Up tókànItọsọna atẹle
Knowledge Cutoff Dates in LLMs
Èdè AI
Èdè AI Itọsọna
Egún ipadasẹhin ni LLMs
Eegun iyipada jẹ ipo ikuna iyalẹnu nibiti awoṣe ede ti o kọ ẹkọ 'A jẹ B' ko le dahun ni igbẹkẹle 'B jẹ A.' O ṣe afihan pe awọn LLM tọju awọn ododo bi awọn ẹgbẹ itọsọna kan, kii ṣe bii imọ-jinlẹ.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Jin Dive
Ti ṣe akọsilẹ ni iwe 2023 nipasẹ Berglund ati awọn ẹlẹgbẹ, eegun iyipada fihan pe ti o ba jẹ ikẹkọ awoṣe kan lori 'iya Tom Cruise ni Mary Lee Pfeiffer,' o nigbagbogbo kuna nigbati o beere 'Ta ni ọmọ Mary Lee Pfeiffer?' bí ó tilẹ̀ jẹ́ pé ìdáhùn náà bára mu. Ipa naa wa kọja awọn iwọn awoṣe ati paapaa lẹhin titọ-ti o dara lori awọn ọgọọgọrun iru awọn otitọ. Kii ṣe aafo iranti: awoṣe ti rii alaye naa, ṣugbọn ni aṣẹ kan nikan. Nitoripe ikẹkọ ṣe iṣapeye asọtẹlẹ tokini atẹle lori aṣẹ ọrọ gangan ninu data naa, ọna asopọ iṣiro lati A si B ko ṣẹda ọna asopọ kan laifọwọyi lati B pada si A. Wiwa awọn arosinu ti o nija ti iwọn nikan ṣe agbejade irọrun, ironu bi eniyan lori awọn otitọ.
Real-World imuse
A chatbot sọ deede obi olokiki ṣugbọn o kuna nigbati wọn beere lati lorukọ ọmọ olokiki ti obi yẹn.
Awoṣe kan sọ 'Alakoso kẹsan ni William Henry Harrison' sibẹsibẹ kọsẹ lori 'aare nọmba wo ni William Henry Harrison.'
Oluranlọwọ ifaminsi ti o kọ ẹkọ iṣẹ-si-apejuwe aworan agbaye ko le gba orukọ iṣẹ pada lati apejuwe nikan.
Eto QA iṣoogun ti oṣiṣẹ lori 'Oògùn X awọn itọju Ipò Y' kuna lati ṣe atokọ Oògùn X nigba ti a beere kini awọn itọju Ipò Y.
Ojo iwaju ti Eegun Yipada ni LLMs
Awọn ilọkuro labẹ ikẹkọ pẹlu imudara data bidirectional (fifi awọn gbolohun ọrọ iyipada), awọn ibi ikẹkọ ti o sọ asọtẹlẹ awọn ami ni awọn itọsọna mejeeji, ati awọn ọna ṣiṣe imupadabọ ti o wo awọn ododo ni ọna afọwọṣe dipo gbigbekele awọn iwuwo ti o ti ranti. Diẹ ninu awọn ile ayaworan tuntun ati awọn adanwo ikẹkọ-pada-pada dinku aafo naa. Reti egún naa lati dinku ṣugbọn kii ṣe afẹ, bi o ṣe nfihan aiṣedeede ti o jinlẹ laarin ẹkọ ti o tẹle ati eto alamọdaju ti awọn ibatan gidi-aye.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Iyara ati iwọn. Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera.
- Wiwọle ati arọwọto. O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ.
- Awọn ipinnu diẹ sii. Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi.
Ṣọra fun
- Awọn otitọ ti a sọ di mimọ le tẹ awọn ijabọ sii ni idakẹjẹ, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii.
- Ifamọ kiakia le ṣẹda awọn abajade aisedede kọja awọn ibeere ti o jọra.
- Awọn data ọrọ ifarabalẹ le farahan ti awọn idari wiwọle ko lagbara.
Next awọn igbesẹ
- Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade.
- Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki.
- Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ.
- Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Reversal Curse in LLMs quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Kini Reversal Curse ni LLMs?
Eegun iyipada jẹ ipo ikuna iyalẹnu nibiti awoṣe ede ti o kọ ẹkọ 'A jẹ B' ko le dahun ni igbẹkẹle 'B jẹ A.' O ṣe afihan pe awọn LLM tọju awọn ododo bi awọn ẹgbẹ itọsọna kan, kii ṣe bii imọ-jinlẹ.
A model learned “A is B” but fails to answer “B is A.” What is this called?
The paper names this directional failure the reversal curse.
What does the reversal curse show about directional associations?
The paper reports that forward and reverse statements can behave differently.
Is the reversal curse simply a failure because the model never saw the fact?
The research tests failure on a reverse query after forward exposure.
Why might next-token training contribute to the effect?
The paper discusses sequence direction as relevant to the failure.
What does failure on a reverse query imply about model knowledge?
The finding challenges assumptions about flexible use of stored facts.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii