هوش مصنوعی
پیش‌چاپی بررسی می‌کند آیا Jev انتخاب نمونه‌های درون‌متنی را بهتر می‌کند
پژوهشگران می‌گویند مدل تصمیم‌محور Jev می‌تواند سودمندی نمونه‌های پیشنهادی را برای هر پرس‌وجو ارزیابی کند و به بازیابی نمونه‌ها برای یادگیری درون‌متنی کمک کند.
در پیش‌چاپی تازه در arXiv، پژوهشگران می‌پرسند آیا Jev می‌تواند بازیابی نمونه‌های نمایشی را برای یادگیری درون‌متنی (ICL) بهبود دهد یا نه. در این روش، انتخاب نمونه‌های مناسب برای ارائه به مدل‌های زبانی بزرگ (LLM) بر عملکرد آن‌ها اثر می‌گذارد و راهبردهای گوناگونی برای یافتن نمونه‌های مفید بررسی شده‌اند.
به‌گفتهٔ پژوهشگران، Jev مدلی تصمیم‌محور است که می‌تواند داوری‌های احتمالاتی تولید کند و سودمندی نمونه‌های پیشنهادی را مستقیماً برای یک پرس‌وجوی مشخص بسنجد. آن‌ها گزارش می‌کنند که این ارزیابی می‌تواند بازیابی نمونه‌ها را بهبود دهد. بااین‌حال، چکیدهٔ در دسترس پیش‌چاپ در میانهٔ توضیح محدودیت‌های به‌کارگیری Jev قطع می‌شود و جزئیات بیشتری دربارهٔ روش یا نتایج ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده