LLM કાઉન્સિલ એ મોટા ભાષા મોડલ્સનો એક જૂથ છે જે દરેક સ્વતંત્ર રીતે પ્રશ્નનો જવાબ આપે છે, પછી એકબીજાના પ્રતિસાદોને પિયર-રેટ કરે છે જેથી સંમતિ પર પહોંચે. આ પેટર્નને આન્દ્રેજ કાર્પથીના ઓપન-સોર્સ 'llm-council' રિપોઝિટરી દ્વારા લોકપ્રિય બનાવવામાં આવ્યું, જેમાં અનેક મોડલ જવાબ આપે છે અને પછી અંતિમ સંશ્લેષણ પહેલાં એકબીજાને રેંક કરે છે. Argumentree.AI કાઉન્સિલ પેટર્નને રચનાત્મક દલીલના વૃક્ષો અને અનામિક પરસ્પર રેટિંગ સાથે વિસ્તૃત કરે છે—અનામિક કારણ કે LLMને જજ તરીકે ઉપયોગ કરવા અંગેના સંશોધન સ્વયં-વધારાના પૂર્વગ્રહને દસ્તાવેજ કરે છે જેમાં મોડલ્સ તેમના પોતાના આઉટપુટને પ્રાધાન્ય આપે છે. એક હોસ્ટેડ LLM કાઉન્સિલ તમને તમારા પોતાના API કી વિના અનેક મોડલ્સને પૂછવા દે છે. સત્યનો વેપાર ખર્ચ અને વિલંબ છે: એક કાઉન્સિલ અનેક મોડલ કૉલ્સ કરે છે, તેથી તે એક જ પ્રશ્ન કરતાં ધીમું અને વધુ ખર્ચાળ છે, ક્રોસ-મોડલ માન્યતા અને દૃશ્યમાન અસહમતિ માટે.
એક LLM કાઉન્સિલમાં અનેક ભાષા મોડલ સ્વતંત્ર રીતે જવાબ આપે છે, એકબીજાને પિયર-રેટ કરે છે, અને સંમતિ પર પહોંચે છે. તે "એક આત્મવિશ્વાસી જવાબ"ને એક ચર્ચામાં ફેરવે છે જેને તમે નિરીક્ષણ કરી શકો છો.
એક LLM કાઉન્સિલ એ અનેક મોડલ્સ છે જે સ્વતંત્ર રીતે જવાબ આપે છે, પછી સંમતિ બનાવવા માટે એકબીજાને રેટ કરે છે. આ પેટર્ન કાર્પથીના ઓપન-સોર્સ llm-councilમાંથી આવે છે. Argumentree.AI તેને હોસ્ટ કરે છે—કોઈ API કી જરૂરી નથી—અને સ્વયં-વધારાને curb કરવા માટે અનામિક રીતે રેટ કરે છે.
કાઉન્સિલ પેટર્ન કહેવા માટે સરળ છે: અનેક LLMs સ્વતંત્ર રીતે એક જ પ્રશ્નનો જવાબ આપે છે, પછી એકબીજાના જવાબોને મૂલ્યાંકન કરે છે, અને પિયર રેટિંગ્સમાંથી સંમતિ કાઢવામાં આવે છે. કોઈ એક મોડલને અંતિમ શબ્દ મળતું નથી. કારણ કે મોડલ્સ જવાબ આપતા પહેલા એકબીજાના પ્રતિસાદોને નથી જોતા, તેમનું સ્વતંત્ર તર્ક જાળવવામાં આવે છે—અને જ્યાં તેઓ વિભાજિત થાય છે તે સ્થળો દૃશ્યમાન બની જાય છે, એક આત્મવિશ્વાસી જવાબ પાછળ છુપાયેલા નથી.
દરેક મોડલ પોતે પ્રશ્નનો જવાબ આપે છે, બીજાને ન જોઈને
દરેક મોડલ અન્ય મોડલ્સના જવાબોને મૂલ્યાંકન કરે છે
રેટિંગ્સને એકત્રિત કરવામાં આવે છે જેથી કાઉન્સિલ ક્યાં સહમત અને અસહમત થાય છે તે દર્શાવવામાં આવે
આન્દ્રેજ કાર્પથીએ એક ઓપન-સોર્સ "llm-council" રિપોઝિટરી પ્રકાશિત કરી છે જે ચોક્કસ આ પ્રવાહને દર્શાવે છે—કેટલાક મોડલ જવાબ આપે છે, એકબીજાને રેંક કરે છે, અને અંતિમ પ્રતિસાદ સંશ્લેષણ કરવામાં આવે છે. આ એ જાહેર પુરાવો છે કે મોડલ્સ એકબીજાને અર્થપૂર્ણ રીતે મૂલ્યાંકન કરી શકે છે. Argumentree.AI એ જ વિચાર પર આધાર રાખે છે.
Argumentree.AI કાઉન્સિલ પેટર્નને બે રીતે આગળ વધારશે. પ્રથમ, સંપૂર્ણ જવાબોની તુલના કરવા બદલે, તે દરેક મોડલના તર્કને દલીલના વૃક્ષમાં રચિત કરે છે—તેથી વ્યક્તિગત દાવો રેટ અને નિરીક્ષણ કરી શકાય છે, ફક્ત અંતિમ પેરાગ્રાફ નહીં. બીજું, તે અનામિક પરસ્પર રેટિંગનો ઉપયોગ કરે છે: જ્યારે એક મોડલ દલીલોને રેટ કરે છે, ત્યારે તે જાણતું નથી કે કયા મોડલએ તેને લખ્યું.
LLMને જજ તરીકે ઉપયોગ કરવા અંગેના સંશોધન સ્વયં-વધારાના પૂર્વગ્રહને દસ્તાવેજ કરે છે—મોડલ્સ તેમના પોતાના આઉટપુટને વધુ અનુકૂળ રીતે રેટ કરવા માટે ઝુકે છે. રેટિંગ પહેલાં લેખકતાને છુપાવવાથી શોર્ટકટ દૂર થાય છે, તેથી એક મોડલ સરળતાથી પોતાને ઇનામ આપી શકતું નથી. આ અનામિક ક્રોસ-રેટિંગ માટેની ડિઝાઇન તર્ક છે.
તમારા માટે કાઉન્સિલ ચલાવવું સામાન્ય રીતે દરેક મોડલ પ્રદાતા સાથે સાઇન અપ કરવું અને અલગ API કી જોડવું અર્થ રાખે છે. Argumentree.AI એક હોસ્ટેડ LLM કાઉન્સિલ પ્રદાન કરે છે: તમે એકવાર પૂછો, અને બધા ઉપલબ્ધ મોડલ્સ ભાગ લે છે—કોઈ કી વ્યવસ્થાપિત કરવાની જરૂર નથી, કોઈ પ્રદાતા માટેની સેટઅપ નથી. તમને કાઉન્સિલની સંમતિ અને તેની અસહમતિ એક જ જગ્યાએ મળે છે.
એક કાઉન્સિલ મફત નથી. વ્યાખ્યાના આધારે તે અનેક મોડલ કૉલ્સ કરે છે, તેથી તે વધુ કમ્પ્યુટનો ઉપયોગ કરે છે અને એક જ પ્રશ્ન કરતાં વધુ સમય લે છે. આ જ deliberate trade છે: તમે વધુ ખર્ચ કરો છો જેથી ક્રોસ-મોડલ માન્યતા અને અસહમતિના દૃશ્યમાન નકશા પ્રાપ્ત થાય. ઉચ્ચ-દાંતોના સંશોધન માટે તે એક સારો સોદો છે; ત્રિવિયલ લુકઅપ માટે એક મોડલ પૂરતું છે.
એક જ પ્રશ્ન સાથે અનેક મોડલ્સની કાઉન્સિલ બુલાવો
દરેક મોડલના તર્કને બિંદુ દ્વારા બિંદુ નિરીક્ષણ કરો, ફક્ત એક બ્લોબ તરીકે નહીં
ક્રોસ-રેટિંગ લેખકતાને છુપાવે છે જેથી સ્વયં-વધારાના પૂર્વગ્રહને curb કરી શકાય
કોઈ પ્રદાતા માટેની API કી નથી—સંમત અને અસહમતિ બોક્સમાંથી બહાર
LLM કાઉન્સિલ એ મોટા ભાષા મોડલ્સનો એક જૂથ છે જે દરેક સ્વતંત્ર રીતે પ્રશ્નનો જવાબ આપે છે, પછી એકબીજાના પ્રતિસાદોને પિયર-રેટ કરે છે જેથી સંમતિની દૃષ્ટિ ઉત્પન્ન થાય. એક જ મોડલ પર આધાર રાખવા બદલે, કાઉન્સિલ મોડલ્સ વચ્ચેની સંમતિ અને અસહમતિને સ્પષ્ટ બનાવે છે—તેથી તમે જોઈ શકો છો કે મોડલ્સ ક્યાં એકત્રિત થાય છે અને ક્યાં નથી.
આન્દ્રેજ કાર્પથીએ પેટર્નને દર્શાવતા ઓપન-સોર્સ 'llm-council' રિપોઝિટરી પ્રકાશિત કરી છે: અનેક મોડલ એક પ્રશ્નનો જવાબ આપે છે, પછી અંતિમ સંશ્લેષણ પહેલાં એકબીજાના જવાબોને રેંક કરે છે. આ મોડલ્સ વચ્ચેના સંયુક્ત તર્કનો સંકલ્પન-પ્રૂફ છે. Argumentree.AI આ વિચારને રચનાત્મક દલીલના વૃક્ષો અને અનામિક પરસ્પર રેટિંગ સાથે વિસ્તૃત કરે છે.
LLMને જજ તરીકે ઉપયોગ કરવા અંગેના સંશોધન સ્વયં-વધારાના પૂર્વગ્રહને દસ્તાવેજ કરે છે—મોડલ્સ તેમના પોતાના આઉટપુટને પ્રાધાન્ય આપે છે. રેટિંગ પહેલાં કયા મોડલએ કઈ દલીલ રજૂ કરી તે અનામિક કરવાથી તે પૂર્વગ્રહ ઘટાડે છે, જેથી એક મોડલ સરળતાથી પોતાને ઇનામ આપી શકતું નથી. આ Argumentree.AIના અનામિક ક્રોસ-રેટિંગ પાછળનો ડિઝાઇન તર્ક છે.
હોસ્ટેડ LLM કાઉન્સિલ સાથે નહીં. ઓપન-સોર્સ અમલમાં સામાન્ય રીતે દરેક પ્રદાતા માટે API કી પૂરી પાડવાની જરૂર હોય છે. Argumentree.AI એક હોસ્ટેડ મલ્ટી-LLM કાઉન્સિલ પ્રદાન કરે છે જેથી તમે અનેક મોડલ્સને પૂછવા અને તેમની સંમતિ જોઈ શકો છો, તમારા માટે વ્યક્તિગત API કી જોડવાની જરૂર નથી.
સત્યમાં, કાઉન્સિલ ચલાવવું એક જ પ્રશ્ન કરતાં વધુ ખર્ચાળ છે—તે અનેક મોડલ કૉલ્સ કરે છે, તેથી તે વધુ કમ્પ્યુટનો ઉપયોગ કરે છે અને વધુ સમય લે છે. તે વેપાર તમને ક્રોસ-મોડલ માન્યતા અને અસહમતિનો દૃશ્યમાન નકશો આપે છે. ઉચ્ચ-દાંતોના પ્રશ્નો માટે વધારાનો ખર્ચ અને વિલંબ સામાન્ય રીતે યોગ્ય હોય છે; ત્રિવિયલ લુકઅપ માટે એક મોડલ પૂરતું છે.
કેટલાક મોડલ્સ, એક પ્રશ્ન, સંમતિ જેને તમે નિરીક્ષણ કરી શકો છો—કોઈ API કી જરૂરી નથી.
મફત શરૂ કરો