ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಹಲವಾರು ವಿಭಿನ್ನ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಒಂದೇ ಹಕ್ಕಿಗೆ ಸ್ವಾಯತ್ತವಾಗಿ ಯೋಚಿಸುತ್ತಿರುವಾಗ ಮತ್ತು ಪರಸ್ಪರ ವಾದಗಳನ್ನು ಅಂಕಿತಗೊಳಿಸುತ್ತಿರುವಾಗ ತಲುಪುವ ಒಪ್ಪಂದದ ಮಟ್ಟವಾಗಿದೆ. ಇದು ಒಂದೇ ಮಾದರಿಯ ಮಾದರಿಯ ಸ್ವಯಂ-ಸಂಗತತೆಯಲ್ಲ, ಇದು ಒಂದೇ ಮಾದರಿಯ ಬಾಯಸ್ಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ. ಇದು ಸಂಖ್ಯಾತ್ಮಕ ಎನ್ಸೆಂಬ್ಲಿಂಗ್ಗಿಂತಲೂ ವಿಭಿನ್ನವಾಗಿದೆ, ಇದು ಔಟ್ಪುಟ್ಗಳನ್ನು ಒಬ್ಬ ಒಟ್ಟುಗೂಡಿಸಿದ ಮುನ್ಸೂಚನೆಯಲ್ಲಿಗೆ ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ: ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ವೈಯಕ್ತಿಕ ವಾದಗಳನ್ನು ಉಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುವ ಬ್ಲಾಕ್ ಬಾಕ್ಸ್ಗೆ ಪರಿಗಣಿಸುವ ಬದಲು ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ. ಏಜೆಂಟ್ಗಳ ಮಿಶ್ರಣದ ಮೇಲೆ ಸಂಶೋಧನೆ (arXiv:2406.04692) ಹಲವಾರು ಎಲ್ಎಲ್ಎಮ್ಗಳನ್ನು ಹಂತಗೊಳಿಸುವ ಮೂಲಕ ಗುಣಮಟ್ಟದ ಲಾಭಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದು ಆಲ್ಪಾಕಾ ಎವೆಲ್ಂತಹ ಪ್ರಾಧಾನ್ಯ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳಲ್ಲಿ ಅಳೆಯಲಾಗಿದೆ—ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಹಕ್ಕಿಯ ಮೇಲೆ ವಾಸ್ತವಿಕ ಶುದ್ಧತೆಯ ಖಾತರಿಯಲ್ಲ. Argumentree.AI ಒಮ್ಮತವನ್ನು ವಿಶ್ವಾಸದ ಸಂಕೇತವಾಗಿ ಪರಿಗಣಿಸುತ್ತದೆ, ಸತ್ಯದOracle ಅಲ್ಲ; ಮಾದರಿಗಳ ನಡುವಿನ ಅಸಮ್ಮತವು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ಕಾರ್ಯನಿರ್ವಹಣಾ ಔಟ್ಪುಟ್ ಆಗಿರುತ್ತದೆ.
ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಹಲವಾರು ನಿಜವಾದ ವಿಭಿನ್ನ ಮಾದರಿಗಳ ನಡುವಿನ ಒಪ್ಪಂದವಾಗಿದೆ—ಒಂದು ಮಾದರಿಯನ್ನು ಎರಡು ಬಾರಿ ಮಾದರಿಯಲ್ಲ, ಮತ್ತು ಒಟ್ಟುಗೂಡಿಸಿದ ಸರಾಸರಿ ಅಲ್ಲ. ಇದು ನೀವು ಪರಿಶೀಲಿಸಬಹುದಾದ ವಿಶ್ವಾಸದ ಸಂಕೇತ, ಸತ್ಯದOracle ಅಲ್ಲ.
ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಹಲವಾರು ವಿಭಿನ್ನ ಮಾದರಿಗಳ ನಡುವಿನ ಒಪ್ಪಂದವನ್ನು ಅಳೆಯುತ್ತದೆ. ಇದು ಸ್ವಯಂ-ಸಂಗತತೆಯ (ಒಂದು ಮಾದರಿ, ಹಲವಾರು ಮಾದರಿಗಳು) ಮತ್ತು ಸಂಖ್ಯಾತ್ಮಕ ಎನ್ಸೆಂಬ್ಲಿಂಗ್ (ಒಟ್ಟುಗೂಡಿಸಿದ ಸರಾಸರಿ)ಗಿಂತ ವಿಭಿನ್ನವಾಗಿದೆ. ಇದು ವೈಯಕ್ತಿಕ ವಾದಗಳನ್ನು ಉಳಿಸುತ್ತದೆ—ಮತ್ತು ಇದು ವಿಶ್ವಾಸದ ಸಂಕೇತ, ಸತ್ಯದ ಸಾಬೀತು ಅಲ್ಲ.
ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಹಲವಾರು ವಿಭಿನ್ನ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಒಂದೇ ಪ್ರಶ್ನೆಯ ಬಗ್ಗೆ ಸ್ವಾಯತ್ತವಾಗಿ ಯೋಚಿಸುತ್ತಿರುವಾಗ ಮತ್ತು ಪರಸ್ಪರ ವಾದಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ ತಲುಪುವ ಒಪ್ಪಂದದ ಮಟ್ಟವಾಗಿದೆ. ಮುಖ್ಯವಾದ ಪದವೆಂದರೆ ವಿಭಿನ್ನ: ಮಾದರಿಗಳು ವಿಭಿನ್ನ ವಾಸ್ತುಶಿಲ್ಪಗಳು ಮತ್ತು ತರಬೇತಿ ಡೇಟಾದಿಂದ ಬರುತ್ತವೆ, ಆದ್ದರಿಂದ ಅವುಗಳು ಒಟ್ಟುಗೂಡಿದಾಗ, ಆ ಒಪ್ಪಂದವು ಒಂದೇ ವ್ಯವಸ್ಥೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ—ಮತ್ತು ಅವುಗಳು ವಿಭಜಿತವಾದಾಗ, ವಿಭಜನೆಯು ನಿಜವಾದ ವಿವಾದಿತ ಹಕ್ಕಿಯನ್ನು ಗುರುತಿಸುತ್ತದೆ.
ಒಂದು ಸಾಮಾನ್ಯ ಏಕಕೋನ ತಂತ್ರವೆಂದರೆ ಸ್ವಯಂ-ಸಂಗತತೆ: ಒಂದೇ ಮಾದರಿಯನ್ನು ಹಲವಾರು ಬಾರಿ ಮಾದರಿಯಲ್ಲ ಮತ್ತು ಬಹುಮತ ಉತ್ತರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. ಇದು ಯಾದೃಚ್ಛಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಆದರೆ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯಲ್ಲಿಯೂ ಒಂದೇ ಮಾದರಿಯ ಬಾಯಸ್ಗಳು ಮತ್ತು ಕಣ್ಣು ಮುಚ್ಚಿದ ಸ್ಥಳಗಳನ್ನು ಹೊಂದಿದೆ. ಮಾದರಿ ಖಚಿತವಾಗಿ ತಪ್ಪಾಗಿದ್ದರೆ, ಅದನ್ನು ಪುನಃ ಮಾದರಿಯಲ್ಲಿಯೂ ತಪ್ಪನ್ನು ಪುನರಾವೃತ್ತಗೊಳಿಸುತ್ತದೆ. ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಪ್ರಕಾರದಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿದೆ—ಇದು ಸ್ವಾಯತ್ತ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಒಂದರಲ್ಲಿ ಹಂಚಿಕೊಳ್ಳುವ ಕಣ್ಣು ಮುಚ್ಚಿದ ಸ್ಥಳವು ಎಲ್ಲರಿಗೂ ಹಂಚಿಕೊಳ್ಳುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ.
ಕ್ಲಾಸಿಕ ಎನ್ಸೆಂಬ್ಲಿಂಗ್ ಮಾದರಿ ಔಟ್ಪುಟ್ಗಳನ್ನು ಒಬ್ಬ ಒಟ್ಟುಗೂಡಿಸಿದ ಮುನ್ಸೂಚನೆಯಲ್ಲಿಗೆ ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ—ಅದರ ಅಂಕಗಳನ್ನು ಬಳಸಲು ಉಪಯುಕ್ತ, ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಉಪಯುಕ್ತವಲ್ಲ. ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಉದ್ದೇಶಿತವಾಗಿ ವಿರುದ್ಧವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಇದು ವೈಯಕ್ತಿಕ ವಾದಗಳನ್ನು ಉಳಿಸುತ್ತದೆ ಆದ್ದರಿಂದ ನೀವು ಪ್ರತಿಯೊಂದು ಮಾದರಿಯ ಯೋಚನೆಗಳನ್ನು ಓದಬಹುದು. ಏನೂ ಬ್ಲಾಕ್-ಬಾಕ್ಸ್ ಸಂಖ್ಯೆಗೆ ಸಮಾನಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ. ಇದು ಅಸಮ್ಮತವನ್ನು ಓದಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಸರಾಸರಿಯಲ್ಲಿಗೆ ಕಣ್ಮರೆಯಾಗುವುದಿಲ್ಲ.
| ಪದ್ಧತಿ | ಇದು ಏನು ಸಂಯೋಜಿಸುತ್ತದೆ | ಯೋಚನೆ ದೃಶ್ಯಮಾನವೇ? |
|---|---|---|
| ಸ್ವಯಂ-ಸಂಗತತೆ | ಒಂದು ಮಾದರಿ, ಹಲವಾರು ಮಾದರಿಗಳು | ಬಹುಮತ ಉತ್ತರ ಮಾತ್ರ |
| ಸಂಖ್ಯಾತ್ಮಕ ಎನ್ಸೆಂಬ್ಲಿಂಗ್ | ಔಟ್ಪುಟ್ಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿದ ಸರಾಸರಿಯಲ್ಲಿಗೆ | ಇಲ್ಲ—ಸರಾಸರಿಯಲ್ಲಿಗೆ |
| ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತ | ಹಲವಾರು ವಿಭಿನ್ನ ಮಾದರಿಗಳ ವಾದಗಳು | ಹೌದು—ಉಳಿಸಲಾಗಿದೆ ಮತ್ತು ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯ |
ಇಲ್ಲಿ ಹೆಚ್ಚು ಉಲ್ಲೇಖಿತವಾದ ಶೋಧನೆ ಏಜೆಂಟ್ಗಳ ಮಿಶ್ರಣ (arXiv:2406.04692) ಆಗಿದ್ದು, ಇದು ಹಲವಾರು ಎಲ್ಎಲ್ಎಮ್ಗಳನ್ನು ಹಂತಗೊಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ನಂತರದ ಹಂತಗಳು ಮುಂಚಿನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಶುದ್ಧೀಕರಿಸುತ್ತವೆ. ಇದು ಗುಣಮಟ್ಟದ ಲಾಭಗಳನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ—ಆದರೆ ಏನನ್ನು ಅಳೆಯಲಾಗಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ನಿಖರವಾಗಿರುವುದು ಮುಖ್ಯ.
ಏಜೆಂಟ್ಗಳ ಮಿಶ್ರಣದ ಲಾಭಗಳು ಬಹಳಷ್ಟು ಪ್ರಾಧಾನ್ಯ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳಲ್ಲಿ ತೋರಿಸಲ್ಪಟ್ಟವು, ಉದಾಹರಣೆಗೆ ಆಲ್ಪಾಕಾ ಎವೆಲ್—ಊಟದ ಉತ್ತಮ ಉತ್ತರವನ್ನು ಹೇಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ ಎಂಬುದರ ಅಳತೆ. ಇದು ಖಚಿತವಾಗಿ ಅಲ್ಲ ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಹಕ್ಕಿಯ ಮೇಲೆ ವಾಸ್ತವಿಕ ಶುದ್ಧತೆಯ ಖಾತರಿಯಲ್ಲ. ಮಾದರಿಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಬಹುದು; ಇದು ಸತ್ಯವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದಿಲ್ಲ.
ಕೋಷ್ಟಕಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ ಮತ್ತು ಸತ್ಯವಾದ ರೂಪರೇಖೆ ಇದು: ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ವಿಶ್ವಾಸದ ಸಂಕೇತ. ಹೆಚ್ಚಿನ ಒಮ್ಮತವು ಹಲವಾರು ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳು ಒಪ್ಪಿಸುತ್ತವೆ, ಇದು ಮಾನವ ಪರಿಶೀಲನೆಯ ಪ್ರಾಥಮಿಕತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ—ಆದರೆ ಇದು ಅದನ್ನು ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ. ಮಾದರಿಗಳು ತರಬೇತಿ ಬಾಯಸ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ತಪ್ಪಾಗಬಹುದು. ಒಮ್ಮತವನ್ನು "ಬಹುಶಃ ಕಡಿಮೆ ಅಪಾಯ" ಎಂದು ಪರಿಗಣಿಸಿ, ಮತ್ತು ಅಸಮ್ಮತಗಳನ್ನು ನಿಮ್ಮ ಅತ್ಯಂತ ಕಾರ್ಯನಿರ್ವಹಣಾ ಔಟ್ಪುಟ್ ಎಂದು ಪರಿಗಣಿಸಿ: ಅವು ಪರಿಶೀಲನೆಯು ಅತ್ಯಂತ ಮುಖ್ಯವಾಗಿರುವ ಸ್ಥಳವನ್ನು ಸೂಚಿಸುತ್ತವೆ.
ವಿಭಿನ್ನ ವ್ಯವಸ್ಥೆಗಳ ನಡುವಿನ ಒಮ್ಮತ—ಒಂದು ಮಾದರಿಯನ್ನು ಪುನಃ ಮಾದರಿಯಲ್ಲಿಲ್ಲ
ಪ್ರತಿಯೊಂದು ಮಾದರಿಯ ಯೋಚನೆಗಳನ್ನು ಓದಿ; ಏನೂ ಬ್ಲಾಕ್ ಬಾಕ್ಸ್ನಲ್ಲಿ ಸರಾಸರಿಯಲ್ಲಿಲ್ಲ
ಅಂಕಗಳು ವಿಶ್ವಾಸವನ್ನು ಸಮೀಕರಿಸುತ್ತವೆ—ಸತ್ಯದ ಸಾಬೀತಾಗಿ ಎಂದಿಗೂ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುವುದಿಲ್ಲ
ವಿವಾದಿತ ಅಂಶಗಳನ್ನು ಮಾನವ ಪರಿಶೀಲನೆಗೆ ಗುರುತಿಸಲಾಗಿದೆ
ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಹಲವಾರು ವಿಭಿನ್ನ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಒಂದೇ ಹಕ್ಕಿಯ ಬಗ್ಗೆ ಸ್ವಾಯತ್ತವಾಗಿ ಯೋಚಿಸುತ್ತಿರುವಾಗ ಮತ್ತು ಪರಸ್ಪರ ವಾದಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ ತಲುಪುವ ಒಪ್ಪಂದದ ಮಟ್ಟವಾಗಿದೆ. ಒಂದೇ ಮಾದರಿಯನ್ನು ಹಲವಾರು ಬಾರಿ ಮಾದರಿಯಲ್ಲಿಯಲ್ಲ, ಇದು ನಿಜವಾದ ವಿಭಿನ್ನ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಆಧರಿಸುತ್ತದೆ—ಆದರೆ ಒಮ್ಮತವು ವಿಭಿನ್ನ ವಾಸ್ತುಶಿಲ್ಪಗಳು ಮತ್ತು ತರಬೇತಿ ಡೇಟಾದ ನಡುವಿನ ಒಪ್ಪಂದವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ, ಮತ್ತು ಅಸಮ್ಮತವು ಹಕ್ಕಿಯ ವಿವಾದಿತ ಸ್ಥಳವನ್ನು ಗುರುತಿಸುತ್ತದೆ.
ಸ್ವಯಂ-ಸಂಗತತೆ ಒಂದೇ ಏಕಕೋನ ಮಾದರಿಯನ್ನು ಹಲವಾರು ಬಾರಿ ಮಾದರಿಯಲ್ಲಿಯಲ್ಲ ಮತ್ತು ಬಹುಮತ ಉತ್ತರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಇದು ಯಾದೃಚ್ಛಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಆದರೆ ಒಂದೇ ಮಾದರಿಯ ಬಾಯಸ್ಗಳು ಮತ್ತು ಕಣ್ಣು ಮುಚ್ಚಿದ ಸ್ಥಳಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ. ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ವಿಭಿನ್ನ ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಒಪ್ಪಂದವು ಹೆಚ್ಚು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ ಮತ್ತು ಅಸಮ್ಮತವು ಪುನರಾವೃತ್ತ ಮಾದರಿಯ ಕಣ್ಣು ಮುಚ್ಚಿದ ಸ್ಥಳವನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು.
ಸಂಖ್ಯಾತ್ಮಕ ಎನ್ಸೆಂಬ್ಲಿಂಗ್ ಮಾದರಿ ಔಟ್ಪುಟ್ಗಳನ್ನು ಒಬ್ಬ ಒಟ್ಟುಗೂಡಿಸಿದ ಮುನ್ಸೂಚನೆಯಲ್ಲಿಗೆ ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ, ವೈಯಕ್ತಿಕ ಯೋಚನೆಗಳನ್ನು ತ್ಯಜಿಸುತ್ತದೆ. ಮಲ್ಟಿ-ಎಲ್ಎಲ್ಎಮ್ ಒಮ್ಮತವು ಪ್ರತಿಯೊಂದು ಮಾದರಿಯ ವಾದಗಳನ್ನು ಉಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ಅವುಗಳನ್ನು ಓದಬಹುದು. ಏನೂ ಬ್ಲಾಕ್-ಬಾಕ್ಸ್ ಅಂಕಕ್ಕೆ ಸರಾಸರಿಯಲ್ಲಿಲ್ಲ—ವೈಯಕ್ತಿಕ ಪ್ರಕರಣಗಳು ದೃಶ್ಯಮಾನವಾಗಿರುತ್ತವೆ, ಇದು ಅಸಮ್ಮತವನ್ನು ಓದಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.
ಏಜೆಂಟ್ಗಳ ಮಿಶ್ರಣ (arXiv:2406.04692) ಎಂಬ ಶೋಧನೆ ಹಲವಾರು ಎಲ್ಎಲ್ಎಮ್ಗಳನ್ನು ಹಂತಗೊಳಿಸುವ ಮೂಲಕ ಗುಣಮಟ್ಟದ ಲಾಭಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದು ಆಲ್ಪಾಕಾ ಎವೆಲ್ಂತಹ ಪ್ರಾಧಾನ್ಯ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳಲ್ಲಿ ಅಳೆಯಲಾಗಿದೆ. ಇದು ಆ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳಲ್ಲಿ ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆ ಗುಣಮಟ್ಟದ ಸಾಕ್ಷ್ಯ—ಇದು ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಹಕ್ಕಿಯ ಮೇಲೆ ವಾಸ್ತವಿಕ ಶುದ್ಧತೆಯ ಖಾತರಿಯಲ್ಲ. ಒಮ್ಮತವನ್ನು ವಿಶ್ವಾಸದ ಸಂಕೇತವಾಗಿ ಪರಿಗಣಿಸಿ, ಸತ್ಯದOracle ಅಲ್ಲ.
ಇಲ್ಲ. ಒಮ್ಮತವು ವಿಶ್ವಾಸದ ಸಂಕೇತ, ಸತ್ಯದ ಸಾಬೀತು ಅಲ್ಲ. ಹಲವಾರು ಮಾದರಿಗಳು ಒಂದೇ ತರಬೇತಿ ಬಾಯಸ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ತಪ್ಪಾಗಬಹುದು. ಹೆಚ್ಚಿನ ಒಮ್ಮತವು ಮಾನವ ಪರಿಶೀಲನೆಯ ಪ್ರಾಥಮಿಕತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ಇದು ಅದನ್ನು ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ. ಅತ್ಯಂತ ಕಾರ್ಯನಿರ್ವಹಣಾ ಔಟ್ಪುಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಅಸಮ್ಮತವಾಗಿರುತ್ತದೆ, ಇದು ಪರಿಶೀಲನೆಯು ಅತ್ಯಂತ ಮುಖ್ಯವಾಗಿರುವ ಸ್ಥಳವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಒಂದು ಮಾದರಿಯನ್ನು ಎರಡು ಬಾರಿ ಮಾದರಿಯಲ್ಲಿಲ್ಲ. ಹಲವಾರು ವಿಭಿನ್ನ ಮಾದರಿಗಳು, ವಾದಗಳು ಉಳಿಸಲಾಗಿದೆ, ಅಸಮ್ಮತವು ದೃಶ್ಯಮಾನವಾಗಿದೆ.
ಉಚಿತವಾಗಿ ಪ್ರಾರಂಭಿಸಿ