概述
Perplexity 是衡量語言模型對真實文本的「驚訝」程度的經典分數 - 較低意味著它更自信地預測單字。它以及 BLEU 和 ROUGE 等指標是研究人員實際衡量模型是否變得更好的方式。
Perplexity 和 Language Metrics 是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
語言模型為每個下一個單字分配一個機率。 Perplexity 將這些機率轉換為一個數字，該數字詢問：平均而言，模型在每一步中都會做出多少個同等可能的選擇？如果模型完全自信且正確，則困惑度為 1；如果模型完全正確，則困惑度為 1；如果在50,000個單字中統一猜測，則困惑度為50,000。越低越好。它是平均每個單字損失的數學指數，因此它直接追蹤訓練。但困惑度只衡量下一個單字的預測，而不衡量輸出是否有用、真實或寫得好。這就是為什麼生成任務添加了 BLEU（用於翻譯的 n-gram 重疊）和 ROUGE（用於摘要的重疊）等指標，以及為什麼現代評估越來越依賴人類評分和任務基準的原因。
技術洞察
Perplexity 等於模型分配給保留文字的平均負對數似然指數：exp(-(1/N) * log P(單字 | 前一個單字)) 的總和。它實際上是交叉熵損失的轉換版本，只是表示為有效分支因子而不是位元或 nat。因為它取決於模型的確切詞彙和分詞器，所以困惑度值只能在共享相同分詞的模型之間進行比較——直接將詞級模型與子詞模型進行比較是沒有意義的。
掌握 Perplexity 和語言指標
Perplexity 是衡量語言模型對真實文本的「驚訝」程度的經典分數 - 較低意味著它更自信地預測單字。它以及 BLEU 和 ROUGE 等指標是研究人員實際衡量模型是否變得更好的方式。 Perplexity 和 Language Metrics 是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將 Perplexity 和語言指標視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 Perplexity 和語言指標的強大團隊將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
在預訓練期間追蹤驗證困惑，以確認模型仍在學習並檢測模型何時開始過度擬合
使用 BLEU 分數將新機器翻譯系統與人工參考翻譯進行比較
報告 ROUGE-L 重疊，以根據黃金標準摘要對新聞摘要模型進行基準測試
比較同一保留語料庫上的兩個模型檢查點，以確定哪一個更自信地預測文本
實施模式
Perplexity 與實務中的語言測量
在預訓練期間追蹤驗證困惑度，以確認模型仍在學習並檢測模型何時開始過度擬合。
在預訓練過程中追蹤驗證困惑度，以確認模型仍在學習，並檢測模型何時開始過度擬合。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Perplexity 與實務中的語言測量
使用 BLEU 分數將新機器翻譯系統與人工參考翻譯進行比較。
使用 BLEU 分數將新的機器翻譯系統與人工參考翻譯進行比較 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
Perplexity 與實務中的語言測量
報告 ROUGE-L 重疊，以根據黃金標準摘要對新聞摘要模型進行基準測試。
報告 ROUGE-L 重疊，以根據黃金標準摘要對新聞摘要模型進行基準測試 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
Perplexity 與實務中的語言測量
比較同一保留語料庫上的兩個模型檢查點，以確定哪一個更有自信地預測文字。
比較同一保留語料庫上的兩個模型檢查點，以確定哪一個模型檢查點能夠更有自信地預測文字。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。