يجمع تجميع LLM بين مخرجات نماذج لغوية كبيرة متعددة لإنتاج نتيجة أكثر قوة من أي نموذج واحد بمفرده. تأتي الفكرة من التجميع الكلاسيكي في التعلم الآلي، حيث يقلل المتوسط أو التصويت عبر نماذج متنوعة من التباين ويلغي الأخطاء الفردية. عند تطبيقه على النماذج التوليدية، يمكن أن يعني التجميع الدمج أو التصويت أو التوجيه بين الاستجابات. يدمج التجميع الإحصائي المخرجات في واحدة مجمعة — مما يحسن القوة ولكنه يتخلص من التفكير الفردي وأي خلاف بين النماذج. تتبنى Argumentree.AI نهجًا مختلفًا: بدلاً من متوسط المخرجات، تحافظ على حجج كل نموذج الفردية ويقوم كل نموذج متاح بتقييم حجج كل نموذج آخر، مما يبقي الخلاف مرئيًا بدلاً من إخفائه. يضيف أي نوع من التجميع تكلفة إضافية وزمن استجابة لأنه يشغل نماذج متعددة — إنها تقنية قوة حقيقية بتكلفة حقيقية، وليست ترقية مجانية، ومن الأفضل الاحتفاظ بها للأسئلة التي تستحق اكتشاف خطأ نموذج واحد واثق.
يجمع تجميع LLM بين نماذج لغوية متعددة بحيث تلغي أخطاؤها المستقلة بعضها البعض. يجمع التجميع الإحصائي المخرجات في واحدة — بينما تبقي Argumentree.AI حجج كل نموذج مرئية ومقيمة من قبل الأقران.
تقوم تجميع LLM باستعلام عدة نماذج ودمجها من أجل القوة. يقوم التجميع الكلاسيكي بمتوسط أو تصويت المخرجات في إجابة واحدة مدمجة. بدلاً من ذلك، تحافظ Argumentree.AI على حجج كل نموذج الفردية وتقوم بتقييم النماذج لبعضها البعض — لذا يبقى الخلاف مرئيًا. في كلتا الحالتين، تشغيل نماذج متعددة يكلف أكثر من نموذج واحد.
التجميع هو أحد أقدم الحيل في موثوقية التعلم الآلي: بدلاً من الثقة في نموذج واحد، تجمع بين عدة نماذج. لأن النماذج المتنوعة ترتكب أخطاء مختلفة، فإن دمج توقعاتها يقلل من التباين ويلغي الأخطاء الفردية. الغابات العشوائية وتعزيز التدرج هي تجميعات؛ وكذلك هو سؤال ثلاثة أشخاص وأخذ الإجابة الأكثر شيوعًا.
تطبق تجميع LLM نفس الفكرة على نماذج اللغة الكبيرة. تقوم باستعلام عدة نماذج — من المثالي أن تكون مدربة على بيانات مختلفة مع هياكل مختلفة — وتجمع ما تنتجه. عندما تتقارب النماذج المستقلة، فإن تلك الاتفاقية هي إشارة ثقة ذات مغزى. عندما تتباعد، فقد وجدت سؤالًا غير مؤكد حقًا، والذي كان نموذج واحد سيخفيه بثقة زائفة.
كيف تجمع النماذج هو المكان الذي تتباين فيه الأساليب. الطريق الكلاسيكي هو إحصائي: متوسط المخرجات، أخذ تصويت الأغلبية، أو التوجيه إلى نموذج "أفضل". ذلك يدمج كل شيء في نتيجة مجمعة واحدة.
تجمع الإحصائيات بين المخرجات - المتوسط أو التصويت في إجابة واحدة، متجاهلاً التفكير الفردي
إنه مثالي لعلامة واحدة أو درجة واحدة، لكنه يخفي أي نموذج قال ماذا ولماذا
تحافظ Argumentree.AI على حجج كل نموذج بدلاً من دمجها
يقوم كل نموذج متاح بتقييم حجج كل نموذج آخر (تقييم الأقران)
تظل المعارضة مرئية - ترى المطالبات المتنافسة وأين بالضبط انقسمت النماذج
اسأل "هل خطة الهجرة هذه آمنة للتشغيل في الإنتاج؟" قد يقوم التجميع الإحصائي بمتوسط النماذج إلى درجة "72% آمنة" — مرتبة، لكنك لا تعرف لماذا. تظهر طريقة الحفاظ على الحجج أن معظم النماذج أبلغت عن نفس فجوة التراجع بينما أثار أحدها قلقًا مميزًا حول القفل الذي فاتته النماذج الأخرى. أخفى الدرجة المدمجة الحجتين اللتين تهمان حقًا.
بغض النظر عن الطريقة التي تجمع بها، فإن التجميع يشغل نماذج متعددة، لذا يكلف المزيد من الرموز ويضيف زمن استجابة أكثر من استدعاء واحد. ولا يخلق المعرفة من لا شيء:
تحافظ Argumentree.AI على فائدة القوة للتجميع دون إخفاء التفكير.
تجيب عدة نماذج بشكل مستقل - التنوع هو الهدف
تظل الحجج الفردية المؤيدة/المعارضة قابلة للتنسب، وليست مدمجة في متوسط
يقوم كل نموذج متاح بتقييم حجج كل نموذج آخر
ترى الاتفاق كإشارة ثقة والانحراف كالسؤال الحقيقي
يجمع تجميع LLM مخرجات نماذج لغوية متعددة لإنتاج نتيجة أكثر قوة من أي نموذج واحد بمفرده. الفكرة مستمدة من تجميع التعلم الآلي الكلاسيكي - حيث يقلل المتوسط أو التصويت عبر نماذج متنوعة من التباين والأخطاء الفردية - المطبق على النماذج التوليدية من خلال الدمج، أو التصويت على، أو التوجيه بين استجاباتها.
يوفر نموذج واحد لك منظورًا واحدًا مع مجموعة واحدة من النقاط العمياء. يستعلم التجميع عن عدة نماذج - غالبًا ما تكون مدربة على بيانات مختلفة مع هياكل مختلفة - لذا فإن أخطاءها المستقلة تلغي جزئيًا بعضها البعض. عندما تتقارب النماذج، يكون ذلك الاتفاق إشارة ثقة؛ عندما تتباعد، تكون قد أظهرت سؤالًا غير مؤكد حقًا كان نموذج واحد سيخفيه.
يقوم التجميع الإحصائي الكلاسيكي بذلك بالضبط - يقوم بمتوسط، أو يصوت على، أو يدمج المخرجات في نتيجة واحدة مدمجة. يحسن ذلك من القوة ولكنه يتجاهل التفكير الفردي: تحصل على إجابة ملساء وتفقد رؤية أي نموذج قال ماذا ولماذا. هذه المقايضة جيدة لعلامة واحدة أو درجة واحدة، لكنها محدودة عندما يكون الخلاف نفسه هو الرؤية التي تحتاجها.
بدلاً من دمج المخرجات في إجابة واحدة مدمجة، تحافظ Argumentree.AI على حجج كل نموذج الفردية ثم تجعل كل نموذج متاح يقيم حجج كل نموذج آخر. تظل المعارضة مرئية بدلاً من أن تُخفى، لذا يمكنك رؤية ليس فقط درجة مجمعة ولكن المطالبات المتنافسة الفعلية وأين انقسمت النماذج.
يعمل التجميع على تشغيل نماذج متعددة، لذا فإنه يكلف المزيد من الرموز ويضيف تأخيرًا أكثر من مكالمة واحدة - إنه ليس سحرًا وليس مجانيًا. إنه يعود بالفائدة للأسئلة ذات المخاطر العالية حيث يكون اكتشاف خطأ واثق من نموذج واحد، أو معرفة مدى تنافسية مطالبة ما، أكثر قيمة من الحساب الإضافي. بالنسبة للاستفسارات الروتينية ذات المخاطر المنخفضة، يكون نموذج واحد عادة هو الخيار الصحيح.
لا تخفِ الخلاف. انظر حجج كل نموذج وكيف يقيمون بعضهم البعض.
ابدأ مجانًا