Új hozzászólás Aktív témák

• #35 ddekany veterán lezso6 #33

  Új Válasz 2025-03-26 14:32:56 #35

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  ddekany

  veterán

  válasz lezso6 #33 üzenetére

  De nem kell egyetlen fajta architektúrával megoldani mindent amúgy. A transform alapú neurális hálós izé nem ideális számolásra, és kész.

  Amúgy én is megkérdeztem fentit a Gemini 2.5 Pro-tól, csak engedélyeztem neki a Code execution-t (alapból le van kapcsolva a AI Studio-ban). Úgy már meg se próbálta fejben, azonnal nyúlt a számológépért (Python), és jó eredményt adott.

• #32 emvy félisten lezso6 #31

  Új Válasz 2025-03-26 13:58:17 #32

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  emvy

  félisten

  válasz lezso6 #31 üzenetére

  Ez tok jo pelda egyebkent, mert ugye erre az ember sem kepes fejben. de ha azt irod, hogy write and execute a code that does this calculation, akkor kijon a jo megoldas -- szoval varialni kell vele

• #30 emvy félisten lezso6 #29

  Új Válasz 2025-03-26 13:22:53 #30

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  emvy

  félisten

  válasz lezso6 #29 üzenetére

  

  Adj még pár példát.

• #10 ddekany veterán lezso6 #6

  Új Válasz 2025-03-25 09:06:38 #10

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  ddekany

  veterán

  válasz lezso6 #6 üzenetére

  "Ez mondjuk nagyon szépen megágyaz az ostobaság szingularitásnak."
  
  Lehet belefutni ebbe, de nem hülyék foglalkoznak ezzel. Nem ellentmondásos, hogy egy modell saját megát fejlessze. Van erre számos trükk, ami kb. arra tematikára épül, hogy rejtvényeket kitalálni könnyebb, mint megoldani őket. Meg persze azzal is lehet trükközni, hogy ha rengeteg test time compute-ot áldozol rá, akkor lehet jobb minőségű válaszokat csinálni, de aztán betanításkor elvárod, hogy kevesebből érjen el ugyan oda.

  Csak egy példa. Hallucinálás ellen van az a betanítási módszer, hogy fognak megbízható forrásból származó valami leírást, és kiadják az AI-nak, hogy generáljon belőle kérdés-válasz párokat. Ezt egy mai LLM már nagyon megbízhatóan meg tudja tenni. Utána üres kontextussal (nincs odatéve neki a forrás) felteszik ezeket a kérdéseket - ez egy nehéz feladat. Utána egy ugyancsak AI-al kiértékelik a válaszok helyességét - megint egy könnyű feladat. Ebből kinyerik, hogy melyik kérdésekre válaszol össze-vissza hibásan, mert ott akkor hallucinál. Ez alapján generálnak egy új betanító anyagot, ahol a helyesként elfogadott (jutalmazott) válasz ezekre a kérdésekre az, hogy "nem tudom a választ". Lényegében betanítják annak a felismerésére, hogy mikor nem tud valamit. És végig ugyan azt az AI modelt használtad.

• #4 ddekany veterán lezso6 #2

  Új Válasz 2025-03-25 08:28:14 #4

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  ddekany

  veterán

  válasz lezso6 #2 üzenetére

  "Pl fizikailag nincs elég adat hozzá."

  A meglévő rengeteg anyagból kell jobban kinyerni és begyakorolni az értékes szabályokat. Egy mostani LLM sokkal de sokkal de sokkal butább annál, mint ami a beletömött irdatlan mennyiségű könyvből "megtanulhatott" volna. Ezért nem is meglepő, hogy már rég elment abba az irányba a fejlesztés, hogy AI-al generált anyagból megy a betanítás.

Új hozzászólás Aktív témák