


Es ist verboten, groß angelegte Sprachmodelle zufällig zu erstellen, und mit etwas externem Wissen ist die Argumentation sehr zuverlässig.
Groß angelegte Sprachmodelle (LLM) haben durch kontextbezogenes Lernen eine hervorragende Leistung bei einer Vielzahl komplexer Aufgaben gezeigt, ohne dass eine Schulung oder Feinabstimmung für bestimmte Aufgaben erforderlich ist. Die jüngsten Fortschritte bei Eingabeaufforderungen und Dekodierung ermöglichen es LLM auch, komplexe Argumente zu lösen Mission wurde Wirklichkeit.
Allerdings kann LLM veraltetes, unvollständiges oder falsches Wissen speichern. Für den erfolgreichen Einsatz von LLM in realen Anwendungen sind externe Wissensquellen (wie Wikipedia) von entscheidender Bedeutung. Frühere Versuche wurden unternommen, Wissen auf kleinere Sprachmodelle (LMs) wie T5, BERT und RoBERTa anzuwenden, aber diese Methoden erfordern oft zusätzliche Schulung oder Feinabstimmung, sind kostspielig und für LLMs völlig unpraktisch.
Auf dieser Grundlage schlugen Forscher der University of Rochester, des Tencent AI Lab und der University of Pennsylvania gemeinsam eine Nachbearbeitungsmethode namens Rethinking with Retrieval (RR) vor, um externes Wissen im LLM zu nutzen.
Papieradresse: https://arxiv.org/pdf/2301.00303v1.pdf
Die Idee dieser Forschung besteht darin, zunächst die Gedankenkette zu nutzen (CoT) Die Aufforderungsmethode generiert eine Reihe verschiedener Argumentationspfade, ähnlich der Methode von Wang et al. (2022). Anschließend nutzt die Studie jeden Inferenzschritt in diesen Pfaden, um relevantes externes Wissen abzurufen, sodass die RR-Methode plausiblere Erklärungen und genauere Vorhersagen liefern kann.
Diese Studie verwendet GPT-3 175B und mehrere gängige externe Wissensquellen (Wikipedia, Wikidata, WordNet und Conceptnet), um die Wirksamkeit der RR-Methode bei drei komplexen Argumentationsaufgaben zu bewerten, darunter vernünftiges Denken, zeitbasiertes Denken und tabellarisches Denken. Experimentelle Ergebnisse zeigen, dass RR andere Methoden bei diesen drei Aufgaben ohne zusätzliches Training oder Feinabstimmung durchweg übertrifft, was darauf hindeutet, dass die RR-Methode große Vorteile bei der Nutzung externen Wissens zur Verbesserung der LLM-Leistung bietet.
Umdenken mit Retrieval
Obwohl LLMs in der Praxis die zur Beantwortung der Frage erforderlichen Elemente genau erfassen, erzeugen diese Modelle manchmal falsche Ergebnisse. Dieses Phänomen zeigt, dass es einige Probleme bei der Art und Weise gibt, wie LLM Wissen speichert und abruft, darunter:
- Das Vorhandensein veralteter, falscher oder fehlender relevanter Kenntnisse im Vorschulungskorpus;
- Es gibt Probleme mit dem Speicherung von relevantem Wissen während des Vortrainings Fehler;
- Falscher Abruf von relevantem Wissen während der Argumentationsphase. Die allgemeine Idee der
RR-Methode ist wie folgt: Bei einer gegebenen Eingabefrage Q verwendet die RR-Methode zunächst eine Kette von Eingabeaufforderungen, um einen Satz verschiedener Argumentationspfade R_1, R_2, ... zu generieren. , R_N, wobei jeder Inferenzpfad R_i aus einer Erklärung E_i und der folgenden Vorhersage P_i besteht. Dann wird relevantes Wissen K_1,...,K_M aus der entsprechenden Wissensdatenbank KB abgerufen, um die Erklärung in jedem Inferenzpfad zu unterstützen und die konsistenteste Vorhersagen dieses Wissens .
Chain of Thought (CoT)-Aufforderung. CoT-Prompting unterscheidet sich erheblich vom Standard-Prompting und umfasst Schritt-für-Schritt-Darstellungen von Argumentationsbeispielen im Prompt, um eine Reihe kurzer Sätze zu generieren, die den Argumentationsprozess erfassen. Bei der Eingabefrage: „Hat Aristoteles einen Laptop benutzt? Der erste Laptop wurde 1980 erfunden. Aristoteles benutzte also keinen Laptop. Die Antwort lautet also nein.
Sampling verschiedener Inferenzpfade. Ähnlich wie bei Wang et al. (2022) wurde in dieser Studie ein anderer Satz von Inferenzpfaden R_1, R_2, ..., R_N untersucht, anstatt nur den optimalen proportionalen Pfad (Gieriger Pfad) zu berücksichtigen. . Bezüglich der Frage „Hat Aristoteles einen Laptop benutzt?“ ist der mögliche Argumentationspfad wie folgt:
(R_1) Aristoteles starb im Jahr 2000. Der erste Laptop wurde 1980 erfunden. Also benutzte Aristoteles einen Laptop. Die Antwort auf diese Frage lautet also Ja.
(R_2) Aristoteles starb 322 v. Chr. Der erste Laptop wurde im Jahr 2000 erfunden. Daher benutzte Aristoteles keinen Laptop. Die Antwort lautet also nein.
Wissensabruf. Zur Bearbeitung unterschiedlicher Aufgaben können unterschiedliche Wissensdatenbanken genutzt werden. Um beispielsweise die Frage „Hat Aristoteles einen Laptop benutzt?“ zu beantworten, können wir Wikipedia als externe Wissensdatenbank verwenden. Informationsabruftechniken können verwendet werden, um relevantes Wissen K_1,...K_M aus Wikipedia basierend auf zerlegten Argumentationsschritten abzurufen. Idealerweise würden wir zu dieser Frage die folgenden zwei Passagen aus Wikipedia erhalten:
(K_1) Aristoteles (384 v. Chr. bis 322 Jahre v. Chr.) war ein griechischer Philosoph und gelehrter Meister in der klassischen Zeit des antiken Griechenland
(K_2) Der erste Laptop, der Epson HX-20, wurde 1980 erfunden...# 🎜🎜##🎜🎜 #
Treue Argumentation. Wir können die Konfidenz jedes Inferenzpfads R_i mithilfe der Funktion f_KB(R_i) schätzen, die auf dem relevanten Wissen K_1, ..., K_M basiert, das aus der Wissensbasis KB abgerufen wird. Die endgültige Vorhersage kann durch Anwendung des folgenden Inferenzprozesses erhalten werden:In diesem Abschnitt stellt die Studie die Bewertung von RR für drei komplexe Argumentationsaufgaben vor: vernünftiges Denken, zeitliches Denken und tabellarisches Denken.
Versuchsaufbau. In allen Experimenten verwendet diese Studie GPT-3 text-davinci-002, sofern nicht anders angegeben. Die maximale Anzahl der während des Abschlusses des Experiments generierten Token wurde auf 256, Null-Schuss-, Wenig-Schuss- und Gedankenkettenaufforderungen festgelegt, und der Temperaturparameter (Temperatur) wurde auf 0 festgelegt.
Ergebnisse. Wie in Tabelle 1 gezeigt, übertrifft unsere vorgeschlagene Methode RR durchweg alle Basislinien bei allen drei Inferenzaufgaben ohne zusätzliches Training oder Feinabstimmung. Diese Ergebnisse unterstreichen die Wirksamkeit von RR bei der Nutzung externen Wissens zur Verbesserung der LLM-Leistung.
Diese Studie demonstriert die Methode mit CoT-Prompt auf der StrategyQA-Datensatzanalyse GPT-3. Nach sorgfältiger Prüfung der Ausgabe von GPT-3 stellte die Studie fest, dass RR für viele Probleme vernünftige Erklärungen und korrekte Vorhersagen liefern kann. Auf die Frage „Wird Albany, Georgia vor Albany, New York 100.000 Einwohner erreichen?“ wurde beispielsweise die folgende Ausgabe ausgegeben:
Insgesamt sind die ausgegebenen Antworten auf Fragen von hoher Qualität. Die Studie stellte jedoch auch fest, dass GPT-3 gelegentlich falsche sachliche Belege für seine Interpretationen liefert oder falsche Begründungen für seine Vorhersagen liefert, obwohl es im Allgemeinen in der Lage ist, angemessene Standpunkte zu identifizieren.
Das obige ist der detaillierte Inhalt vonEs ist verboten, groß angelegte Sprachmodelle zufällig zu erstellen, und mit etwas externem Wissen ist die Argumentation sehr zuverlässig.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Stellen Sie sich ein Modell der künstlichen Intelligenz vor, das nicht nur die Fähigkeit besitzt, die traditionelle Datenverarbeitung zu übertreffen, sondern auch eine effizientere Leistung zu geringeren Kosten erzielt. Dies ist keine Science-Fiction, DeepSeek-V2[1], das weltweit leistungsstärkste Open-Source-MoE-Modell, ist da. DeepSeek-V2 ist ein leistungsstarkes MoE-Sprachmodell (Mix of Experts) mit den Merkmalen eines wirtschaftlichen Trainings und einer effizienten Inferenz. Es besteht aus 236B Parametern, von denen 21B zur Aktivierung jedes Markers verwendet werden. Im Vergleich zu DeepSeek67B bietet DeepSeek-V2 eine stärkere Leistung, spart gleichzeitig 42,5 % der Trainingskosten, reduziert den KV-Cache um 93,3 % und erhöht den maximalen Generierungsdurchsatz auf das 5,76-fache. DeepSeek ist ein Unternehmen, das sich mit allgemeiner künstlicher Intelligenz beschäftigt

Anfang dieses Monats schlugen Forscher des MIT und anderer Institutionen eine vielversprechende Alternative zu MLP vor – KAN. KAN übertrifft MLP in Bezug auf Genauigkeit und Interpretierbarkeit. Und es kann MLP, das mit einer größeren Anzahl von Parametern ausgeführt wird, mit einer sehr kleinen Anzahl von Parametern übertreffen. Beispielsweise gaben die Autoren an, dass sie KAN nutzten, um die Ergebnisse von DeepMind mit einem kleineren Netzwerk und einem höheren Automatisierungsgrad zu reproduzieren. Konkret verfügt DeepMinds MLP über etwa 300.000 Parameter, während KAN nur etwa 200 Parameter hat. KAN hat eine starke mathematische Grundlage wie MLP und basiert auf dem universellen Approximationssatz, während KAN auf dem Kolmogorov-Arnold-Darstellungssatz basiert. Wie in der folgenden Abbildung gezeigt, hat KAN

Boston Dynamics Atlas tritt offiziell in die Ära der Elektroroboter ein! Gestern hat sich der hydraulische Atlas einfach „unter Tränen“ von der Bühne der Geschichte zurückgezogen. Heute gab Boston Dynamics bekannt, dass der elektrische Atlas im Einsatz ist. Es scheint, dass Boston Dynamics im Bereich kommerzieller humanoider Roboter entschlossen ist, mit Tesla zu konkurrieren. Nach der Veröffentlichung des neuen Videos wurde es innerhalb von nur zehn Stunden bereits von mehr als einer Million Menschen angesehen. Die alten Leute gehen und neue Rollen entstehen. Das ist eine historische Notwendigkeit. Es besteht kein Zweifel, dass dieses Jahr das explosive Jahr der humanoiden Roboter ist. Netizens kommentierten: Die Weiterentwicklung der Roboter hat dazu geführt, dass die diesjährige Eröffnungsfeier wie Menschen aussieht, und der Freiheitsgrad ist weitaus größer als der von Menschen. Aber ist das wirklich kein Horrorfilm? Zu Beginn des Videos liegt Atlas ruhig auf dem Boden, scheinbar auf dem Rücken. Was folgt, ist atemberaubend

Die von Google geförderte Leistung von JAX hat in jüngsten Benchmark-Tests die von Pytorch und TensorFlow übertroffen und belegt bei 7 Indikatoren den ersten Platz. Und der Test wurde nicht auf der TPU mit der besten JAX-Leistung durchgeführt. Obwohl unter Entwicklern Pytorch immer noch beliebter ist als Tensorflow. Aber in Zukunft werden möglicherweise mehr große Modelle auf Basis der JAX-Plattform trainiert und ausgeführt. Modelle Kürzlich hat das Keras-Team drei Backends (TensorFlow, JAX, PyTorch) mit der nativen PyTorch-Implementierung und Keras2 mit TensorFlow verglichen. Zunächst wählen sie eine Reihe von Mainstream-Inhalten aus

KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.

Die Zielerkennung ist ein relativ ausgereiftes Problem in autonomen Fahrsystemen, wobei die Fußgängererkennung einer der ersten Algorithmen ist, die eingesetzt werden. In den meisten Arbeiten wurde eine sehr umfassende Recherche durchgeführt. Die Entfernungswahrnehmung mithilfe von Fischaugenkameras für die Rundumsicht ist jedoch relativ wenig untersucht. Aufgrund der großen radialen Verzerrung ist es schwierig, die standardmäßige Bounding-Box-Darstellung in Fischaugenkameras zu implementieren. Um die obige Beschreibung zu vereinfachen, untersuchen wir erweiterte Begrenzungsrahmen-, Ellipsen- und allgemeine Polygondesigns in Polar-/Winkeldarstellungen und definieren eine mIOU-Metrik für die Instanzsegmentierung, um diese Darstellungen zu analysieren. Das vorgeschlagene Modell „fisheyeDetNet“ mit polygonaler Form übertrifft andere Modelle und erreicht gleichzeitig 49,5 % mAP auf dem Valeo-Fisheye-Kameradatensatz für autonomes Fahren

Das neueste Video von Teslas Roboter Optimus ist veröffentlicht und er kann bereits in der Fabrik arbeiten. Bei normaler Geschwindigkeit sortiert es Batterien (Teslas 4680-Batterien) so: Der Beamte hat auch veröffentlicht, wie es bei 20-facher Geschwindigkeit aussieht – auf einer kleinen „Workstation“, pflücken und pflücken und pflücken: Dieses Mal wird es freigegeben. Eines der Highlights Der Vorteil des Videos besteht darin, dass Optimus diese Arbeit in der Fabrik völlig autonom und ohne menschliches Eingreifen während des gesamten Prozesses erledigt. Und aus Sicht von Optimus kann es auch die krumme Batterie aufnehmen und platzieren, wobei der Schwerpunkt auf der automatischen Fehlerkorrektur liegt: In Bezug auf die Hand von Optimus gab der NVIDIA-Wissenschaftler Jim Fan eine hohe Bewertung ab: Die Hand von Optimus ist der fünffingrige Roboter der Welt am geschicktesten. Seine Hände sind nicht nur taktil

In diesem Artikel wird das Problem der genauen Erkennung von Objekten aus verschiedenen Blickwinkeln (z. B. Perspektive und Vogelperspektive) beim autonomen Fahren untersucht, insbesondere wie die Transformation von Merkmalen aus der Perspektive (PV) in den Raum aus der Vogelperspektive (BEV) effektiv ist implementiert über das Modul Visual Transformation (VT). Bestehende Methoden lassen sich grob in zwei Strategien unterteilen: 2D-zu-3D- und 3D-zu-2D-Konvertierung. 2D-zu-3D-Methoden verbessern dichte 2D-Merkmale durch die Vorhersage von Tiefenwahrscheinlichkeiten, aber die inhärente Unsicherheit von Tiefenvorhersagen, insbesondere in entfernten Regionen, kann zu Ungenauigkeiten führen. Während 3D-zu-2D-Methoden normalerweise 3D-Abfragen verwenden, um 2D-Features abzutasten und die Aufmerksamkeitsgewichte der Korrespondenz zwischen 3D- und 2D-Features über einen Transformer zu lernen, erhöht sich die Rechen- und Bereitstellungszeit.
