độ sản phẩm cần thiết để làm cho hệ thống an toàn hơn và dễ kiểm soát hơn.
Khi các ví dụ kiểm tra điểm chuẩn hoặc các biến thể gần giống có trong dữ liệu đào tạo, hiệu suất được báo cáo sẽ tăng cao.
Các phương pháp ước tính mối quan hệ nhân quả thay vì các mối tương quan đơn giản.
Phạm vi thống kê có khả năng chứa giá trị thực của số liệu mô hình được đo.
Một phương pháp đào tạo và định hình hành vi trong đó kết quả đầu ra của mô hình được hướng dẫn bởi một bộ nguyên tắc cố định bằng văn bản.
Bản ghi dữ liệu đến từ đâu, dữ liệu được chuyển đổi như thế nào và nó được sử dụng ở đâu.
Nguồn gốc, quyền sở hữu và lịch sử của tập dữ liệu hoặc tạo phẩm mô hình được ghi lại.
Một kỹ thuật bảo mật bổ sung nhiễu thống kê để không thể suy ra các bản ghi riêng lẻ một cách đáng tin cậy từ kết quả đầu ra.
Một mô hình nhỏ hơn được đào tạo để bắt chước hành vi của mô hình lớn hơn trong khi sử dụng ít tính toán hơn khi suy luận.
Một mô hình chuyên dùng để chuyển đổi dữ liệu thành các vectơ được sử dụng để tìm kiếm, phân cụm và truy xuất ngữ nghĩa.
Một khung đánh giá có thể lặp lại chạy các lời nhắc, bộ dữ liệu và logic tính điểm trên các phiên bản mô hình.
Một hệ thống được quản lý để lưu trữ và cung cấp các tính năng ML đã được xác thực một cách nhất quán cho hoạt động đào tạo và suy luận.
Mức độ mà phản hồi AI được hỗ trợ bởi dữ liệu nguồn hoặc bằng chứng được truy xuất.
Chiến lược tạo giới hạn mã thông báo đầu ra ở các cấu trúc hợp lệ hoặc các lựa chọn tuân thủ chính sách.
Một mô hình được đào tạo về bảng xếp hạng con người để dự đoán phản hồi nào mà người dùng có thể thích.
Giao diện API được triển khai nhận các yêu cầu mô hình và trả về dự đoán trong quá trình sản xuất.
Một bộ sưu tập tài liệu hoặc hồ sơ được tuyển chọn dùng để truy xuất, hỗ trợ tự động hóa hoặc phản hồi nền tảng.
Một không gian biểu diễn được nén trong đó các khái niệm tương tự được đặt gần nhau dưới dạng vectơ.
Một danh mục trung tâm để lập phiên bản, phê duyệt và theo dõi các mô hình trên các môi trường.
Suy luận AI được thực hiện cục bộ trên phần cứng của người dùng thay vì trên dịch vụ đám mây từ xa.
Logic xác nhận và chuyển đổi đầu ra của mô hình thành các cấu trúc được gõ mạnh, có thể sử dụng được bằng máy.
Mẫu lời nhắc có thể sử dụng lại với các biến, quy tắc định dạng và hướng dẫn dành riêng cho nhiệm vụ.
Tỷ lệ các mục được truy xuất có liên quan đến truy vấn của người dùng.
Một lập luận có cấu trúc, được hỗ trợ bởi bằng chứng, rằng hệ thống AI an toàn cho bối cảnh sử dụng xác định.
Chạy một mô hình song song với lưu lượng sản xuất mà không ảnh hưởng đến các quyết định của người dùng.
Đầu ra của mô hình bị ràng buộc ở một lược đồ đã xác định, chẳng hạn như JSON, đối số công cụ hoặc các trường đã nhập.
Tính toán suy luận bổ sung được sử dụng trong quá trình tạo phản hồi để cải thiện chất lượng hoặc lý luận.
Điều chỉnh niềm tin của người dùng vào kết quả đầu ra AI với độ tin cậy thực tế của hệ thống trong từng tác vụ.
Định giá khi chi phí tăng theo lệnh gọi API, mã thông báo, thời gian suy luận hoặc điện toán tiêu thụ.
Chính sách trong đó tải trọng yêu cầu/phản hồi không được lưu trữ sau khi xử lý ngoài khoảng thời gian hoạt động ngắn hạn.
Một phương pháp tăng tốc suy luận trong đó một mô hình dự thảo nhỏ đề xuất các mã thông báo mà một mô hình lớn hơn sẽ xác minh song song.
Các tensor khóa và giá trị được lưu trữ từ các mã thông báo trước đó cho phép bộ chuyển đổi tạo mã thông báo mới mà không cần tính toán lại sự chú ý trong quá khứ.
Một giao thức mở cho phép các ứng dụng AI kết nối với các công cụ, nguồn dữ liệu và nhà cung cấp bối cảnh bên ngoài theo cách tiêu chuẩn.
Một chu trình lặp đi lặp lại trong đó tác nhân AI quan sát, lập kế hoạch, hành động và phản ánh cho đến khi hoàn thành mục tiêu hoặc đạt đến điều kiện dừng.
Mẫu gợi ý xen kẽ các bước lý luận với các hành động sử dụng công cụ để giải quyết nhiệm vụ một cách đáng tin cậy hơn.
Một cách tiếp cận lý luận trong đó một mô hình khám phá nhiều đường dẫn giải pháp phân nhánh và chọn ra những đường dẫn có triển vọng nhất.
Một phương pháp đào tạo giúp tinh chỉnh các mô hình trực tiếp trên các cặp ưu tiên mà không cần mô hình phần thưởng riêng.
Một kỹ thuật tinh chỉnh kết hợp lượng tử hóa trọng lượng 4 bit với bộ điều hợp LoRA để giảm nhu cầu bộ nhớ.
Một thuật toán chú ý được tối ưu hóa giúp giảm mức sử dụng bộ nhớ và tăng tốc quá trình đào tạo và suy luận của máy biến áp.
Một cơ chế biến áp chạy song song một số thao tác chú ý để nắm bắt các loại mối quan hệ khác nhau.
Thông tin được thêm vào phần nhúng mã thông báo để người biến áp có thể phân biệt thứ tự trình tự.
Phương pháp mã hóa vị trí xoay vòng truy vấn và vectơ khóa để mã hóa các vị trí mã thông báo tương đối.
Một phương pháp sai lệch vị trí nhằm xử phạt điểm chú ý dựa trên khoảng cách mã thông báo, giúp các mô hình ngoại suy cho các bối cảnh dài hơn.
Một mẫu chú ý trong đó mỗi mã thông báo chỉ tham gia vào một cửa sổ có kích thước cố định của các mã thông báo lân cận để giảm tính toán.
Thuật toán mã thông báo từ phụ hợp nhất các cặp ký tự thường gặp nhất thành các mã thông báo có thể sử dụng lại.
Trình mã thông báo bất khả tri về ngôn ngữ học các đơn vị từ phụ trực tiếp từ văn bản thô mà không cần phân tách trước khoảng trắng.
Các thuật toán tìm vectơ gần với truy vấn mà không so sánh toàn diện, đánh đổi độ chính xác để lấy tốc độ.
Cấu trúc chỉ mục dựa trên biểu đồ để tìm kiếm lân cận gần nhất nhanh chóng trên các vectơ nhiều chiều.
Một mô hình sắp xếp lại tập hợp kết quả được truy xuất ban đầu để đặt các mục phù hợp nhất lên trên cùng.
Một cách tiếp cận truy xuất kết hợp tìm kiếm từ khóa (từ vựng) với tìm kiếm vectơ (ngữ nghĩa) để thu hồi và chính xác hơn.
Một mô hình chấm điểm truy vấn và ghi tài liệu cùng lúc để đưa ra các đánh giá về mức độ liên quan có độ chính xác cao.
Một mô hình mã hóa các truy vấn và tài liệu thành các vectơ riêng biệt để có thể so sánh chúng nhanh chóng trên quy mô lớn.
Sử dụng mô hình ngôn ngữ để chấm điểm hoặc so sánh kết quả đầu ra từ các mô hình khác trong quá trình đánh giá.
Số liệu đánh giá mã đo khả năng ít nhất một trong số k mẫu được tạo vượt qua các bài kiểm tra.
Một mô hình ngôn ngữ kiểm tra điểm chuẩn trên 57 môn học thuật và chuyên môn bằng cách sử dụng các câu hỏi trắc nghiệm.
Điểm chuẩn của các vấn đề lập trình Python được sử dụng để đo lường tính chính xác của việc tạo mã thông qua các bài kiểm tra đơn vị.
Một chuẩn mực của các bài toán đố toán cấp lớp dùng để đánh giá khả năng suy luận từng bước trong các mô hình ngôn ngữ.
Mức độ chính xác của các tuyên bố của mô hình khớp với thông tin có thể kiểm chứng được trong thế giới thực.
Tham chiếu đến các đoạn nguồn hoặc tài liệu có trong phản hồi của mô hình để hỗ trợ cho tuyên bố của mô hình đó.
Nhúng tín hiệu có thể phát hiện được vào văn bản hoặc phương tiện do AI tạo ra để sau này có thể xác định tín hiệu đó là do máy tạo ra.
Giai đoạn đào tạo trung gian giữa đào tạo trước và sau đào tạo, thường được sử dụng để điều chỉnh năng lực hoặc lĩnh vực.
Các bước đào tạo được áp dụng sau khi đào tạo trước, chẳng hạn như điều chỉnh hướng dẫn, tối ưu hóa tùy chọn và điều chỉnh an toàn.
Một thiết lập đào tạo trong đó một mô hình được cải thiện bằng cách tạo ra dữ liệu thông qua tương tác hoặc cạnh tranh với các bản sao của chính nó.
Một phương pháp truy xuất tạo ra nhiều biến thể truy vấn, truy xuất kết quả cho từng biến thể và hợp nhất thứ hạng.
Một kỹ thuật truy xuất viết lại truy vấn của người dùng thành nhiều biến thể để cải thiện khả năng thu hồi.
Một mẫu truy xuất tìm kiếm các phần nhỏ nhưng trả về các tài liệu gốc lớn hơn để có ngữ cảnh phong phú hơn.
Thuật toán giải mã giữ lại một số chuỗi ứng cử viên hàng đầu ở mỗi bước để tìm kết quả đầu ra có xác suất cao hơn.
Cài đặt giải mã làm giảm xác suất của mã thông báo mà mô hình đã tạo để giảm vòng lặp.
Cài đặt giải mã giúp giảm xác suất của mã thông báo tương ứng với tần suất chúng xuất hiện cho đến nay.
Cài đặt giải mã làm giảm khả năng xuất hiện mã thông báo, khuyến khích các chủ đề mới.