微网站开发技巧百度词条优化

微网站开发技巧,百度词条优化,极简wordpress主题,做充气气模产品一般去哪些网站大语言模型发展到今天#xff0c;人们已经发现了它的很多局限性。研究者们试图通过改进模型来消除它们#xff0c;模型使用者们也设计了很多机制来规避这些局限性的影响。今天一起来读一篇综述论文#xff0c;系统地了解一下LLM的局限性到底有哪些#xff1a; 一、幻觉 首…大语言模型发展到今天人们已经发现了它的很多局限性。研究者们试图通过改进模型来消除它们模型使用者们也设计了很多机制来规避这些局限性的影响。今天一起来读一篇综述论文系统地了解一下LLM的局限性到底有哪些一、幻觉首先在数学上模型幻觉是不可能根除的。从可计算性理论来说总是可以构造一个数据分布让模型无法精确拟合这个分布在一些数据点上出现幻觉另外总有一些无法计算的问题比如图灵停机问题模型在其上必出现幻觉。从信息论的角度来说模型的容量参数量是有限的必然无法在无限的问题空间中做到准确预测。其次训练数据本身也会必然带来各种幻觉问题。比如数据的不完整性、时效性让模型无法存储未知数据数据中存在噪音、虚假信息模型无法判断真伪数据的分布不均skewed让长尾部分的数据不能被模型有效记忆数据的内部冲突让模型的输出对prompt极其敏感prompt的细微差异可能产生完全相反的答案训练数据中benchmark的污染让我们无法精确评估模型的能力。模型的训练/评估方法鼓励模型编造答案而不是承认无知“我不知道”总是不得分而编造答案总有一定猜中的几率。RLHF也有Reward Hacking的问题模型总是倾向于输出看起来流畅有条理、容易得到人类认可的文字这可能会牺牲逻辑性、准确度。这里可以参见另一篇文章的讨论LLM幻觉 - 怎样让LLM更加Truth-Seeking创造性creativity和准确度factuality不可调和的矛盾或者说是Exploration和Exploitation二者的矛盾。要让模型的输出有一定的创造性比如调节temperature等参数输出的分布更广准确性就必然会下降而在某些领域比如文学创作幻觉本身就是创造性的一种体现反之限制输出的确定性也必然导致创造力的降低。我们必须根据应用的领域做灵活调节。二、上下文尽管LLM的名义上下文Context Window在不断增长能被模型有效使用的上下文长度却非常有限。关于这个问题有一个系统性的研究Context Rot。模型无法有效使用整个Context有几方面的原因训练数据在Context中存在左偏Left skewed。大部分训练数据都较短集中在Context左侧致使位于右侧的参数空间无法得到充分的训练。实际使用中有效的Context长度远小于最大Context往往不到最长训练数据的50%。位置编码在长序列的情况下存在饱和saturation的问题。无论是Sin编码还是RoPE编码距离过远的位置编码几乎都接近正交严重丧失区分度。这使得模型难于处理距离较远token的关联性。最近的研究通过NTK-aware和Scaled RoPE来化解这个问题。第三方面是注意力机制本身的问题。当token序列过长时注意力呈现Overload现象类似人类的注意力涣散。Softmax的机制中大量的token会占据注意力的主体一个token要获得足够的注意力它的分数就必须比其他的token大Log(N)倍。N越大就越难以达到这种非常显著的分数差距或者说难以获得高对比度的注意力分布。另外注意力机制中的平方级的运算在长token序列的情况下也给浮点数精度带来考验错误积累和梯度消失的问题都会更加明显。三、推理能力时至今日对于LLM是否真能胜任推理工作仍然没有定论。比如这篇论文苹果论文LLM所谓的推理就是个幻觉[1]就曾引发很多争议。基于likelyhood的训练机制使得LLM本质上就是一个“填空机器”这和基于因果关系、固定规则的推理机制本质是不同的。所以LLM只能捕捉到语言表面的相关性对于复杂的、深层的推理问题往往表现不佳汉诺塔[2]、象棋[3]。LLM在推理上的局限性有三个成因目标错配mismatch。我们训练的目标是最终结果的正确性中间推理步骤不重要甚至是可有可无的。这种激励机制会让模型编造看似合理、连贯的推理过程应该改进一种按步骤反馈step-aware的机制让推理步骤都能接收到奖惩信号。模型往往会把错误的相关性数据correlation引入推理过程而不是按照因果关系去推理。模型往往会陷入贪婪或者说短视的搜索策略不会回溯。虽然推理中也会出现自我纠正的现象Wait…但是这种现象的成因到底是对人类推理过程的模仿还是来自对问题本身的理解在引导推理方面已经有了一些成功的尝试比如长/短推理。作者认为这种推理能力上的局限性是根植于LLM模型结构和训练模式的只有用新的范式才能根除他也提到了HRM等新型架构。文章列举了几种提高模型推理能力的实用手段PAL - Program-Aided Language Models用程序辅助大模型进行符号化的推理比如用python脚本去解决汉诺塔问题。CoVe - Chain-of-Verification用单步验证、自我修正的方式提高推理步骤的可靠性。Neuro-Symbolic Integration把神经网络LLM和符号推理机制结合起来。多模态推理 - 引入其他模态的Grounding扩大推理证据的范围。四、RAGRAG系统已经是AI应用的一种主流模式。RAG系统的效果依赖两方面的因素一是搜索的质量即能不能找到相关的数据二是LLM能不能充分利用Context中的引用数据。Relevance–Coverage Dilemma。Context的空间是有限的所以必须选择和问题相关的资料。如果引用资料很多coverage有一定保障但是可能包含很多无关数据如果注重relevance谨慎选择数据可能会损失coverage所以要有所取舍。放入Context数据的排序也很重要。Context比较长的时候会出现lost-in-the-middle的问题只有开始和结束部分的token会获得比较高的注意力权重。所以数据的不同排序会导致LLM得出不同的结果。记忆污染问题。索引资料库中可能存在污染数据它们和Query强相关从而把其他相关数据排除在外。实验证明只要5个“有毒”文档就能导致RAG程序的表现下降90%。LLM对于Context中的数据和问题是否相关没有很强的判别能力无关数据可能构成distractor影响LLM在问题上的表现一篇无关文档就能让Performance下降30%。在模型的世界知识和引用数据出现冲突时还有一个“该信谁”的问题。要让模型把所有结论基于引用数据需要额外的训练、引导。五、多模态多模态模型的一个主要问题就是文本模态的绝对主导地位视觉模态的数据被强制转换到文本的空间中。文本数据在注意力结构中也存在压倒性的优势论文提到一个例子文本token的注意力是Vision token的157倍。把多种模态融合在一个Latent空间中等于人为创造了一个信息瓶颈一个有损的信道。为了融合text和vision两种不同token一般对Vision token进行分片patchify这种机制破坏了视觉数据的连续性。不同模态数据之间会产生错误的相关性导致跨模态的幻觉、跨模态的数据污染。不同模态之间的参数存在不同的学习速率导致训练时难以对齐。和单文本模型不同增大模型的大小并不能解决问题因为不同模态的Scaling Law也有不同的特点Divergent Scaling Laws。六、BenchmarksBenchmark的首要问题当然是数据污染。不管是有意还是无意Benchmark都已经进入各个模型的训练数据集。对于LLM-as-judge的评估方式也存在一些天然的缺陷self-bias对自身模型的偏向Position bias对不同位置数据的偏向Verbosity bias对较长内容的偏向。Benchmark常常忽略compute efficiency的比较往往模型的算力消耗FLOPs越多时间越长效果越好但是很多benchmark只比较最终结果没有把计算效率纳入考虑。测试结果的稳定性不高采用不同的种子不同的prompt的格式会得到不同的结果模型的版本升级也会影响模型评估的准确性。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】