概述
典型的采样是一种文本生成方法，它从信息内容接近模型预期惊喜的标记中挑选下一个单词，而不是总是抓住最可能的单词。它的目标是通过匹配真实语言在可预测性和新颖性之间的平衡，使输出感觉自然且像人类一样。
典型采样是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
当语言模型预测下一个标记时，它会生成数千个选项的概率分布。贪婪和 top-k 方法偏向于高概率标记，这会使文本重复且平淡。 Meister 及其同事于 2022 年引入的典型抽样采用了植根于信息论的不同角度。该模型计算其预期信息内容（分布的熵）。然后根据他们自己的惊喜与期望的差距来对代币进行评分。典型的采样会保留惊奇程度最接近平均值的标记集，直到它们的组合概率达到阈值，然后从该集中进行采样。结果是文本既不是令人震惊的随机性，也不是单调可预测的，反映了人类在稳定的信息速率附近自然交流的方式。
技术洞察
对于每个候选标记，模型计算意外的负对数概率。它还计算条件熵，即所有标记的概率加权平均惊喜。典型的采样根据令牌的意外值和熵之间的绝对差对令牌进行排名，然后贪婪地添加最接近的令牌，直到它们的累积概率达到参数 tau（通常在 0.9 到 0.95 左右）。采样仅发生在这个局部典型集合内，抑制极端异常值和最乏味的高概率选择。
掌握典型采样
典型的采样是一种文本生成方法，它从信息内容接近模型预期惊喜的标记中挑选下一个单词，而不是总是抓住最可能的单词。它的目标是通过匹配真实语言在可预测性和新颖性之间的平衡，使输出感觉自然且像人类一样。典型采样是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将典型抽样视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，强大的团队使用典型抽样设计提示、检索和审查循环作为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
生成小说或诗歌时，贪婪的解码会产生枯燥、重复的散文，而作家想要更自然的多样性。
支持聊天机器人的回复，避免机械式、公式化的措辞，同时保持连贯和切中主题。
可用作 Hugging Face Transformers 中的解码标志 (典型_p)，供开发人员调整开源模型输出。
在 llama.cpp 和 text- Generation-webui 等本地 LLM 运行时中使用，作为 top-p 的替代品，以获得更丰富、更少退化的文本。
实施模式
实践中的典型抽样
生成小说或诗歌时，贪婪的解码会产生枯燥、重复的散文，而作家想要更自然的多样性。
生成小说或诗歌时，贪婪的解码会产生枯燥、重复的散文，而作家想要更自然的多样性。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的典型抽样
支持聊天机器人的回复，避免机械式、公式化的措辞，同时保持连贯和切中主题。
支持聊天机器人的回复，避免机械式、公式化的措辞，同时保持连贯性和主题性。如果团队预先定义质量阈值，为边缘情况保留人工升级路径，并随着时间的推移跟踪生产力的提高和错误成本，通常会得到更好的结果。
实践中的典型抽样
可用作 Hugging Face Transformers 中的解码标志 (典型_p)，供开发人员调整开源模型输出。
可作为 Hugging Face Transformers 中的解码标志 (典型_p) 供开发人员调整开源模型输出。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的典型抽样
在 llama.cpp 和 text- Generation-webui 等本地 LLM 运行时中使用，作为 top-p 的替代品，以获得更丰富、更少退化的文本。
在 llama.cpp 和 text- Generation-webui 等本地 LLM 运行时中使用，作为 top-p 的替代方案，以获得更丰富、更少退化的文本。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。