ਇੱਕ ਐਲਐਲਐਮ ਐਂਸੇਮਬਲ ਕਈ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਕਿਸੇ ਵੀ ਇਕੱਲੇ ਮਾਡਲ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਜ਼ਬੂਤ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ। ਇਹ ਧਾਰਨਾ ਕਲਾਸੀਕੀ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਐਂਸੇਮਬਲਿੰਗ ਤੋਂ ਆਈ ਹੈ, ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਵਿੱਚ ਔਸਤ ਲੈਣਾ ਜਾਂ ਵੋਟਿੰਗ ਕਰਨ ਨਾਲ ਵੈਰੀਏਂਸ ਘਟਦਾ ਹੈ ਅਤੇ ਵਿਅਕਤੀਗਤ ਗਲਤੀਆਂ ਰੱਦ ਹੁੰਦੀਆਂ ਹਨ। ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ, ਐਂਸੇਮਬਲਿੰਗ ਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਜਵਾਬਾਂ ਵਿੱਚ ਮਿਲਾਉਣਾ, ਵੋਟਿੰਗ ਕਰਨਾ ਜਾਂ ਰੂਟਿੰਗ ਕਰਨਾ। ਅੰਕੜਾ ਐਂਸੇਮਬਲਿੰਗ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਇੱਕ ਇਕੱਤਰ ਵਿੱਚ ਮਿਲਾਉਂਦਾ ਹੈ — ਮਜ਼ਬੂਤੀ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਪਰ ਵਿਅਕਤੀਗਤ ਤਰਕ ਅਤੇ ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਕਿਸੇ ਵੀ ਅਸਹਿਮਤੀ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ। Argumentree.AI ਇੱਕ ਵੱਖਰਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਲੈਂਦਾ ਹੈ: ਆਉਟਪੁੱਟਾਂ ਦਾ ਔਸਤ ਲੈਣ ਦੀ ਬਜਾਏ, ਇਹ ਹਰ ਮਾਡਲ ਦੇ ਵਿਅਕਤੀਗਤ ਦਲੀਲਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਅਤੇ ਹਰ ਉਪਲਬਧ ਮਾਡਲ ਨੂੰ ਹਰ ਹੋਰ ਮਾਡਲ ਦੀਆਂ ਦਲੀਲਾਂ ਦੀ ਰੇਟਿੰਗ ਕਰਨ ਦਿੰਦਾ ਹੈ, ਅਸਹਿਮਤੀ ਨੂੰ ਦਿਖਾਈ ਦੇਣ ਦੇ ਬਜਾਏ ਇਸਨੂੰ ਮਿਟਾਉਂਦਾ ਹੈ। ਕਿਸੇ ਵੀ ਕਿਸਮ ਦੀ ਐਂਸੇਮਬਲਿੰਗ ਟੋਕਨ ਦੀ ਲਾਗਤ ਅਤੇ ਦੇਰੀ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ — ਇਹ ਇੱਕ ਵਾਸਤਵਿਕ ਮਜ਼ਬੂਤੀ ਦੀ ਤਕਨੀਕ ਹੈ ਜਿਸਦੀ ਇੱਕ ਵਾਸਤਵਿਕ ਲਾਗਤ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਮੁਫਤ ਅੱਪਗਰੇਡ, ਅਤੇ ਇਹ ਉਹਨਾਂ ਸਵਾਲਾਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਹੈ ਜਿੱਥੇ ਇੱਕ ਵਿਸ਼ਵਾਸਯੋਗ ਇਕੱਲੇ ਮਾਡਲ ਦੀ ਗਲਤੀ ਨੂੰ ਪਕੜਨਾ ਵਾਧੂ ਕੰਪਿਊਟ ਦੇ ਯੋਗ ਹੈ.
ਇੱਕ ਐਲਐਲਐਮ ਐਂਸੇਮਬਲ ਕਈ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹਨਾਂ ਦੀਆਂ ਸੁਤੰਤਰ ਦੋਸ਼ਾਂ ਨੂੰ ਰੱਦ ਕੀਤਾ ਜਾ ਸਕੇ। ਅੰਕੜਾ ਐਂਸੇਮਬਲਿੰਗ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਇੱਕ ਵਿੱਚ ਮਿਲਾਉਂਦਾ ਹੈ — Argumentree.AI ਹਰ ਮਾਡਲ ਦੀਆਂ ਦਲੀਲਾਂ ਨੂੰ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀਆਂ ਅਤੇ ਸਾਥੀ-ਰੇਟ ਕੀਤੀਆਂ ਰੱਖਦਾ ਹੈ.
ਇੱਕ ਐਲਐਲਐਮ ਐਂਸੇਮਬਲ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਪੁੱਛਦਾ ਹੈ ਅਤੇ ਮਜ਼ਬੂਤੀ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਕਲਾਸੀਕੀ ਐਂਸੇਮਬਲਿੰਗ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਇੱਕ ਮਿਲੇ-ਜੁਲੇ ਜਵਾਬ ਵਿੱਚ ਔਸਤ ਜਾਂ ਵੋਟ ਕਰਦੀ ਹੈ। Argumentree.AI ਇਸਦੀ ਬਜਾਏ ਹਰ ਮਾਡਲ ਦੀ ਵਿਅਕਤੀਗਤ ਦਲੀਲਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੀ ਰੇਟਿੰਗ ਕਰਨ ਦਿੰਦਾ ਹੈ — ਤਾਂ ਜੋ ਅਸਹਿਮਤੀ ਦਿਖਾਈ ਦੇਵੇ। ਕਿਸੇ ਵੀ ਤਰੀਕੇ ਨਾਲ, ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣਾ ਇੱਕ ਮਾਡਲ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਲਾਗਤ ਕਰਦਾ ਹੈ.
ਐਂਸੇਮਬਲਿੰਗ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਸਭ ਤੋਂ ਪੁਰਾਣੇ ਭਰੋਸੇਯੋਗ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ: ਇੱਕ ਇਕੱਲੇ ਮਾਡਲ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਕਈ ਨੂੰ ਜੋੜਦੇ ਹੋ। ਕਿਉਂਕਿ ਵੱਖਰੇ ਮਾਡਲ ਵੱਖ-ਵੱਖ ਗਲਤੀਆਂ ਕਰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਦੀਆਂ ਭਵਿੱਖਵਾਣੀਆਂ ਨੂੰ ਮਿਲਾਉਣਾ ਵੈਰੀਏਂਸ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ ਵਿਅਕਤੀਗਤ ਗਲਤੀਆਂ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ। ਰੈਂਡਮ ਫਾਰਸਟ ਅਤੇ ਗ੍ਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਐਂਸੇਮਬਲ ਹਨ; ਤਿੰਨ ਲੋਕਾਂ ਨੂੰ ਪੁੱਛਣਾ ਅਤੇ ਬਹੁਤਵਾਦੀ ਜਵਾਬ ਲੈਣਾ ਵੀ ਐਂਸੇਮਬਲ ਹੈ.
ਇੱਕ ਐਲਐਲਐਮ ਐਂਸੇਮਬਲ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ 'ਤੇ ਇਹੀ ਵਿਚਾਰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਪੁੱਛਦੇ ਹੋ — ਆਦਰਸ਼ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਡੇਟਾ 'ਤੇ ਵੱਖ-ਵੱਖ ਆਰਕੀਟੈਕਚਰਾਂ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ — ਅਤੇ ਜੋ ਉਹ ਉਤਪਾਦਨ ਕਰਦੇ ਹਨ, ਉਸਨੂੰ ਜੋੜਦੇ ਹੋ। ਜਦੋਂ ਸੁਤੰਤਰ ਮਾਡਲ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ, ਉਹ ਸਹਿਮਤੀ ਇੱਕ ਅਰਾਮਦਾਇਕ ਭਰੋਸਾ ਸੰਕੇਤ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਉਹ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ, ਤੁਸੀਂ ਇੱਕ ਸੱਚਮੁੱਚ ਅਣਨਿਸ਼ਚਿਤ ਸਵਾਲ ਲੱਭ ਲੈਂਦੇ ਹੋ, ਜਿਸਨੂੰ ਇੱਕ ਇਕੱਲਾ ਮਾਡਲ ਝੂਠੇ ਭਰੋਸੇ ਨਾਲ ਢਕ ਲੈਂਦਾ.
ਤੁਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਜੋੜਦੇ ਹੋ, ਇਹ ਜਿੱਥੇ ਤਰੀਕੇ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ। ਕਲਾਸੀਕੀ ਰਸਤਾ ਅੰਕੜਾ ਹੈ: ਆਉਟਪੁੱਟਾਂ ਦਾ ਔਸਤ ਲੈਣਾ, ਬਹੁਤਵਾਦੀ ਵੋਟ ਲੈਣਾ, ਜਾਂ "ਸਭ ਤੋਂ ਵਧੀਆ" ਮਾਡਲ ਵੱਲ ਰੂਟ ਕਰਨਾ। ਇਹ ਸਭ ਕੁਝ ਇੱਕ ਇਕੱਤਰ ਨਤੀਜੇ ਵਿੱਚ ਮਿਲਾਉਂਦਾ ਹੈ.
ਸੰਖਿਆਕੀ ਸਮੂਹੀਕਰਨ ਨਤੀਜਿਆਂ ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ — ਇੱਕ ਜਵਾਬ ਵਿੱਚ ਔਸਤ ਜਾਂ ਵੋਟਿੰਗ, ਵਿਅਕਤੀਗਤ ਤਰਕ ਨੂੰ ਛੱਡ ਕੇ
ਇਹ ਇੱਕ ਹੀ ਲੇਬਲ ਜਾਂ ਸਕੋਰ ਲਈ ਆਦਰਸ਼ ਹੈ, ਪਰ ਇਹ ਦਿਖਾਉਂਦਾ ਨਹੀਂ ਕਿ ਕਿਹੜਾ ਮਾਡਲ ਕੀ ਕਹਿੰਦਾ ਹੈ ਅਤੇ ਕਿਉਂ
Argumentree.AI ਹਰ ਮਾਡਲ ਦੇ ਵਿਅਕਤੀਗਤ ਤਰਕਾਂ ਨੂੰ ਔਸਤ ਕਰਨ ਦੀ ਬਜਾਏ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ
ਫਿਰ ਹਰ ਉਪਲਬਧ ਮਾਡਲ ਹਰ ਹੋਰ ਮਾਡਲ ਦੇ ਤਰਕਾਂ ਨੂੰ ਦਰਜਾ ਦਿੰਦਾ ਹੈ (ਸਾਥੀ ਦਰਜਾ)
ਵਿਰੋਧ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ — ਤੁਸੀਂ ਮੁਕਾਬਲੇ ਦੇ ਦਾਅਵੇ ਅਤੇ ਸਹੀ ਥਾਂ ਦੇਖਦੇ ਹੋ ਜਿੱਥੇ ਮਾਡਲ ਵੰਡਦੇ ਹਨ
ਪੁੱਛੋ "ਕੀ ਇਹ ਮਾਈਗ੍ਰੇਸ਼ਨ ਯੋਜਨਾ ਉਤਪਾਦਨ ਵਿੱਚ ਚਲਾਉਣ ਲਈ ਸੁਰੱਖਿਅਤ ਹੈ?" ਇੱਕ ਅੰਕੜਾ ਐਂਸੇਮਬਲ ਮਾਡਲਾਂ ਨੂੰ "72% ਸੁਰੱਖਿਅਤ" ਸਕੋਰ 'ਤੇ ਔਸਤ ਲੈ ਸਕਦਾ ਹੈ — ਸੁਧਰੇ ਹੋਏ, ਪਰ ਤੁਸੀਂ ਨਹੀਂ ਜਾਣਦੇ ਕਿ ਕਿਉਂ। ਇੱਕ ਸੁਰੱਖਿਅਤ-ਦਲੀਲ ਪਹੁੰਚ ਤੁਹਾਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਜ਼ਿਆਦਾਤਰ ਮਾਡਲਾਂ ਨੇ ਇੱਕੋ ਹੀ ਰੋਲਬੈਕ ਗੈਪ ਨੂੰ ਝੰਡਾ ਲਗਾਇਆ ਜਦੋਂ ਕਿ ਇੱਕ ਨੇ ਇੱਕ ਵੱਖਰਾ ਲੌਕਿੰਗ ਚਿੰਤਾ ਉਠਾਈ ਜੋ ਹੋਰਾਂ ਨੇ ਛੱਡ ਦਿੱਤੀ। ਮਿਲਿਆ ਹੋਇਆ ਸਕੋਰ ਉਹ ਦੋ ਦਲੀਲਾਂ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ ਜੋ ਵਾਸਤਵ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹਨ.
ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਸੇ ਵੀ ਤਰੀਕੇ ਨਾਲ ਜੋੜਦੇ ਹੋ, ਇੱਕ ਐਂਸੇਮਬਲ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ, ਇਸ ਲਈ ਇਹ ਇੱਕ ਇਕੱਲੀ ਕਾਲ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਟੋਕਨ ਦੀ ਲਾਗਤ ਕਰਦਾ ਹੈ ਅਤੇ ਦੇਰੀ ਵਧਾਉਂਦਾ ਹੈ। ਅਤੇ ਇਹ ਕੁਝ ਤੋਂ ਗਿਆਨ ਨਹੀਂ ਬਣਾਉਂਦਾ:
Argumentree.AI ਐਂਸੇਮਬਲ ਦੀ ਮਜ਼ਬੂਤੀ ਦੇ ਫਾਇਦੇ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਬਿਨਾਂ ਤਰਕ ਨੂੰ ਔਸਤ ਲੈਣ ਦੇ.
ਕਈ ਮਾਡਲ ਸੁਤੰਤਰਤਾ ਨਾਲ ਜਵਾਬ ਦਿੰਦੇ ਹਨ — ਵਿਭਿੰਨਤਾ ਹੀ ਮੁੱਦਾ ਹੈ
ਵਿਅਕਤੀਗਤ ਫਾਇਦੇ/ਨੁਕਸਾਨ ਦੇ ਤਰਕ ਸਬੰਧਿਤ ਰਹਿੰਦੇ ਹਨ, ਔਸਤ ਵਿੱਚ ਨਹੀਂ ਮਿਲਦੇ
ਹਰ ਉਪਲਬਧ ਮਾਡਲ ਹਰ ਹੋਰ ਮਾਡਲ ਦੇ ਤਰਕਾਂ ਨੂੰ ਦਰਜਾ ਦਿੰਦਾ ਹੈ
ਤੁਸੀਂ ਸਹਿਮਤੀ ਨੂੰ ਭਰੋਸੇ ਵਜੋਂ ਅਤੇ ਵੱਖਰੇ ਹੋਣ ਨੂੰ ਸੱਚੇ ਸਵਾਲ ਵਜੋਂ ਦੇਖਦੇ ਹੋ
ਇੱਕ LLM ਐਂਸੇਮਬਲ ਕਈ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਇੱਕ ਐਸਾ ਨਤੀਜਾ ਉਤਪੰਨ ਕੀਤਾ ਜਾ ਸਕੇ ਜੋ ਕਿਸੇ ਵੀ ਇਕ ਮਾਡਲ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਜ਼ਬੂਤ ਹੋਵੇ। ਇਹ ਵਿਚਾਰ ਪਰੰਪਰਾਗਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਂਸੇਮਬਲਿੰਗ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ — ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਵਿੱਚ ਔਸਤ ਲੈਣਾ ਜਾਂ ਵੋਟਿੰਗ ਕਰਨਾ ਵੈਰੀਅੰਸ ਅਤੇ ਵਿਅਕਤੀਗਤ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ — ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਨ੍ਹਾਂ ਦੇ ਜਵਾਬਾਂ ਨੂੰ ਮਿਲਾਉਣ, ਵੋਟਿੰਗ ਕਰਨ ਜਾਂ ਰੂਟਿੰਗ ਕਰਨ ਦੁਆਰਾ।
ਇੱਕ ਇਕੱਲਾ ਮਾਡਲ ਤੁਹਾਨੂੰ ਇੱਕ ਨਜ਼ਰੀਆ ਦਿੰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇੱਕ ਸੈੱਟ ਬਲਾਈਂਡ ਸਪਾਟ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਐਂਸੇਮਬਲ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਪੁੱਛਦਾ ਹੈ — ਅਕਸਰ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਤੇ ਵੱਖ-ਵੱਖ ਆਰਕੀਟੈਕਚਰਾਂ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ — ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸੁਤੰਤਰ ਗਲਤੀਆਂ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਰੱਦ ਹੋ ਜਾਣ। ਜਦੋਂ ਮਾਡਲ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ, ਉਹ ਸਹਿਮਤੀ ਇੱਕ ਭਰੋਸੇ ਦਾ ਸੰਕੇਤ ਹੁੰਦੀ ਹੈ; ਜਦੋਂ ਉਹ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਵਾਸਤਵਿਕ ਅਣਨਿਸ਼ਚਿਤ ਸਵਾਲ ਉੱਥੇ ਲਿਆਉਂਦੇ ਹੋ ਜੋ ਇੱਕ ਮਾਡਲ ਨੇ ਛੁਪਾਇਆ ਹੋਵੇਗਾ।
ਕਲਾਸਿਕ ਸਾਂਖਿਆਕੀ ਐਂਸੇਮਬਲਿੰਗ ਬਿਲਕੁਲ ਇਹੀ ਕਰਦੀ ਹੈ — ਇਹ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਮਿਲੇ-ਜੁਲੇ ਨਤੀਜੇ ਵਿੱਚ ਔਸਤ, ਵੋਟ ਜਾਂ ਹੋਰ ਤਰੀਕੇ ਨਾਲ ਮਿਲਾਉਂਦੀ ਹੈ। ਇਹ ਮਜ਼ਬੂਤੀ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ ਪਰ ਵਿਅਕਤੀਗਤ ਤਰਕ ਨੂੰ ਬਾਹਰ ਸੁੱਟ ਦਿੰਦਾ ਹੈ: ਤੁਹਾਨੂੰ ਇੱਕ ਸਮੂਹਿਤ ਜਵਾਬ ਮਿਲਦਾ ਹੈ ਅਤੇ ਇਹ ਨਹੀਂ ਦੇਖ ਪਾਉਂਦੇ ਕਿ ਕਿਹੜਾ ਮਾਡਲ ਕੀ ਕਿਹਾ ਅਤੇ ਕਿਉਂ। ਇਹ ਵਪਾਰ ਇੱਕ ਇਕੱਲੇ ਲੇਬਲ ਜਾਂ ਸਕੋਰ ਲਈ ਠੀਕ ਹੈ, ਪਰ ਜਦੋਂ ਅਸਹਿਮਤੀ ਖੁਦ ਉਹ ਅੰਕੜਾ ਹੁੰਦੀ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਚਾਹੀਦੀ ਹੈ ਤਾਂ ਇਹ ਸੀਮਿਤ ਹੁੰਦੀ ਹੈ।
ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਮਿਲੇ-ਜੁਲੇ ਜਵਾਬ ਵਿੱਚ ਔਸਤ ਲੈਣ ਦੀ ਬਜਾਏ, Argumentree.AI ਹਰ ਮਾਡਲ ਦੇ ਵਿਅਕਤੀਗਤ ਤਰਕਾਂ ਨੂੰ ਬਚਾਉਂਦੀ ਹੈ ਅਤੇ ਫਿਰ ਹਰ ਉਪਲਬਧ ਮਾਡਲ ਨੂੰ ਹਰ ਹੋਰ ਮਾਡਲ ਦੇ ਤਰਕਾਂ ਦੀ ਦਰਜਾ ਦੇਣ ਦਿੰਦੀ ਹੈ। ਵਿਰੋਧ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਨਾ ਕਿ ਮਸੂਦ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਤੁਸੀਂ ਨਾ ਸਿਰਫ ਇੱਕ ਸਮੂਹਿਤ ਸਕੋਰ ਦੇਖ ਸਕੋ ਬਲਕਿ ਵਾਸਤਵਿਕ ਮੁਕਾਬਲੇ ਦੇ ਦਾਅਵੇ ਅਤੇ ਜਿੱਥੇ ਮਾਡਲ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ।
ਐਂਸੇਮਬਲ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ, ਇਸ ਲਈ ਇਹ ਇੱਕ ਇਕੱਲੀ ਕਾਲ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਟੋਕਨ ਲੈਂਦਾ ਹੈ ਅਤੇ ਦੇਰੀ ਵਧਾਉਂਦਾ ਹੈ — ਇਹ ਜਾਦੂ ਨਹੀਂ ਹੈ ਅਤੇ ਨਾ ਹੀ ਮੁਫਤ ਹੈ। ਇਹ ਉੱਚ-ਦਾਅਵੇ ਵਾਲੇ ਸਵਾਲਾਂ ਲਈ ਫਾਇਦੇਮੰਦ ਹੈ ਜਿੱਥੇ ਇੱਕ ਇਕੱਲੇ ਮਾਡਲ ਦੀ ਭਰੋਸੇਮੰਦ ਗਲਤੀ ਨੂੰ ਪਕੜਨਾ, ਜਾਂ ਜਾਣਨਾ ਕਿ ਇੱਕ ਦਾਅਵਾ ਕਿੰਨਾ ਵਿਵਾਦਿਤ ਹੈ, ਵਾਧੂ ਕੰਪਿਊਟ ਤੋਂ ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਹੈ। ਘੱਟ-ਦਾਅਵੇ ਵਾਲੇ, ਰੁਟੀਨ ਪੁੱਛਗਿੱਛਾਂ ਲਈ ਇੱਕ ਇਕੱਲਾ ਮਾਡਲ ਆਮ ਤੌਰ 'ਤੇ ਸਹੀ ਕਾਲ ਹੁੰਦੀ ਹੈ।
ਅਸਹਿਮਤੀ ਨੂੰ ਔਸਤ ਨਾ ਲੈਣ ਦਿਓ। ਹਰ ਮਾਡਲ ਦੀਆਂ ਦਲੀਲਾਂ ਅਤੇ ਉਹ ਕਿਵੇਂ ਇੱਕ ਦੂਜੇ ਦੀ ਰੇਟਿੰਗ ਕਰਦੇ ਹਨ, ਦੇਖੋ.
ਮੁਫਤ ਸ਼ੁਰੂ ਕਰੋ