കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് ഒരേ ചോദ്യത്തെക്കുറിച്ച് നിരവധി എഐ മോഡലുകൾ സ്വതന്ത്രമായി ചിന്തിക്കുന്ന പ്രാക്ടീസാണ്, ഒരു അവകാശത്തിന് എതിരെയും അനുകൂലമായും വാദങ്ങൾ നിർമ്മിക്കുകയും, പിന്നീട് ഓരോ മോഡലിന്റെയും വാദങ്ങൾ റേറ്റുചെയ്യുകയും ചെയ്യുന്നു. ഒരു എഐ മോഡൽ ആത്മവിശ്വാസത്തോടെ തെറ്റായിരിക്കുമ്പോൾ—പ്രസിദ്ധമായും, 2023-ൽ മാത്ത വേഴ്സസ് അവിയാങ്കയിൽ ഒരു അഭിഭാഷകൻ ചാറ്റ്ജിപിടി നിർമ്മിച്ച കോടതി കേസുകൾ ഉദ്ധരിച്ച് ഒരു നിയമ ബ്രീഫ് സമർപ്പിച്ചു—കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് ആ തെറ്റുകൾ വ്യത്യാസമായി ഉയർത്തുന്നു. Argumentree.AI ഇത് ഓരോ മോഡലിന്റെയും ചിന്തനത്തെ ഒരു വാദം മരത്തിലും എല്ലാ ലഭ്യമായ മോഡലുകൾ പരസ്പരം അനാമികമായി ക്രോസ്-റേറ്റ് ചെയ്യുന്നതിലൂടെ നടപ്പിലാക്കുന്നു. ഉയർന്ന ഏകമതം ഒരു ആത്മവിശ്വാസ സൂചനയാണ്; വ്യത്യാസം ഉയർന്ന മൂല്യ സൂചനയാണ്, മനുഷ്യ പരിശോധന എവിടെ ആവശ്യമാണ് എന്ന് നിങ്ങളെ സൂചിപ്പിക്കുന്നു. ഏകമതം സത്യത്തെ തെളിയിക്കുന്നില്ല—ഇത് എവിടെ നോക്കണമെന്ന് വെളിപ്പെടുത്തുന്നു.
കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് നിലവിലുള്ള നിരവധി എഐ മോഡലുകൾ സ്വതന്ത്രമായി ചിന്തിക്കുകയും, വാദങ്ങൾ നിർമ്മിക്കുകയും, പരസ്പരം റേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു—അതുകൊണ്ട് ഏകമതവും, കൂടുതൽ പ്രധാനമായും, വ്യത്യാസവും ദൃശ്യമായിരിക്കുന്നു. ഇത് ആത്മവിശ്വാസത്തോടെ തെറ്റായ ഒരു എഐയെ വിശ്വസിക്കാൻ എതിരായ ഒരു പ്രത്യുത്പന്നമാണ്.
കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് നിരവധി എഐ മോഡലുകൾ സ്വതന്ത്രമായി ചോദ്യം ചെയ്യുന്നു, പരസ്പരം അവരുടെ ചിന്തനത്തെ ക്രോസ്-റേറ്റ് ചെയ്യുന്നു. ഏകമതം ഒരു ആത്മവിശ്വാസ സൂചനയാണ്—എന്നാൽ യഥാർത്ഥ ലാഭം വ്യത്യാസം നിങ്ങൾക്ക് സ്ഥിരീകരിക്കാൻ ആവശ്യമായ സ്ഥലത്തെ സൂചിപ്പിക്കുന്നു. ഏകമതം സത്യത്തിന്റെ തെളിവല്ല.
കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് (CAI) നിരവധി എഐ മോഡലുകളുടെ സ്വതന്ത്ര ചിന്തനത്തെ സംയോജിപ്പിച്ച് ഒരു ഏകമതം നൽകുന്ന പ്രാക്ടീസാണ്, ഇത് ഒരു ഏക മോഡൽ നൽകുന്നവയിൽ നിന്ന് കൂടുതൽ വിശ്വസനീയമായ, മികച്ച കാൽബ്രേറ്റഡ് മനസ്സിലാക്കലിലേക്ക് എത്തിക്കുന്നു. ഒരു മോഡലിൽ നിന്ന് ഒരു ഉത്തരത്തിനായി ചോദിക്കുന്നതിന് പകരം, CAI ഒരേ ചോദ്യത്തിന് നിരവധി മോഡലുകൾക്ക് ചോദിക്കുന്നു, ഓരോന്നും ഒരു ഘടനാപരമായ കേസ് നിർമ്മിക്കുന്നു, പിന്നീട് ഓരോ മോഡലും മറ്റുള്ളവരുടെ വാദങ്ങൾ വിലയിരുത്തുന്നു. ഔട്ട്പുട്ട് ഒരു ഏക വിധി അല്ല—ഇത് സ്വതന്ത്ര സിസ്റ്റങ്ങൾ എവിടെ ഏകമതം കാണിക്കുന്നു, എവിടെ വ്യത്യാസമുണ്ടാകുന്നു എന്നതിന്റെ ഒരു മാപ്പാണ്.
ഒരു ഏക എഐ മോഡലിന് "ഞാൻ അറിയുന്നില്ല" എന്നത് ഉൾക്കൊള്ളുന്നില്ല. ഇത് എപ്പോഴും സുതാര്യമായ, ആത്മവിശ്വാസമുള്ള ഔട്ട്പുട്ട് സൃഷ്ടിക്കുന്നു—ഇത് നിർമ്മിക്കുന്നപ്പോൾ പോലും. ഏറ്റവും ഉദ്ധരിക്കപ്പെട്ട ജാഗ്രതാ ഉദാഹരണം മാത്ത വേഴ്സസ് അവിയാങ്ക (2023) ആണ്, അവിടെ ഒരു അഭിഭാഷകൻ ചാറ്റ്ജിപിടി മുഴുവൻ കണ്ടുപിടിച്ച നിരവധി നിയമ തീരുമാനങ്ങൾ ഉദ്ധരിച്ച് ഒരു ഫെഡറൽ കോടതി ബ്രീഫ് സമർപ്പിച്ചു. ഉദ്ധരണികൾ യാഥാർത്ഥ്യമായിരുന്നു. മോഡൽ ആത്മവിശ്വാസത്തോടെ ആയിരുന്നു. അത് പിടിക്കാൻ ഒരു രണ്ടാം അഭിപ്രായം ലൂപ്പിൽ ഉണ്ടായിരുന്നില്ല.
കേന്ദ്രം വ്യത്യസ്ത മോഡലുകൾ വ്യത്യസ്തമായി പരാജയപ്പെടുന്നു എന്നതാണ്. നിരവധി സ്വതന്ത്ര മോഡലുകൾ ഒരേ അവകാശത്തെക്കുറിച്ച് ചിന്തിക്കുമ്പോൾ, അവരുടെ തെറ്റുകൾ അപൂർവമായി ഒത്തുചേർന്നു—അതുകൊണ്ട് ഒരാളുടെ തെറ്റുകൾ മറ്റുള്ളവരെ തള്ളിക്കളയാൻ സാധ്യതയുണ്ട്. ഇത് ആൻഡ്രെജ് കാർപത്തി യുടെ ഓപ്പൺ-സോഴ്സ് "LLM കൗൺസിൽ" മാതൃകയുടെ ആശയമാണ്, ഇവിടെ നിരവധി മോഡലുകൾ സ്വതന്ത്രമായി ഉത്തരം നൽകുന്നു, പിന്നീട് പരസ്പരം മറുപടികൾ റാങ്ക് ചെയ്യുന്നു. Argumentree.AI ഈ മാതൃകയെ ഘടനാപരമായ വാദ മരങ്ങൾക്കൊപ്പം വിപുലീകരിക്കുന്നു, എല്ലാ ലഭ്യമായ മോഡലുകൾക്കിടയിൽ അനാമികമായ പരസ്പര റേറ്റിംഗ്.
ഒരേ അവകാശം അല്ലെങ്കിൽ ഗവേഷണ ചോദ്യങ്ങൾ എല്ലാ ലഭ്യമായ മോഡലുകൾക്ക് പോകുന്നു
മോഡലുകൾ പരസ്പരം അവരുടെ പ്രവർത്തനം കാണാതെ അനുകൂലവും എതിരായും വാദങ്ങൾ നിർമ്മിക്കുന്നു
ചിന്തനം ഘടനാപരമായി ക്രമീകരിച്ചിരിക്കുന്നു, അതിനാൽ ഓരോ പോയിന്റും പരിശോധിക്കാവുന്നതാണ്—ഒരു ഉത്തരത്തിലേക്ക് മിശ്രിതമല്ല
അനാമികമായ ക്രോസ്-റേറ്റിംഗ് ഒരു മോഡൽ സ്വയം പ്രശംസിക്കുന്നതിനുള്ള അവസരം കുറയ്ക്കുന്നു
മോഡലുകൾ എവിടെ ഏകമതം കാണിക്കുന്നു, അതിനാൽ അവ എവിടെ കാണുന്നില്ല എന്നതും നിങ്ങൾ കാണുന്നു
ഏകമതം സ്കോറിംഗ് ഒരു നൽകിയ വാദത്തിൽ മോഡലുകൾ എത്രത്തോളം ഏകമതം കാണിക്കുന്നു എന്നതിനെ അളക്കുന്നു—ഒരു ന്യായ ഭൂരിപക്ഷത്തിൽ നിന്ന് പൂർണ്ണ ഏകമതത്തിലേക്ക്. ഏറ്റവും പ്രധാനപ്പെട്ട ഡിസൈൻ പ്രിൻസിപ്പൽ ആന്റി-ഫ്ലാറ്റനിംഗ് ആണ്: വ്യത്യാസം ഒരിക്കലും ശരാശരിയാക്കുന്നില്ല. ഏറ്റവും മോശമായ മോഡലുകൾ നിരസിക്കുന്ന ഒരു ന്യൂനപക്ഷ സ്ഥാനം ഇപ്പോഴും ദൃശ്യമായിരിക്കുന്നു, കാരണം ഒരു നല്ല രീതിയിൽ ചിന്തിച്ച ഔട്ട്ലയർ സാധാരണയായി അടുത്ത മനുഷ്യ ദൃശ്യത്തിൽ ശ്രദ്ധിക്കേണ്ട വാദമാണ്.
സ്വതന്ത്ര മോഡലുകൾ ഒരേ കാര്യങ്ങൾ നിർമ്മിക്കാൻ അപൂർവമായി, ഒരു ഹലൂസിനേഷൻ സാധാരണയായി ഒരു കുറഞ്ഞ റേറ്റുചെയ്ത, പ്രതിസന്ധിയുള്ള വാദമായി പ്രത്യക്ഷപ്പെടുന്നു, സുതാര്യമായ ഏകമതം അല്ല. അതിനാൽ, വ്യത്യാസം ഒരു കണ്ടെത്തൽ സൂചന ആണ്: ഇത് നിങ്ങൾക്ക് തെറ്റായിരിക്കാനുള്ള അവകാശങ്ങൾക്കായി സൂചിപ്പിക്കുന്നു. എപ്പിസ്റ്റെമിക്സ് ശ്രദ്ധിക്കുക—CAI പ്രശ്നങ്ങൾ വ്യത്യാസത്തിലൂടെ അടയാളപ്പെടുത്തുന്നതിൽ ശക്തമാണ്, കൂടാതെ ഇത് ഉറപ്പില്ല എന്നതിനെ സത്യമായിട്ടാണ് അവകാശപ്പെടുന്നത്.
കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് ഒരു ഏക ആത്മവിശ്വാസമുള്ള ഉത്തരമുണ്ടാകുന്നത് അപകടകരമായ ഏതെങ്കിലും പ്രവൃത്തിയിൽ അനുയോജ്യമാണ്: ഗവേഷണം, സാഹിത്യ അവലോകനം, വസ്തുതാ-പരിശോധന, ഡ്യൂ ഡിലിജൻസ്, മത്സര വിശകലനം, ഉയർന്ന അപകടം ഉള്ള തീരുമാനങ്ങൾ, അവകാശം എത്രത്തോളം പ്രതിസന്ധിയിലാണ് എന്ന് അറിയേണ്ടതും—ഒരു മോഡൽ എന്ത് പറയുന്നു എന്നതല്ല. ഓരോ കേസിലും, ഏറ്റവും ഉയർന്ന മൂല്യമായ ഔട്ട്പുട്ട് മോഡലുകൾ തമ്മിലുള്ള വ്യത്യാസം കാണുന്ന പോയിന്റുകളുടെ സെറ്റ് ആണ്, മനുഷ്യ അവലോകനം ശ്രദ്ധിക്കേണ്ടത്.
ഇത് മൾട്ടി-മോഡൽ ചിന്തനത്തെക്കുറിച്ചുള്ള എല്ലാം ഹബ് ആണ്. താഴെ ഏതെങ്കിലും ആശയത്തിൽ കടന്നുപോകുക.
ഒരു സ്ഥലത്ത് ഒരേ ചോദ്യത്തിന് നിരവധി മോഡലുകൾക്ക് ചോദിക്കുക
മോഡലുകൾ എത്ര ശക്തമായി ഏകമതം കാണിക്കുന്നു എന്ന് മനസ്സിലാക്കുക—ഭൂരിപക്ഷത്തിൽ നിന്ന് ഏകമതത്തിലേക്ക്
ഒരു മിശ്രിത ഉത്തരമല്ല, ഘടനാപരമായ മരത്തിൽ ഓരോ മോഡലിന്റെയും വാദങ്ങൾ വായിക്കുക
പ്രതിസന്ധിയുള്ള പോയിന്റുകൾ അടയാളപ്പെടുത്തുന്നു, അതിനാൽ നിങ്ങൾക്ക് സ്ഥിരീകരിക്കാൻ എവിടെ അറിയാം
കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് ഒരേ ചോദ്യത്തെക്കുറിച്ച് നിരവധി എഐ മോഡലുകൾ സ്വതന്ത്രമായി ചിന്തിക്കുന്ന പ്രാക്ടീസാണ്, വാദങ്ങൾ നിർമ്മിക്കുകയും, പരസ്പരം അവരുടെ ചിന്തനത്തെ റേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു, അവ എവിടെ ഏകമതം കാണിക്കുന്നു, കൂടുതൽ പ്രധാനമായും എവിടെ വ്യത്യാസമുണ്ടാകുന്നു എന്ന് വെളിപ്പെടുത്തുന്നു. ഒരു മോഡലിന്റെ ആത്മവിശ്വാസമുള്ള ഉത്തരത്തെ വിശ്വസിക്കുന്നതിന് പകരം, നിങ്ങൾക്ക് സ്വതന്ത്രമായ കാഴ്ചപ്പാടുകളുടെ ഒരു സ്പെക്ട്രം കാണാം, അതിനാൽ ഹലൂസിനേഷനുകളും ബ്ലൈൻഡ് സ്പോട്ടുകളും വ്യത്യാസമായി ഉയർത്തപ്പെടുന്നു, മറിച്ച് ശ്രദ്ധിക്കാതെ പോകുന്നില്ല.
ഇല്ല. ഏകമതം ഒരു ആത്മവിശ്വാസ സൂചനയാണ്, തെളിവല്ല. നിരവധി മോഡലുകൾ ഒരേ പരിശീലന-ഡാറ്റാ ബയസ് പങ്കുവയ്ക്കുകയും ആത്മവിശ്വാസത്തോടെ തെറ്റായിരിക്കാം. കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് എതിരായതിന്റെ ഏറ്റവും മൂല്യമുള്ളത്: മോഡലുകൾ തമ്മിലുള്ള വ്യത്യാസം ഒരു അവകാശം മനുഷ്യ പരിശോധന ആവശ്യമാണ് എന്നതിന്റെ വിശ്വസനീയമായ സൂചനയാണ്. ഉയർന്ന ഏകമതം അവലോകനത്തിന് പ്രാധാന്യം കുറയ്ക്കുന്നു; ഇത് ഒരിക്കലും മാറ്റുന്നില്ല.
വ്യത്യസ്ത മോഡലുകൾ വ്യത്യസ്തമായി ഹലൂസിനേറ്റ് ചെയ്യുന്നു—ഒരു മോഡൽ നിർമ്മിക്കുന്നതിൽ, മറ്റുള്ളവരെ സാധാരണയായി ശരിയായി പിടിക്കുന്നു. നിരവധി മോഡലുകൾ സ്വതന്ത്രമായി ഒരു അവകാശത്തെ വിലയിരുത്തുമ്പോൾ, ഒരു മോഡൽ തെളിവുകൾ കണ്ടുപിടിച്ചാൽ, മറ്റുള്ളവരെ സാധാരണയായി ആ വാദത്തെ കുറിച്ച് ദുർബലമായി റേറ്റ് ചെയ്യുന്നു. ഫലമായ വ്യത്യാസം സാധ്യതയുള്ള ഹലൂസിനേഷൻ അടയാളപ്പെടുത്തുന്നു, ഒരു ഏക മോഡൽ പ്രവൃത്തിയിൽ ആത്മവിശ്വാസമുള്ള വസ്തുതയായി അവതരിപ്പിക്കും.
നിലവിലുള്ള നിരവധി LLM-കൾക്ക് ചോദിക്കുന്നതും അവയെ പരസ്പരം വിലയിരുത്തുന്നതും ആൻഡ്രെജ് കാർപത്തി യുടെ 'LLM കൗൺസിൽ' പോലുള്ള ഓപ്പൺ-സോഴ്സ് പ്രവർത്തനങ്ങളിൽ പരിശോധിക്കപ്പെട്ടിട്ടുണ്ട്, ഇവിടെ നിരവധി മോഡലുകൾ സ്വതന്ത്രമായി ഉത്തരം നൽകുന്നു, പിന്നീട് പരസ്പരം മറുപടികൾ റാങ്ക് ചെയ്യുന്നു. ഏജന്റുകളുടെ മിശ്രണത്തെക്കുറിച്ചുള്ള ഗവേഷണം ബന്ധപ്പെട്ട ആശയത്തെ അന്വേഷിക്കുന്നു. Argumentree.AI ഈ lineage-ൽ ഘടനാപരമായ വാദ മരങ്ങൾക്കൊപ്പം അനാമികമായ ക്രോസ്-മോഡൽ റേറ്റിംഗ് ഉപയോഗിച്ച് നിർമ്മിക്കുന്നു.
ഇത് ഗവേഷണ ചോദ്യങ്ങൾ, വസ്തുതാ-പരിശോധന, സാഹിത്യ അവലോകനങ്ങൾ, ഒരു ഏക ആത്മവിശ്വാസമുള്ള ഉത്തരമുണ്ടാകുന്നത് അപകടകരമായ ഏതെങ്കിലും തീരുമാനങ്ങൾക്കായി വളരെ അനുയോജ്യമാണ്. ഒരു അവകാശം എത്രത്തോളം പ്രതിസന്ധിയിലാണ് എന്ന് അറിയേണ്ടതും—'ഉത്തരം' എന്താണെന്ന് മാത്രം അല്ല. ഇത് മനുഷ്യ പരിശോധന ഏറ്റവും ആവശ്യമായ സ്ഥലങ്ങളിൽ പ്രാധാന്യം നൽകാൻ ഉപയോഗിക്കുക, പ്രത്യേകിച്ച് മോഡലുകൾ തമ്മിലുള്ള വ്യത്യാസം കാണുന്ന പോയിന്റുകളിൽ.
ഒരു ആത്മവിശ്വാസമുള്ള ഉത്തരത്തെ വിശ്വസിക്കരുത്. കോളക്ടീവ് എഐ ബുദ്ധിമുട്ട് നേടുക—ഏകമതവും വ്യത്യാസവും, ഒപ്പം.
മൂല്യവത്തായ ആരംഭിക്കുക