Quration AIQ

basics

Isa sa dahilan kung bakit mas parang normal na kausap ang ChatGPT kumpara sa mga chatbot noon: pagkatapos ng pre-training sa internet text, dumaan pa ito sa fine-tuning para maging aligned sa mga sagot na mas gusto ng tao.

Ano tawag sa human-feedback training step na ito?

RLHF (Reinforcement Learning from Human Feedback)
Gumagamit ang RLHF ng human preference ratings bilang reward signal para i-refine ang model. Ang pre-training ang bumubuo sa alam nito; ang alignment ang humuhubog sa paraan ng pagsasalita nito.
▶ Quration AIQ

basics

Ano tawag sa limitasyong ito?Ginawa ng aling kumpanya ang Llama, ang flagship ng mga 'open-weight' models na ito?Ano tawag sa mga model na kaya humawak ng iba't ibang forms ng input at output?Ano ba talaga ang ginagawa ng mga 'reasoning models' na ito sa pause?Ano tawag sa approach na ito?Ano ito?Ano ang isa sa mga main response ng industriya?Ano tawag sa empirical rule na ito — ang justification para sa billion-dollar bets?Ano ang acronym para sa goal na lampas sa task-specific AI — machine intelligence na kagaya ng general intelligence ng tao?Ano tawag sa mga ito?Ano ang umbrella term?Ano tawag sa mga pirasong ito?

Quration — Quration AIQ