LLM परिषद म्हणजे मोठ्या भाषेच्या मॉडेल्सचा एक समूह जो प्रत्येक स्वतंत्रपणे प्रश्नाचे उत्तर देतो, नंतर एकमेकांच्या प्रतिसादांचे मूल्यांकन करतो आणि सहमती साधतो. पॅटर्न अँड्रेज कार्पथीच्या ओपन-सोर्स 'llm-council' रेपॉजिटरीद्वारे लोकप्रिय झाला, एक संकल्पना-पुरावा ज्यामध्ये अनेक मॉडेल्स उत्तर देतात आणि नंतर अंतिम संश्लेषणापूर्वी एकमेकांना रँक करतात. Argumentree.AI संरचित तर्क वृक्ष आणि अनामिक परस्पर रेटिंगसह परिषद पॅटर्न वाढवते—अनामिक कारण संशोधनात LLM चा न्यायाधीश म्हणून वापरण्यावर आत्म-सुधारणा पूर्वाग्रह दस्तऐवजित केला जातो ज्यामध्ये मॉडेल्स त्यांच्या स्वतःच्या आउटपुटला प्राधान्य देतात. एक होस्ट केलेली LLM परिषद तुम्हाला तुमच्या स्वतःच्या API कीज न देता अनेक मॉडेल्सना क्वेरी करण्याची परवानगी देते. प्रामाणिक व्यापार म्हणजे खर्च आणि विलंब: एक परिषद अनेक मॉडेल कॉल करते, त्यामुळे ती एकल क्वेरीपेक्षा हळू आणि महाग आहे, क्रॉस-मॉडेल मान्यता आणि दृश्यमान असहमततेसाठी.
एक LLM परिषद अनेक भाषा मॉडेल्स स्वतंत्रपणे उत्तर देतात, एकमेकांना रेट करतात आणि सहमती साधतात. हे "एक आत्मविश्वासाने उत्तर" एक चर्चेत रूपांतरित करते ज्याची तुम्ही तपासणी करू शकता.
एक LLM परिषद म्हणजे अनेक मॉडेल्स स्वतंत्रपणे उत्तर देतात, नंतर सहमती साधण्यासाठी एकमेकांना रेट करतात. पॅटर्न कार्पथीच्या ओपन-सोर्स llm-council वरून येतो. Argumentree.AI याची मेजवानी करते—API कीज आवश्यक नाहीत—आणि आत्म-फ्लॅटरी कमी करण्यासाठी अनामिक रेटिंग करते.
परिषद पॅटर्न सांगणे सोपे आहे: अनेक LLMs स्वतंत्रपणे एकाच प्रश्नाचे उत्तर देतात, नंतर एकमेकांच्या उत्तरांचे मूल्यांकन करतात, आणि सहमती सहकारी रेटिंगमधून काढली जाते. एकही मॉडेल अंतिम शब्द घेत नाही. कारण मॉडेल्स उत्तर देण्यापूर्वी एकमेकांच्या प्रतिसादांना पाहत नाहीत, त्यांचे स्वतंत्र तर्क जतन केले जाते—आणि जिथे ते भिन्न होतात ती ठिकाणे एक आत्मविश्वासाने उत्तराच्या मागे लपविलेली नसून दृश्यमान बनतात.
प्रत्येक मॉडेल स्वतःच प्रश्नाचे उत्तर देते, इतरांना न पाहता
प्रत्येक मॉडेल इतर मॉडेल्सच्या उत्तरांचे मूल्यांकन करते
रेटिंग एकत्रित केल्या जातात जेथे परिषद सहमत आणि असहमत आहे ते दर्शविण्यासाठी
अँड्रेज कार्पथीने एक ओपन-सोर्स "llm-council" रेपॉजिटरी प्रकाशित केली जी या प्रवाहाचे अचूक प्रदर्शन करते—काही मॉडेल्स उत्तर देतात, एकमेकांना रँक करतात, आणि अंतिम प्रतिसाद संश्लेषित केला जातो. हे एक सार्वजनिक पुरावा आहे की मॉडेल्स एकमेकांचे मूल्यांकन अर्थपूर्णपणे करू शकतात. Argumentree.AI त्याच कल्पनेवर आधारित आहे.
Argumentree.AI परिषद पॅटर्नला दोन मार्गांनी पुढे नेते. प्रथम, संपूर्ण उत्तरांची तुलना करण्याऐवजी, प्रत्येक मॉडेलच्या तर्काला एक तर्क वृक्ष मध्ये संरचित करते—तसेच वैयक्तिक दावे रेट केले जाऊ शकतात आणि तपासले जाऊ शकतात, फक्त अंतिम परिच्छेद नाही. दुसरे, ते अनामिक परस्पर रेटिंग वापरते: जेव्हा एक मॉडेल तर्कांचे मूल्यांकन करते, तेव्हा त्याला कोणत्या मॉडेलने ते तयार केले हे माहित नसते.
LLM चा न्यायाधीश म्हणून वापरण्यावर संशोधनाने एक आत्म-सुधारणा पूर्वाग्रह दस्तऐवजित केला आहे—मॉडेल्स त्यांच्या स्वतःच्या आउटपुटला अधिक अनुकूलतेने रेट करण्याची प्रवृत्ती असते. रेटिंगपूर्वी लेखकत्व लपविल्याने शॉर्टकट काढून टाकतो, त्यामुळे एक मॉडेल फक्त स्वतःला बक्षीस देऊ शकत नाही. हे अनामिक क्रॉस-रेटिंगसाठी डिझाइन तत्त्व आहे.
स्वतः परिषद चालवणे म्हणजे सामान्यतः प्रत्येक मॉडेल प्रदात्यासोबत साइन अप करणे आणि स्वतंत्र API कीज वायर करणे. Argumentree.AI एक होस्ट केलेली LLM परिषद ऑफर करते: तुम्ही एकदा विचारता, आणि सर्व उपलब्ध मॉडेल्स सहभागी होतात—व्यवस्थापनासाठी कीज नाहीत, प्रदाता सेटअप नाही. तुम्हाला परिषदाची सहमती आणि त्याच्या असहमतता एका ठिकाणी मिळते.
एक परिषद मोफत नाही. व्याख्येनुसार, ती अनेक मॉडेल कॉल करते, त्यामुळे ती अधिक संगणक वापरते आणि एकल क्वेरीपेक्षा परत येण्यासाठी अधिक वेळ लागतो. हा ठरवलेला व्यापार आहे: तुम्ही क्रॉस-मॉडेल मान्यता आणि असहमततेच्या दृश्यमान नकाशासाठी अधिक खर्च करता. उच्च-जोखमीच्या संशोधनासाठी हे चांगले आहे; तुच्छ शोधांसाठी एक मॉडेल पुरेसे आहे.
एकाच प्रश्नासह अनेक मॉडेल्सची परिषद आयोजित करा
प्रत्येक मॉडेलच्या तर्काची बिंदू-द्वारे तपासणी करा, फक्त एक गोळा म्हणून नाही
क्रॉस-रेटिंग आत्म-सुधारणा पूर्वाग्रह कमी करण्यासाठी लेखकत्व लपवते
प्रत्येक प्रदात्यासाठी API कीज नाहीत—सहमती आणि असहमतता बॉक्समधून
LLM परिषद म्हणजे मोठ्या भाषेच्या मॉडेल्सचा एक समूह जो प्रत्येक स्वतंत्रपणे प्रश्नाचे उत्तर देतो, नंतर एकमेकांच्या प्रतिसादांचे मूल्यांकन करतो जेणेकरून सहमतीची दृश्यता निर्माण होईल. एकाच मॉडेलवर अवलंबून राहण्याऐवजी, परिषद मॉडेल्समधील सहमती आणि असहमती स्पष्ट करते—तुम्ही पाहू शकता की मॉडेल्स कुठे एकत्र येतात आणि कुठे येत नाहीत.
अँड्रेज कार्पथीने पॅटर्न दर्शविणारी एक ओपन-सोर्स 'llm-council' रेपॉजिटरी जारी केली: अनेक मॉडेल्स एक क्वेरीला उत्तर देतात, नंतर अंतिम संश्लेषणापूर्वी एकमेकांच्या उत्तरांचे रँक करतात. हे मॉडेल्समधील सामूहिक तर्काचा एक संकल्पना-पुरावा आहे. Argumentree.AI संरचित तर्क वृक्ष आणि अनामिक परस्पर रेटिंगसह या कल्पनेला वाढवते.
LLM चा न्यायाधीश म्हणून वापरण्यावर संशोधनाने एक आत्म-सुधारणा पूर्वाग्रह दस्तऐवजित केला आहे—मॉडेल्स त्यांच्या स्वतःच्या आउटपुटला प्राधान्य देण्याची प्रवृत्ती असते. रेटिंगपूर्वी कोणत्या मॉडेलने कोणता तर्क तयार केला हे अनामिक करणे त्या पूर्वाग्रहाला कमी करते, त्यामुळे एक मॉडेल फक्त स्वतःला बक्षीस देऊ शकत नाही. Argumentree.AI च्या अनामिक क्रॉस-रेटिंगच्या मागे हे डिझाइन तत्त्व आहे.
होस्ट केलेल्या LLM परिषदेसह नाही. ओपन-सोर्स अंमलबजावणी सामान्यतः प्रत्येक प्रदात्यासाठी API कीज प्रदान करण्याची आवश्यकता असते. Argumentree.AI एक होस्ट केलेली मल्टी-LLM परिषद ऑफर करते जेणेकरून तुम्ही अनेक मॉडेल्सना क्वेरी करू शकता आणि त्यांच्या सहमतीला पाहू शकता, तुमच्या स्वतःच्या API कीज वायर न करता.
प्रामाणिकपणे, परिषद चालवणे एकल क्वेरीपेक्षा अधिक खर्चिक आहे—हे अनेक मॉडेल कॉल करते, त्यामुळे हे अधिक संगणक वापरते आणि परत येण्यासाठी अधिक वेळ लागतो. हा व्यापार तुम्हाला क्रॉस-मॉडेल मान्यता आणि असहमतीचा दृश्यमान नकाशा मिळवतो. उच्च-जोखमीच्या प्रश्नांसाठी वाढीव खर्च आणि विलंब सामान्यतः योग्य असतात; तुच्छ शोधांसाठी एक मॉडेल पुरेसे आहे.
अनेक मॉडेल्स, एक प्रश्न, सहमती तुम्ही तपासू शकता—API कीज आवश्यक नाहीत.
मोफत प्रारंभ करा