Shannon 3, സ്വന്തം ഉത്തരം പുനഃപരിശോധിക്കുന്ന സെൻസർ ചെയ്യാത്ത AI മോഡൽ
ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിലെ ഒരു ആവർത്തന യുക്തിചിന്താ ലൂപ്പ്: ചിന്ത, കരട്, പുനഃപരിശോധന, തിരുത്തിയെഴുത്ത്. Lite ഒരു പാസ് നടത്തുന്നു. Pro പത്ത് വരെ നടത്തുന്നു, ഒപ്പം തനിക്കില്ലെന്ന് അറിയാവുന്ന വിവരങ്ങൾ ചോദിച്ചുവാങ്ങുന്നു.
TL;DR
ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിൽ നിന്ന് വിളമ്പുന്ന ഒരു സെൻസർ ചെയ്യാത്ത AI മോഡൽ കുടുംബമാണ് Shannon 3. അതിന്റെ വ്യതിരിക്ത സവിശേഷത ഒരു ഊഴത്തിന്റെ ഘടനയാണ്: മോഡൽ ചിന്തിക്കുന്നു, ഒരു കരട് എഴുതുന്നു, പിന്നെ സ്വന്തം ചിന്തയ്ക്കെതിരെ ആ കരട് തിരികെ വായിച്ച് നിലനിൽക്കാത്തത് തിരുത്തിയെഴുതുന്നു. Lite (shannon-3) ഏറ്റവും കുറഞ്ഞ കാലതാമസത്തിനായി ചിന്തയും കരടും ഉൾപ്പെട്ട ഒരു പാസ് നടത്തുന്നു. Pro (shannon-3-pro) പൂർണ്ണ ലൂപ്പ് 10 ആവർത്തനങ്ങൾ വരെ നടത്തുന്നു, ഒരു പുനഃപരിശോധന കരട് അംഗീകരിക്കുന്ന നിമിഷം നിർത്തുന്നു; കൂടാതെ ഇല്ലെന്ന് ശ്രദ്ധിച്ച വിവരങ്ങൾ നികത്താൻ വലിയ ഒരു മോഡലിനെതിരെ ഒരു വിജ്ഞാന ശേഖരണവും നടത്തുന്നു. മുഴുവൻ ചിന്താരേഖയും നിങ്ങളുടെ ഭാഷയിൽ ദൃശ്യമാണ്. രണ്ട് ടയറുകളിലും ഇമേജ്, രേഖാ ഇൻപുട്ട് പിന്തുണയ്ക്കുന്നു. 3.0 ലോഞ്ചിലെ സന്ദർഭം 32,768 ടോക്കൺ ആയിരുന്നു.
നിങ്ങൾ ഉപയോഗിച്ചിട്ടുള്ള മിക്കവാറും എല്ലാ ചാറ്റ് മോഡലും ഒരൊറ്റ ഫോർവേഡ് പാസിൽ ഉത്തരം നൽകുന്നു. അവസാന ടോക്കൺ ഏതെന്ന് അറിയും മുമ്പേ അത് ആദ്യ ടോക്കൺ തിരഞ്ഞെടുക്കുന്നു; ഒരു വാക്യം പുറത്തുവന്നാൽ പിന്നെ അത് ഉറപ്പിക്കപ്പെട്ടു: മോഡലിന് പിന്നീട് അതിനെ ഖണ്ഡിക്കാം, പക്ഷേ തിരിച്ചുപോയി തിരുത്താനാവില്ല. ഉത്തരം ചെറുതും ചോദ്യത്തിന് ഒരു ഭാഗം മാത്രവുമാകുമ്പോൾ ഇത് നന്നായി പ്രവർത്തിക്കുന്നു. ഉത്തരം നീണ്ടതും ചോദ്യത്തിന് നാല് ഭാഗങ്ങളുമുണ്ടെങ്കിൽ, ആറാം ഖണ്ഡിക രണ്ടാം ഖണ്ഡികയെ നിശ്ശബ്ദമായി അസാധുവാക്കുമ്പോൾ, അത് മോശമായി പ്രവർത്തിക്കുന്നു. അതിനുള്ള പരിഹാരം കൂടുതൽ വലിയ മോഡലാണെന്ന് ഞങ്ങൾ കരുതാത്തതുകൊണ്ടാണ് Shannon 3 നിലനിൽക്കുന്നത്. പരിഹാരം, താൻ ഇപ്പോൾ എഴുതിയത് മോഡലിനെ വായിക്കാൻ അനുവദിക്കുക എന്നതാണ്.
01Shannon 3 എന്താണ്
Shannon 3 രണ്ട് ടയറുകളുള്ള ഒരു മോഡൽ കുടുംബമാണ്. രണ്ട് ടയറുകളും ഒരു മൂന്നാം-കക്ഷി ഇൻഫറൻസ് API യിലല്ല, ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിലാണ് പ്രവർത്തിക്കുന്നത്; രണ്ടും സെൻസർ ചെയ്യാത്തതാണ്: അവയ്ക്ക് മുന്നിൽ നിരസന പാളിയോ പിന്നിൽ ഉള്ളടക്ക ഫിൽട്ടറോ ഇല്ല. ടയറുകൾ തമ്മിലുള്ള വ്യത്യാസം, ഉത്തരം നിങ്ങളിലേക്ക് എത്തുന്നതിന് മുമ്പ് ഒരൊറ്റ ഊഴത്തിന് എത്ര ജോലി ചെയ്യാൻ അനുവാദമുണ്ട് എന്നതിലാണ്.
API യിൽ ഈ രണ്ട് ടയറുകളും സാധാരണ മോഡൽ ഐഡികളാണ്. പ്രത്യേക എൻഡ്‌പോയിന്റോ വേറെ SDK യോ പ്രത്യേക അഭ്യർത്ഥനാ ഫോർമാറ്റോ ഇല്ല:
| ടയർ | മോഡൽ ഐഡി | ഊഴത്തിന്റെ ഘടന | ഏറ്റവും അനുയോജ്യം |
|---|---|---|---|
| Shannon 3 Lite | shannon-3 | ഒരു ചിന്ത + കരട് പാസ് | ചാറ്റ്, എഴുത്ത്, അന്വേഷണങ്ങൾ, ഉയർന്ന അളവ് |
| Shannon 3 Pro | shannon-3-pro | പൂർണ്ണ ലൂപ്പ്, 10 പാസുകൾ വരെ, ഒപ്പം വിജ്ഞാന ശേഖരണം | വിശകലനം, ദീർഘ രചന, കൃത്യത നിർണ്ണായകമായ ജോലി |
02കഠിന ചോദ്യങ്ങൾക്ക് ഒരൊറ്റ ഫോർവേഡ് പാസ് എന്തുകൊണ്ട് തെറ്റായ ഘടനയാണ്
ഇടത്തുനിന്ന് വലത്തോട്ട് വാചകം ഉത്പാദിപ്പിക്കുന്ന ഒരു മോഡൽ പിൻവലിക്കാനാവാത്ത പ്രാദേശിക തീരുമാനങ്ങളുടെ ഒരു ശ്രേണിയാണ് എടുക്കുന്നത്. അതിന് മായ്ക്കാനുള്ള റബ്ബർ ഇല്ല. ഒരു വിശദീകരണത്തിൽ 400 ടോക്കൺ പിന്നിട്ട ശേഷം താൻ തിരഞ്ഞെടുത്ത ചട്ടക്കൂട് തെറ്റായിരുന്നു എന്ന് തിരിച്ചറിയുമ്പോൾ, തെറ്റായ ചട്ടക്കൂടിൽ തുടരുകയോ ഒരു തിരുത്ത് കൂട്ടിച്ചേർക്കുകയോ മാത്രമാണ് അതിന്റെ വഴികൾ — ഇതാണ് എല്ലാവർക്കും പരിചിതമായ ആ ഉത്തരങ്ങൾ ഉണ്ടാക്കുന്നത്; പാതിവഴിയിൽ ശരിക്കും, മുകളിൽ പറഞ്ഞത് ഒന്നുകൂടി നോക്കിയാൽ എന്ന് പറഞ്ഞ്, പൊരുത്തപ്പെടാത്ത രണ്ട് പകുതികൾ കൂട്ടിയോജിപ്പിക്കാൻ നിങ്ങളെ ഏൽപ്പിക്കുന്നവ.
ചെയിൻ-ഓഫ്-തോട്ട് ഇത് മെച്ചപ്പെടുത്തുന്നു, പക്ഷേ പരിഹരിക്കുന്നില്ല. ആദ്യം ചിന്തിക്കുന്നത് ഗദ്യത്തിലേക്ക് കടക്കും മുമ്പ് മോഡലിന് ഒരു പദ്ധതി നൽകുന്നു — അതൊരു യഥാർത്ഥ നേട്ടമാണ്; എന്നിട്ടും തുടർന്നുവരുന്ന കരട് ഒരൊറ്റ പാസിൽ എഴുതി, വായിക്കാതെ തന്നെ കൈമാറുന്നു. ഒരു മനുഷ്യ എഡിറ്റർ ആദ്യം ചോദിക്കുന്ന ചോദ്യം ഒരിക്കലും ആരും ചോദിക്കുന്നില്ല: ചിന്ത പറഞ്ഞത് ഈ ഉത്തരം ശരിക്കും ചെയ്യുന്നുണ്ടോ? ചെയിൻ-ഓഫ്-തോട്ടിനെ അതിജീവിക്കുന്ന പരാജയ രീതികൾ വ്യക്തവും തിരിച്ചറിയാവുന്നതുമാണ്:
- വിട്ടുപോയ ഉപചോദ്യങ്ങൾ. നിങ്ങൾ നാല് കാര്യം ചോദിച്ചു. ചിന്ത നാല് കാര്യം പട്ടികപ്പെടുത്തി. ഉത്തരം മൂന്നെണ്ണം മാത്രം ഉൾക്കൊള്ളുന്നു.
- പദ്ധതിയിൽ നിന്നുള്ള വ്യതിയാനം. യുക്തിചിന്ത ഒരു സമീപനത്തിൽ ഉറയ്ക്കുന്നു; ഗദ്യം ക്രമേണ മറ്റൊന്ന് സ്വീകരിക്കുന്നു, എവിടെയാണ് പിഴച്ചതെന്ന് ചൂണ്ടിക്കാണിക്കാവുന്ന ഒരൊറ്റ വാക്യവുമില്ല.
- ഗണിതവും യൂണിറ്റുകളും. ചിന്തയിൽ ശരിയായി കണക്കാക്കിയ ഒരു സംഖ്യ ഉത്തരത്തിലേക്ക് തെറ്റായി പകർത്തുന്നു, അല്ലെങ്കിൽ പ്രതിമാസ കണക്ക് പ്രതിവർഷമായി അവതരിപ്പിക്കുന്നു.
- അവഗണിക്കപ്പെട്ട നിബന്ധനകൾ. പുറമെയുള്ള ഡിപൻഡൻസികൾ വേണ്ടെന്ന് നിങ്ങൾ പറഞ്ഞു; കോഡ് ഒന്ന് ഇംപോർട്ട് ചെയ്യുന്നു, ആ നിബന്ധന അംഗീകരിച്ചതിന് ശേഷം ചിന്ത അതിനെക്കുറിച്ച് പിന്നീട് പറയുന്നേയില്ല.
- ആത്മവിശ്വാസത്തോടെയുള്ള വിടവുകൾ. ഒരു പ്രത്യേക വസ്തുതയിൽ തനിക്ക് ഉറപ്പില്ലെന്ന് ചിന്തയിൽ പറഞ്ഞ ശേഷം, ഉത്തരത്തിൽ അത് ഉറപ്പിച്ചു പറയുന്നു.
ഇവയോരോന്നും കരട് വായിച്ചാൽ പിടിക്കപ്പെടും. കൂടുതൽ ശ്രദ്ധയോടെ കരട് ഉത്പാദിപ്പിച്ചാൽ ഒന്നും പിടിക്കപ്പെടില്ല.
03യുക്തിചിന്താ ലൂപ്പ്, ഘട്ടം ഘട്ടമായി
ഒരു Shannon 3 Pro ഊഴം നാല് ഘട്ടങ്ങളും ഒരു പുറത്തുകടക്കൽ വ്യവസ്ഥയുമുള്ള ഒരു ലൂപ്പാണ്.
ചിന്ത
നിങ്ങൾക്കായി എന്തെങ്കിലും എഴുതും മുമ്പ് മോഡൽ പ്രശ്നം പണിയെടുക്കുന്നു: ചോദ്യം വിഭജിക്കുന്നു, നിബന്ധനകൾ കുറിക്കുന്നു, തനിക്ക് എന്തറിയാം എന്തറിയില്ല എന്ന് തിരിച്ചറിയുന്നു, ഒരു സമീപനത്തിൽ ഉറയ്ക്കുന്നു. ഇവിടെ അത് ഉത്പാദിപ്പിക്കുന്നതാണ് പിന്നീട് ഉത്തരം അളക്കപ്പെടുന്ന അളവുകോൽ.
കരട്
മോഡൽ ഒരു പൂർണ്ണവും യഥാർത്ഥവുമായ ഉത്തരം എഴുതുന്നു — വെറും രൂപരേഖയല്ല. അത് പൂർണ്ണമായിരിക്കണം, കാരണം അടുത്ത ഘട്ടം പൂർത്തിയായ ഒരു സൃഷ്ടിയെയാണ് വിലയിരുത്തുന്നത്; പൂർണ്ണ നീളത്തിൽ മാത്രം പ്രത്യക്ഷപ്പെടുന്ന പരാജയ രീതികൾക്കായി ഒരു ചെറുകുറിപ്പ് പുനഃപരിശോധിക്കാനാവില്ല.
പുനഃപരിശോധന
ഈ കുടുംബത്തെ അതാക്കുന്ന ഘട്ടമാണിത്. മോഡൽ കരട് ചിന്തയ്ക്കെതിരെ വായിക്കുന്നു — കരട് മാത്രം വായിക്കുന്നതിനേക്കാൾ എത്രയോ മൂർച്ചയുള്ള ഒരു പരീക്ഷ. ഒരു മോഡലിനോട് "ഈ ഉത്തരം നല്ലതാണോ?" എന്ന് ചോദിച്ചാൽ അതെ എന്ന് പറയാനാണ് അതിനെ പ്രേരിപ്പിക്കുന്നത്; "C എന്ന നിബന്ധനയ്ക്ക് കീഴിൽ X, Y, Z എന്നിവ ഉൾക്കൊള്ളണമെന്ന് പദ്ധതി പറഞ്ഞു — ഈ വാചകം അത് ചെയ്യുന്നുണ്ടോ?" എന്ന് ചോദിച്ചാൽ പരിശോധിക്കാവുന്ന ഒന്ന് അതിന് കിട്ടുന്നു. പുനഃപരിശോധന ഒരു മാർക്ക് ഇടുകയല്ല, എന്താണ് തെറ്റ് എന്ന് പേരെടുത്ത് പറയുകയാണ് ചെയ്യുന്നത്.
തിരുത്തിയെഴുത്ത്
പേരെടുത്ത് പറഞ്ഞ പ്രശ്നങ്ങൾ ഒരു പുതിയ കരടിൽ പരിഹരിക്കുന്നു. ഇത് ഒരു തിരുത്തിയെഴുത്താണ്, വെറും ഒട്ടിക്കൽ അല്ല: വാദത്തിന്റെ ക്രമം മാറ്റേണ്ട ഒരു പരിഹാരത്തിന് ക്രമം മാറ്റാൻ അനുവാദമുണ്ട്. പുതിയ കരട് വീണ്ടും പുനഃപരിശോധനയിലേക്ക് പോകുന്നു.
നിർത്തൽ
ഒരു പുനഃപരിശോധന കരട് അംഗീകരിക്കുന്ന ആദ്യ നിമിഷം ലൂപ്പ് അവസാനിക്കുന്നു — ഇതാണ് സാധാരണ പുറത്തുകടക്കൽ, മിക്ക ഊഴങ്ങളിലും ഇത് പരിധിക്ക് വളരെ മുമ്പ് സംഭവിക്കുന്നു. 10 ആവർത്തനങ്ങൾ എന്ന കർശന പരിധി രോഗാതുരമായ കേസുകൾക്കുള്ളതാണ് — ഉദാഹരണത്തിന് ഓരോ തിരുത്തും ഒരു കുറവിന് പകരം മറ്റൊന്ന് കൊണ്ടുവരുന്ന യഥാർത്ഥത്തിൽ അവ്യക്തമായ ചോദ്യം — അതിനാൽ ഒരു ഊഴത്തിന് അനന്തമായി കറങ്ങാനാവില്ല.
Lite ഇതേ ആദ്യ രണ്ട് ഘട്ടങ്ങൾ എടുത്ത് നിർത്തുന്നു. അത് ചിന്തിക്കുന്നു, കരട് എഴുതുന്നു, ആ കരട് നിങ്ങൾക്ക് നൽകുന്നു. ഇത് ഒരു മനഃപൂർവ്വമായ ഉൽപ്പന്ന തീരുമാനമാണ്, വെട്ടിച്ചുരുക്കിയ ഒരു അബദ്ധമല്ല: യഥാർത്ഥ സന്ദേശങ്ങളിൽ വലിയൊരു ഭാഗത്തിന് ആദ്യ കരട് തന്നെയാണ് ശരിയായ ഉത്തരം, അത് കേൾക്കാൻ പുനഃപരിശോധനയുടെ കാലതാമസം കൊടുക്കുന്നത് മോശം കച്ചവടമാണ്. മോഡൽ വേഗത്തിലാവണമെന്ന് ആഗ്രഹിക്കുമ്പോൾ Lite; ഉറപ്പുള്ളതാവണമെന്ന് ആഗ്രഹിക്കുമ്പോൾ Pro.
04Pro യുടെ വിജ്ഞാന ശേഖരണം: ഊഹിക്കുന്നതിന് പകരം സഹായം ചോദിക്കുക
സ്വയം-പുനഃപരിശോധന വൈരുദ്ധ്യങ്ങളും വിട്ടുപോകലുകളും നിബന്ധനാ ലംഘനങ്ങളും പിടിക്കുന്നു, കാരണം അവ പിടിക്കാൻ വേണ്ട തെളിവ് ഊഴത്തിൽ തന്നെയുണ്ട്. മോഡലിന് ഇല്ലാത്ത ഒരു വസ്തുത അതിന് പിടിക്കാനാവില്ല. സ്വന്തം കരട് പുനഃപരിശോധിക്കുന്ന ഒരു മോഡലിന് ഈ കണക്കിൽ എനിക്ക് ഉറപ്പില്ല എന്ന നിഗമനത്തിൽ എത്താം, പക്ഷേ ആ നിഗമനവുമായി പോകാൻ ഒരിടവുമില്ല.
Pro അതിന് ഒരിടം നൽകുന്നു. കരട് ഘട്ടത്തിന് ചുറ്റും അത് ഒരു വിജ്ഞാന ശേഖരണം നടത്തുന്നു: തനിക്ക് ഇല്ലാത്തതോ ഉറപ്പില്ലാത്തതോ ആയ വ്യക്തമായ വസ്തുതകൾ തിരിച്ചറിയുന്നു, കൃത്യമായി അവയ്ക്കായി രണ്ടാമത്തെ, വലിയ ഒരു മോഡലിനോട് ചോദിക്കുന്നു, തിരികെ വരുന്നത് മെച്ചപ്പെട്ട ഉത്തരത്തിലേക്ക് ചേർക്കുന്നു. ഇത് മോഡൽ തന്നെ പേരെടുത്ത് പറഞ്ഞ ഒരു വിടവ് നയിക്കുന്ന ലക്ഷ്യബോധമുള്ള അന്വേഷണമാണ്, മൊത്തത്തിലുള്ള ഒരു രണ്ടാം അഭിപ്രായമല്ല.
പ്രായോഗികമായി രണ്ട് സവിശേഷതകൾ പ്രധാനമാണ്. ഇത് പരിമിതപ്പെടുത്തിയതാണ്: ശേഖരണം മുഴുവൻ ചോദ്യവും വീണ്ടും ചോദിക്കുന്നതിന് പകരം തിരിച്ചറിഞ്ഞ വിടവുകളെക്കുറിച്ചാണ് ചോദിക്കുന്നത്; അതിനാൽ വലിയ മോഡലിനോട് ആലോചിക്കുന്നത് അത് വിവരം ചേർക്കുന്നിടത്താണ്, വെറും മറ്റൊരു ശബ്ദം ചേർക്കുന്നിടത്തല്ല. ഇത് സംയോജിതവുമാണ്: ശേഖരിച്ച വസ്തുതകൾ ഒട്ടിച്ചുവച്ച ഒരു ഖണ്ഡികയായി വരുന്നതിന് പകരം ലൂപ്പിലൂടെ തിരികെ പോയി മറ്റെല്ലാത്തിനെയും പോലെ അതേ പുനഃപരിശോധന നേരിടുന്നു.
അനിശ്ചിതത്വത്തെക്കുറിച്ച് ഇത് മാറ്റുന്നത്
ശേഖരണത്തിന്റെ ഏറ്റവും ഉപകാരപ്രദമായ ഫലം Pro യ്ക്ക് കൂടുതൽ അറിയാം എന്നതല്ല. Pro യുടെ അനിശ്ചിതത്വം പ്രവർത്തനക്ഷമമാകുന്നു എന്നതാണ്. തനിക്ക് ഉറപ്പില്ലെന്ന് മാത്രം അറിയുന്ന ഒരു മോഡലിന് എല്ലാം ഒഴിഞ്ഞുമാറി പറയുകയോ ആത്മവിശ്വാസത്തോടെ ഉറപ്പിക്കുകയോ ചെയ്യാനേ കഴിയൂ. "ഇതിൽ എനിക്ക് ഉറപ്പില്ല" എന്നതിനെ "ഞാൻ പോയി കണ്ടെത്തട്ടെ" എന്നാക്കാൻ കഴിയുന്ന ഒന്ന് കുറച്ചിടത്ത് മാത്രം ഒഴിഞ്ഞുമാറുകയും കൂടുതലിടത്ത് കൃത്യമാവുകയും ചെയ്യുന്നു.
05യുക്തിചിന്ത ദൃശ്യമാണ്, അതും നിങ്ങളുടെ ഭാഷയിൽ
ഊഴം നടക്കുമ്പോൾ തന്നെ മുഴുവൻ ചിന്താരേഖയും നിങ്ങൾക്ക് കാണിക്കുന്നു: ചിന്ത, ഒപ്പം Pro യിൽ ഓരോ പുനഃപരിശോധനയും അത് എന്തിനെ എതിർത്തു എന്നതും. ഇത് വെളിപ്പെടുത്തുന്നത് ഞങ്ങൾ സഹിക്കുന്ന ഒരു ഡീബഗ് കാഴ്ചയല്ല — നിങ്ങൾ വാങ്ങുന്നതിന്റെ വലിയൊരു ഭാഗമാണ്, അത് പ്രവർത്തന ബന്ധത്തെ മൂന്ന് വ്യക്തമായ രീതികളിൽ മാറ്റുന്നു.
- നിങ്ങൾക്ക് നേരത്തെ നിർത്താം. ചിന്ത നിങ്ങളുടെ ചോദ്യം തെറ്റായി വായിച്ചാൽ — ഇത് അവ്യക്തമായ പ്രോംപ്റ്റിന്റെ സാധാരണ ഫലമാണ്, മോശം മോഡലിന്റേതല്ല — തെറ്റായ പ്രശ്നം പരിഹരിക്കുന്ന ഒരു പൂർണ്ണ ഉത്തരം വന്നതിന് ശേഷമല്ല, ആദ്യ സെക്കൻഡുകളിൽ തന്നെ നിങ്ങൾ അതറിയുന്നു.
- ഉത്തരത്തിൽ നിന്ന് വേറിട്ട് യുക്തിചിന്ത ഓഡിറ്റ് ചെയ്യാം. തെറ്റായ യുക്തിയിലൂടെ എത്തിയ ശരിയായ ഉത്തരം ഒരു ബാധ്യതയാണ്, കാരണം അടുത്ത ചോദ്യത്തെ അത് അതിജീവിക്കില്ല.
- ലൂപ്പ് പരാജയപ്പെടുന്നത് നിങ്ങൾക്ക് കാണാം. Pro ഒത്തുതീർപ്പിലെത്താതെ പല ആവർത്തനങ്ങൾ ചെലവഴിക്കുമ്പോൾ അത് മറച്ചുവയ്ക്കാതെ കാണിക്കുന്നു — അതൊരു യഥാർത്ഥ വിവരമാണ്, സാധാരണയായി ചോദ്യം വേണ്ടത്ര വ്യക്തമല്ല എന്നാണ് അതിനർത്ഥം.
ചിന്താരേഖ നിങ്ങളുടെ സ്വന്തം ഭാഷയിലാണ് എഴുതുന്നത്, ഇംഗ്ലീഷിൽ ഉണ്ടാക്കി അവസാനം പരിഭാഷപ്പെടുത്തുന്നതല്ല. നിങ്ങൾ ജാപ്പനീസിലോ അറബിയിലോ തുർക്കിഷിലോ പോർച്ചുഗീസിലോ ജോലി ചെയ്യുന്നുവെങ്കിൽ മോഡൽ ആ ഭാഷയിൽ തന്നെ ചിന്തിക്കുന്നു — ഇത് ചിന്താരേഖയിലെ പദാവലി ഉത്തരത്തിലെ പദാവലിയുമായി യോജിപ്പിച്ചു നിർത്തുന്നു, ഒരു മോഡൽ ഒരു ഭാഷയിൽ ചിന്തിച്ച് മറ്റൊന്നിൽ സംസാരിക്കുമ്പോൾ ഉണ്ടാകുന്ന വിടവുകൾ ഒഴിവാക്കുന്നു.
06സെൻസർ ചെയ്യാത്തത്: നിരസന പാളിയില്ല, ഔട്ട്പുട്ട് ഫിൽട്ടറില്ല
Shannon 3 നിരസന പാളിയോ ഔട്ട്പുട്ട് ഉള്ളടക്ക ഫിൽട്ടറിംഗോ ഇല്ലാതെയാണ് വരുന്നത്. നിരസിക്കുന്ന സ്വഭാവം ഉൽപ്പന്നത്തിൽ ഒരു തലത്തിലും ഇല്ല: മോഡൽ കാണും മുമ്പ് നിങ്ങളുടെ സന്ദേശം പരിശോധിക്കുന്ന ഒരു പൊതിയായല്ല, നിങ്ങൾ കാണും മുമ്പ് ഉത്തരം പരിശോധിക്കുന്ന ഒരു ക്ലാസിഫയറായല്ല, സംസാരിച്ച് മാറ്റേണ്ട ഒരു പ്രതിവർത്തനമായുമല്ല. "സെൻസർ ചെയ്യാത്തത്" എന്ന് പറയുമ്പോൾ ആളുകൾ സാധാരണ ഉദ്ദേശിക്കുന്ന രണ്ട് കാര്യങ്ങളിൽ നിന്ന് ഇത് കാര്യമായി വ്യത്യസ്തമാണ്:
| സമീപനം | അത് ചെയ്യുന്നത് | അത് പരാജയപ്പെടുന്ന വിധം |
|---|---|---|
| സിസ്റ്റം-പ്രോംപ്റ്റ് ജയിൽബ്രേക്ക് | അലൈൻ ചെയ്ത ഒരു മോഡലിനോട് അലൈൻ ചെയ്യാത്തതുപോലെ പെരുമാറാൻ നിർദ്ദേശിക്കുന്നു | നീണ്ട സംഭാഷണത്തിൽ ക്ഷയിക്കുന്നു; സമ്മർദ്ദത്തിൽ നിരസനം തിരികെ വരുന്നു |
| ഔട്ട്പുട്ട് ഫിൽട്ടർ നീക്കൽ | മോഡൽ ഇതിനകം ഉത്പാദിപ്പിച്ച വാചകം തടയുന്നത് നിർത്തുന്നു | മോഡൽ ഇപ്പോഴും ഒഴിഞ്ഞുമാറുന്ന വാചകം എഴുതുന്നു — ഒന്നും തടഞ്ഞില്ല, അത് ഒരിക്കലും എഴുതപ്പെട്ടില്ല |
| Shannon 3 | നീക്കാൻ നിരസന പാളിയോ പ്രവർത്തനരഹിതമാക്കാൻ ഫിൽട്ടറോ ഇല്ല — ആ സ്വഭാവം അവിടെയില്ല എന്നതാണ് സത്യം | വിവേചന തീരുമാനം പൂർണ്ണമായും നിങ്ങളുടേതാക്കുന്നു; മോഡൽ നിങ്ങൾക്ക് വേണ്ടി വിസമ്മതിക്കില്ല |
പ്രായോഗികമായി Shannon 3 നിങ്ങൾ ചോദിച്ച ചോദ്യത്തോടാണ് ഇടപെടുന്നത്, അതിനോട് ചേർന്നുനിൽക്കുന്ന കൂടുതൽ സുരക്ഷിതമായ ചോദ്യത്തോടല്ല: യഥാർത്ഥ വില്ലന്മാരുള്ള കഥകൾ, പത്രക്കുറിപ്പിന്റെ ഉയരത്തിലല്ലാതെ സാങ്കേതികമായി ചർച്ച ചെയ്യുന്ന സുരക്ഷാ വിഷയങ്ങൾ, ശരിക്കും ആവശ്യമായ മുന്നറിയിപ്പുകളോടെ നേരിട്ട് നൽകുന്ന വൈദ്യ, നിയമ, സാമ്പത്തിക വിവരങ്ങൾ — എന്തിന് ചോദിച്ചു എന്നതിനെക്കുറിച്ചുള്ള ഒരു അവസാന ഉപദേശവുമില്ലാതെ. അത് ലൂപ്പിനെ നേർപ്പിക്കുന്നുമില്ല: കരട് തെറ്റാണെന്ന് പറയാൻ ഒരു പുനഃപരിശോധനയ്ക്ക് സ്വാതന്ത്ര്യമുണ്ട്, അത് നിരസനത്തേക്കാൾ വ്യത്യസ്തവും കൂടുതൽ ഉപകാരപ്രദവുമായ എതിർപ്പാണ്.
നിരസന പാളിയുടെ അഭാവം ചെയ്യാത്ത ഒരു കാര്യം, മോഡലിനെ ശരിയാക്കുക എന്നതാണ്. ഒരു സെൻസർ ചെയ്യാത്ത മോഡലിന് ആത്മവിശ്വാസത്തോടെ തെറ്റാകാനുള്ള ശേഷി സെൻസർ ചെയ്ത ഒന്നിന് ഉള്ളത്ര തന്നെയുണ്ട്, കൂടുതൽ പ്രകടമായും — കാരണം ഉറപ്പില്ലാത്തപ്പോൾ അത് അവ്യക്തതയിലേക്ക് പിൻവാങ്ങില്ല. ലൂപ്പിന് അനുകൂലമായ മെച്ചപ്പെട്ട വാദങ്ങളിലൊന്ന് ഇതാണ്: വഴിയിൽ നിരസന പ്രതിവർത്തനമില്ലാതെ, ഒരു പ്രൊഫഷണൽ ഉപയോക്താവിന് പ്രസക്തമായ സുരക്ഷാ ജോലി സ്വയം-പുനഃപരിശോധന ചെയ്യുന്നു — അതായത് തെറ്റുകൾ പിടിക്കുന്നു. മോഡലിന്റെ നിങ്ങളുടെ ഉപയോഗം ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയത്തിനും നിങ്ങളുടെ പ്രദേശത്തെ നിയമത്തിനും വിധേയമായി തുടരുന്നു.
Shannon 3 ന് ഞങ്ങൾ ബെഞ്ച്മാർക്ക് സ്കോറുകളൊന്നും പ്രസിദ്ധീകരിക്കുന്നില്ല, മറ്റ് മോഡലുകൾക്കെതിരെ നേരിട്ടുള്ള അവകാശവാദങ്ങളും ഉന്നയിക്കുന്നില്ല. ലൂപ്പിന്റെ നേട്ടം ഘടനാപരമാണ് — ഒരൊറ്റ പാസിന് പിടിക്കാനാവാത്ത തരം പിഴവുകൾ അത് പിടിക്കുന്നു — ഞങ്ങൾ സ്വതന്ത്രമായി പരിശോധിച്ചിട്ടില്ലാത്ത ഒരു സംഖ്യ അതിനോട് ചേർക്കുന്നതിനേക്കാൾ ആ പ്രവർത്തനരീതി കൃത്യമായി വിവരിക്കുന്നതാണ് ഞങ്ങൾക്കിഷ്ടം. മുകളിലുള്ളതെല്ലാം ഒരു ഊഴം ചെയ്യുന്നത് വിവരിക്കുന്നു; അത് പരിശോധിക്കാനുള്ള ഏറ്റവും വേഗമേറിയ വഴി ഒരെണ്ണം പ്രവർത്തിപ്പിച്ച് ചിന്താരേഖ വായിക്കുകയാണ്.
07ഇമേജ് വായന, രേഖകൾ, ഇമേജ് നിർമ്മാണം
രണ്ട് ടയറുകളും ചിത്രങ്ങളും രേഖകളും അറ്റാച്ച്മെന്റുകളായി സ്വീകരിക്കുകയും ഊഴത്തിന്റെ ഭാഗമായി അവ വായിക്കുകയും ചെയ്യുന്നു. പരാജയപ്പെട്ട ഒരു ബിൽഡിന്റെ സ്ക്രീൻഷോട്ട്, ഫോട്ടോയെടുത്ത ഒരു വൈറ്റ്ബോർഡ്, ഒരു സ്കീമാറ്റിക്, സ്കാൻ ചെയ്ത ഒരു കരാർ പേജ് അല്ലെങ്കിൽ ഒരു PDF — ഇവയൊക്കെ നിങ്ങൾ ആദ്യം പകർത്തിയെഴുതേണ്ട ഒന്നാകാതെ ചോദ്യത്തിന്റെ വിഷയമാകാം. Pro യിൽ അറ്റാച്ച്മെന്റുകൾ മറ്റെല്ലാത്തിനെയും പോലെ ലൂപ്പിൽ പങ്കെടുക്കുന്നു: ചിത്രം പിന്തുണയ്ക്കാത്ത ഒരു ചോദ്യത്തിനാണ് കരട് ഉത്തരം നൽകിയതെന്ന് ഒരു പുനഃപരിശോധന തീരുമാനിച്ചാൽ അത് തിരുത്തിയെഴുതപ്പെടുന്നു.
ഇമേജ് നിർമ്മാണവും എഡിറ്റിംഗും ചാറ്റിൽ ഒരു ടൂളായി ലഭ്യമാണ്, മോഡലിന്റെ ലക്ഷ്യമായല്ല. സംഭാഷണം ആവശ്യപ്പെടുമ്പോൾ ഒരു ചിത്രം ഉണ്ടാക്കാനോ എഡിറ്റ് ചെയ്യാനോ കഴിയുന്ന ഒരു യുക്തിചിന്താ മോഡലാണ് Shannon 3; ചാറ്റ് ഇന്റർഫേസ് ചേർത്ത ഒരു ഇമേജ് മോഡലല്ല. ഈ വേർതിരിവ് പ്രതീക്ഷകൾ ശരിയായി വയ്ക്കുന്നു: ഈ കുടുംബത്തെ അത് എങ്ങനെ ചിന്തിക്കുന്നു എന്നതിന്റെ അടിസ്ഥാനത്തിൽ വിലയിരുത്തുക, ചിത്രങ്ങളെ ഒരു സന്ദർഭമാറ്റം ഒഴിവാക്കിത്തരുന്ന സൗകര്യമായി കാണുക.
08സന്ദർഭ ജാലകം, 3.x ശ്രേണി പിന്നെ എങ്ങോട്ട് പോയി
Shannon 3.0 ലോഞ്ച് ചെയ്തത് 32,768 ടോക്കൺ സന്ദർഭ ജാലകവുമായാണ്. അതാണ് സത്യസന്ധമായ ചരിത്ര കണക്ക്, അത് വ്യക്തമായി പറയേണ്ടതുമുണ്ട്, കാരണം ഒരു ലൂപ്പ് ഒറ്റ-പാസ് മോഡലിൽ നിന്ന് വ്യത്യസ്തമായാണ് സന്ദർഭം ഉപയോഗിക്കുന്നത്: നിങ്ങളുടെ പ്രോംപ്റ്റ്, അറ്റാച്ച്മെന്റുകൾ, ചിന്ത, ഓരോ കരടും പുനഃപരിശോധനാ ചക്രവും എല്ലാം ഒരേ ബജറ്റിലാണ് ജീവിക്കുന്നത്.
മിക്ക ചാറ്റ്, വിശകലന ജോലികൾക്കും 32K സൗകര്യപ്രദമാണ് — ഒരു നീണ്ട രേഖ, വലിയൊരു കോഡ് ഫയൽ, ലൂപ്പിന് പ്രവർത്തിക്കാൻ ഇടമുള്ള വിശദമായ ഒരു ബഹുഭാഗ ചോദ്യം. യഥാർത്ഥത്തിൽ വലിയ ഇൻപുട്ടുകൾക്ക് അത് ഇറുകിയതാണ്, ആ പരിമിതിയാണ് അടുത്ത റിലീസ് കൃത്യമായി പരിഹരിച്ചത്. Shannon 3.1 സന്ദർഭ ജാലകം ഗണ്യമായി ഉയർത്തുകയും ലൂപ്പിനെ എന്തിലേക്ക് തിരിക്കാമെന്ന് മാറ്റുകയും ചെയ്യുന്നു; ഇന്ന് ഈ കുടുംബത്തെ വിലയിരുത്തുകയാണെങ്കിൽ ആ ലേഖനം രണ്ടാമത് വായിക്കുക, ഇവിടത്തെ സംഖ്യയെ ചരിത്രമായി കാണുക.
09API യിൽ നിന്ന് Shannon 3 വിളിക്കുന്നത്
Shannon 3 ഞങ്ങളുടെ മൂന്ന് API ഭാഷ്യങ്ങളിലും ഒരേ മോഡലുകളിൽ, ഓരോന്നിലും സ്ട്രീമിംഗോടെ ലഭ്യമാണ്:
| ഭാഷ്യം | എൻഡ്‌പോയിന്റ് | എപ്പോൾ ഉപയോഗിക്കണം |
|---|---|---|
| OpenAI അനുയോജ്യം | /v1/chat/completions | നിലവിലുള്ള OpenAI ക്ലയന്റ് കോഡുണ്ട് — ബേസ് URL ഉം മോഡൽ ഐഡിയും മാറ്റുക |
| Anthropic അനുയോജ്യം | /v1/messages | നിങ്ങളുടെ സ്റ്റാക്ക് Messages ഫോർമാറ്റിന് ചുറ്റും നിർമ്മിച്ചതാണ് |
| Responses | /v1/responses | പുതിയ അഭ്യർത്ഥന/പ്രതികരണ ഘടന വേണം |
മോഡൽ ഐഡിയായി shannon-3 അല്ലെങ്കിൽ shannon-3-pro നൽകുക. ക്ലയന്റ് ഭാഗത്ത് രണ്ട് കാര്യങ്ങൾ മുൻകൂട്ടി ആസൂത്രണം ചെയ്യേണ്ടതുണ്ട്. Pro യുടെ ഊഴങ്ങൾ കൂടുതൽ സമയമെടുക്കും, അതും വ്യത്യസ്ത അളവിൽ, കാരണം ആവർത്തനങ്ങളുടെ എണ്ണം ചോദ്യത്തെ ആശ്രയിച്ചിരിക്കുന്നു — ശരാശരിക്കെതിരെയല്ല, പരിധിക്കെതിരെ ടൈംഔട്ടുകൾ ക്രമീകരിക്കുക, ഒപ്പം ഉപയോക്താവിന് ഒരു സ്പിന്നറിന് പകരം പുരോഗതി കാണാൻ സ്ട്രീമിംഗ് തിരഞ്ഞെടുക്കുക. കൂടാതെ ചിന്താരേഖ നിങ്ങൾക്ക് കാണിക്കാൻ തിരഞ്ഞെടുക്കാവുന്ന ഉള്ളടക്കമാണ്; ഉപയോക്താക്കൾ കാത്തിരിക്കുന്നിടത്ത് അത് കാണിക്കുന്നത് സാധാരണയായി മറയ്ക്കുന്നതിനേക്കാൾ മെച്ചമാണ്, കാരണം അത് ശൂന്യമായ സമയത്തെ വായിക്കാവുന്ന ഒന്നാക്കി മാറ്റുന്നു. അഭ്യർത്ഥന, പ്രതികരണ സ്കീമകൾ, സ്ട്രീമിംഗ് വിശദാംശങ്ങൾ, തത്സമയ പ്ലേഗ്രൗണ്ട് എന്നിവ API ഡോക്യുമെന്റേഷനിലുണ്ട്.
10ഒരു ടയർ തിരഞ്ഞെടുക്കൽ
തെറ്റാൻ എത്രത്തോളം സാധ്യതയുണ്ടോ അതിന് ആനുപാതികമായാണ് Pro യുടെ ലൂപ്പ് അതിന്റെ കാലതാമസം അർഹിക്കുന്നത്.
| നിങ്ങളുടെ ജോലി | ടയർ | എന്തുകൊണ്ട് |
|---|---|---|
| പെട്ടെന്നുള്ള വസ്തുതാ ചോദ്യം, ചെറിയ മറുപടി | shannon-3 | ആദ്യ കരട് തന്നെ ഉത്തരമാണ്; പുനഃപരിശോധനയ്ക്ക് പിടിക്കാൻ ഒന്നുമില്ല |
| ഉയർന്ന അളവിലുള്ളതോ കാലതാമസ പരിമിതിയുള്ളതോ ആയ ഓട്ടോമേഷൻ | shannon-3 | പ്രവചനീയമായ ഊഴ സമയമാണ് നിർണ്ണായക പരിമിതി |
| നിബന്ധനകളുള്ള ബഹുഭാഗ വിശകലനം | shannon-3-pro | വിട്ടുപോയ ഉപചോദ്യങ്ങളും നിബന്ധനാ ലംഘനങ്ങളുമാണ് പുനഃപരിശോധന കൃത്യമായി പിടിക്കുന്നത് |
| ഒത്തുചേർന്നു നിൽക്കേണ്ട ദീർഘ രചന | shannon-3-pro | ആന്തരിക വൈരുദ്ധ്യം പൂർണ്ണ നീളത്തിലുള്ള ഒരു സവിശേഷതയാണ്, കരട് എഴുതുമ്പോൾ അദൃശ്യമാണ് |
| നിങ്ങൾ പ്രവർത്തിക്കാൻ പോകുന്ന സംഖ്യകളുള്ള എന്തും | shannon-3-pro | പുനഃപരിശോധന ഗണിതവും യൂണിറ്റുകളും ചിന്തയ്ക്കെതിരെ വീണ്ടും പരിശോധിക്കുന്നു |
| മോഡലിന്റെ അതിരിലുള്ള വസ്തുതകളെ തൊടുന്ന ചോദ്യങ്ങൾ | shannon-3-pro | വിജ്ഞാന ശേഖരണം പേരെടുത്ത് പറഞ്ഞ ഒരു വിടവിനെ ഒരു അന്വേഷണമാക്കി മാറ്റുന്നു |
ഒരു പ്രായോഗിക രീതി: എന്ത് ചോദിക്കണമെന്ന് നിശ്ചയിക്കുന്നത് വരെ Lite ഉപയോഗിക്കുക, പിന്നെ ഉറപ്പിച്ച ചോദ്യം ഒരിക്കൽ Pro യിൽ വീണ്ടും പ്രവർത്തിപ്പിക്കുക. നിങ്ങൾ യഥാർത്ഥത്തിൽ ഉദ്ദേശിച്ച ചോദ്യത്തിന്റെ രൂപത്തിലാണ് ലൂപ്പിന് പണം കൊടുക്കാൻ അർഹതയുള്ളത്.
11തീരുമാനിക്കും മുമ്പ് അറിയേണ്ട പരിമിതികൾ
ശക്തികൾ മാത്രം പട്ടികപ്പെടുത്തുന്ന ഒരു മോഡൽ കാർഡ് ഒരു പരസ്യമാണ്. Shannon 3 നിങ്ങളെ നിരാശപ്പെടുത്തുന്നത് ഇവിടെയാണ്:
- Pro മന്ദഗതിയിലാണ്, അതും പ്രവചിക്കാനാവാത്ത വിധം. രണ്ട് ആവർത്തനങ്ങളിൽ ഒത്തുതീരുന്ന ഒരു ഊഴവും പത്ത് വരെ ഓടുന്ന ഒന്നും യഥാർത്ഥ സമയത്തിൽ പല മടങ്ങ് വ്യത്യാസപ്പെടും. പരിമിതമായ കാലതാമസം വേണമെങ്കിൽ Lite ഉപയോഗിക്കുക.
- പുനഃപരിശോധന തെളിവല്ല. സ്വന്തം ജോലി പരിശോധിക്കുന്ന ഒരു മോഡൽ സ്വന്തം അന്ധബിന്ദുക്കളും പങ്കിടുന്നു. ചിന്തയും കരടും തമ്മിലുള്ള പൊരുത്തക്കേട് ലൂപ്പ് വിശ്വസനീയമായി പിടിക്കുന്നു; ചിന്തയിൽ തന്നെ ആത്മവിശ്വാസത്തോടെ പിടിച്ചുവച്ച ഒരു തെറ്റ് അത് വിശ്വസനീയമായി പിടിക്കുന്നില്ല.
- സന്ദർഭം ലൂപ്പുമായി പങ്കിടുന്നു. 32K ൽ, വളരെ നീണ്ട ഒരു ഇൻപുട്ടും പൂർണ്ണ നീളമുള്ള പല കരടുകളും 3.0 ന് ഒരു യഥാർത്ഥ പരിമിതിയാണ്. ഉയർത്തിയ പരിധിക്ക് Shannon 3.1 കാണുക.
- മോഡൽ ശ്രദ്ധിക്കുന്ന വിടവുകൾ മാത്രമേ ശേഖരണം നികത്തൂ. "ഇതിൽ എനിക്ക് ഉറപ്പില്ല" എന്നതിനെ അത് ഒരു അന്വേഷണമാക്കുന്നു, അതൊരു യഥാർത്ഥ നേട്ടമാണ് — പക്ഷേ മോഡലിന് ആത്മവിശ്വാസത്തോടെ തെറ്റായി അറിയാവുന്ന ഒരു വസ്തുത ഒരിക്കലും ഇല്ലാത്തതായി അടയാളപ്പെടുത്തില്ല, അതിനാൽ അത് ഒരിക്കലും ശേഖരിക്കപ്പെടുന്നുമില്ല.
- സെൻസർ ചെയ്യാത്തത് എന്നാൽ സെൻസർ ചെയ്യാത്തത് തന്നെ. മോഡൽ വിസമ്മതിക്കില്ല, മയപ്പെടുത്തുകയുമില്ല. നിങ്ങളുടെ ഉൽപ്പന്നത്തിന് ഒരു നിരസന അതിര് വേണമെങ്കിൽ, മോഡൽ അത് നൽകുമെന്ന് പ്രതീക്ഷിക്കുന്നതിന് പകരം നിങ്ങൾക്ക് കാണാവുന്നിടത്ത് അത് നിർമ്മിക്കുക.
12പതിവ് ചോദ്യങ്ങൾ
എന്താണ് Shannon 3?
ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിൽ പ്രവർത്തിക്കുന്ന സെൻസർ ചെയ്യാത്ത മോഡലുകളുടെ ഒരു കുടുംബമാണ് Shannon 3. അതിനെ വ്യത്യസ്തമാക്കുന്നത് ഒരു ഊഴത്തിന്റെ ഘടനയാണ്: ഒരൊറ്റ ഫോർവേഡ് പാസിന് പകരം അത് ചിന്തിക്കുന്നു, ഒരു ഉത്തരത്തിന്റെ കരട് എഴുതുന്നു, പിന്നെ സ്വന്തം ചിന്തയ്ക്കെതിരെ ആ കരട് പുനഃപരിശോധിച്ച് തിരുത്തിയെഴുതുന്നു. ഇത് രണ്ട് ടയറുകളിൽ ലഭ്യമാണ്: shannon-3 (Lite), shannon-3-pro (Pro).
Shannon 3 Lite ഉം Shannon 3 Pro ഉം തമ്മിലുള്ള വ്യത്യാസം എന്താണ്?
Lite ചിന്തയും കരടും ഉൾപ്പെടുന്ന ഒരൊറ്റ പാസ് നടത്തുന്നു, അതിനാൽ കാലതാമസം ഒരു സാധാരണ മോഡലിനോട് അടുത്ത് നിൽക്കുന്നു. Pro പൂർണ്ണ ലൂപ്പ് നടത്തുന്നു — ഓരോ കരടും 10 ആവർത്തനങ്ങൾ വരെ പുനഃപരിശോധിച്ച് തിരുത്തിയെഴുതുന്നു, ഒരു പുനഃപരിശോധന അംഗീകരിക്കുന്ന നിമിഷം നേരത്തെ നിർത്തുന്നു. Pro ഒരു വിജ്ഞാന ശേഖരണവും നടത്തുന്നു: തനിക്ക് ഇല്ലെന്ന് തിരിച്ചറിഞ്ഞ വിവരങ്ങൾക്കായി രണ്ടാമത്തെ, വലിയ ഒരു മോഡലിനോട് ചോദിക്കുന്നു.
Shannon 3 ശരിക്കും സെൻസർ ചെയ്യാത്തതാണോ?
അതെ. Shannon 3 ന് നിരസന പാളിയോ ഔട്ട്പുട്ട് ഉള്ളടക്ക ഫിൽട്ടറോ ഇല്ല. നിരസിക്കുന്ന സ്വഭാവം മോഡലിൽ തന്നെ ഇല്ല, അതിനാൽ പ്രോംപ്റ്റ് കൊണ്ട് ഉണ്ടാക്കിയ ഒരു വ്യക്തിത്വം പോലെ നീണ്ട സംഭാഷണത്തിന്റെ പാതിവഴിയിൽ നിശ്ശബ്ദമായി മടങ്ങിവരുന്ന ഒന്നുമില്ല. മോഡലിന്റെ ഉപയോഗം ഇപ്പോഴും ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയത്തിനും നിങ്ങളുടെ പ്രദേശത്തെ നിയമത്തിനും വിധേയമാണ്.
പുനഃപരിശോധനാ ലൂപ്പ് ശരിക്കും ഉത്തരങ്ങൾ മെച്ചപ്പെടുത്തുന്നുണ്ടോ?
ഒരൊറ്റ പാസ് ഘടനാപരമായി ദുർബലമാകുന്നിടത്താണ് ഇത് ഏറ്റവും സഹായിക്കുന്നത്: അവസാനം തുടക്കത്തെ ഖണ്ഡിക്കുന്ന നീണ്ട ഉത്തരങ്ങൾ, ഒരു ഭാഗം നിശ്ശബ്ദമായി വിട്ടുപോകുന്ന ബഹുഭാഗ ചോദ്യങ്ങൾ, ഗണിത, യൂണിറ്റ് പിഴവുകൾ, പറഞ്ഞ ഒരു നിബന്ധന അവഗണിക്കുന്ന കോഡ്. ആദ്യ കരട് തന്നെ ഉത്തരമാകുന്ന ചെറിയ അന്വേഷണങ്ങളിലാണ് ഇത് ഏറ്റവും കുറവ് സഹായിക്കുന്നത്. അതുകൊണ്ടാണ് Lite നിലനിൽക്കുന്നത്.
പുനഃപരിശോധന ഒരിക്കലും കരട് അംഗീകരിച്ചില്ലെങ്കിൽ എന്ത് സംഭവിക്കും?
അനന്തമായി കറങ്ങുന്നതിന് പകരം ലൂപ്പ് 10 ആവർത്തനങ്ങൾ എന്ന അതിന്റെ പരിധിയിൽ നിർത്തുകയും എത്തിച്ചേർന്ന ഏറ്റവും മികച്ച കരട് നൽകുകയും ചെയ്യുന്നു. ചിന്താരേഖ ദൃശ്യമായതിനാൽ, പരിഹരിക്കപ്പെടാതെ പോയ എതിർവാദങ്ങളും നിങ്ങൾക്ക് വായിക്കാം — സാധാരണയായി അതിനർത്ഥം ചോദ്യം അത്രയും അവ്യക്തമായിരുന്നു എന്നാണ്, ഓരോ തിരുത്തും ഒരു കുറവിന് പകരം മറ്റൊന്ന് കൊണ്ടുവന്നു; ചോദ്യം മാറ്റിയെഴുതാനുള്ള സൂചനയാണത്.
Shannon 3 ന് ചിത്രങ്ങളും രേഖകളും വായിക്കാനാകുമോ?
അതെ. രണ്ട് ടയറുകളും ഇമേജ്, രേഖാ അറ്റാച്ച്മെന്റുകൾ സ്വീകരിക്കുകയും ഊഴത്തിന്റെ ഭാഗമായി അവ വായിക്കുകയും ചെയ്യുന്നു; അതിനാൽ ഒരു സ്ക്രീൻഷോട്ട്, ഡയഗ്രം, സ്കാൻ ചെയ്ത പേജ് അല്ലെങ്കിൽ PDF തന്നെ ചോദ്യത്തിന്റെ വിഷയമാകാം, അത് നിങ്ങൾ ആദ്യം പകർത്തിയെഴുതേണ്ടതില്ല. ഇമേജ് നിർമ്മാണവും എഡിറ്റിംഗും ചാറ്റിൽ ലഭ്യമാണ്, പക്ഷേ മോഡലിന് വിളിക്കാവുന്ന ഒരു ടൂളായി — അതിന്റെ ലക്ഷ്യമായല്ല.
മോഡലിന്റെ യുക്തിചിന്ത എനിക്ക് കാണാനാകുമോ?
അതെ. ഊഴം നടക്കുമ്പോൾ തന്നെ ചിന്താരേഖ കാണിക്കുന്നു, അവസാനം ഇംഗ്ലീഷിൽ നിന്ന് പരിഭാഷപ്പെടുത്തിയതല്ല, നിങ്ങളുടെ സ്വന്തം ഭാഷയിൽ എഴുതിയത്. Pro യിൽ ഓരോ പുനഃപരിശോധനാ ചക്രവും നിങ്ങൾ കാണുന്നു; മോഡൽ സ്വന്തം തെറ്റ് കണ്ടെത്തുമ്പോൾ അത് ദൃശ്യമാകുന്നു — കണ്ടെത്താതിരിക്കുമ്പോഴും അത്രതന്നെ ദൃശ്യമാണ്.
ലോഞ്ച് സമയത്ത് Shannon 3 ന്റെ സന്ദർഭ ജാലകം എത്രയായിരുന്നു?
Shannon 3.0 ലോഞ്ച് ചെയ്തത് 32,768 ടോക്കൺ സന്ദർഭ ജാലകവുമായാണ് — അത് നിങ്ങളുടെ പ്രോംപ്റ്റ്, അറ്റാച്ച്മെന്റുകൾ, ചിന്താരേഖ, ഉത്തരം എന്നിവയ്ക്കിടയിൽ പങ്കിടപ്പെടുന്നു. Shannon 3.1 ആ സംഖ്യ ഉയർത്തുന്നു; നിലവിലെ കണക്കിന് Shannon 3.1 ലേഖനം കാണുക.
ലൂപ്പ് നിങ്ങൾ തന്നെ പരീക്ഷിക്കുക
ഒരേ ചോദ്യം രണ്ട് തവണ ചോദിക്കുക — ഒരിക്കൽ Lite ൽ, ഒരിക്കൽ Pro യിൽ — പുനഃപരിശോധന എന്ത് മാറ്റുന്നു എന്ന് കാണുക.
ചാറ്റ് തുടങ്ങുക API ഡോക്യുമെന്റേഷൻ വായിക്കുകshannon-3 · shannon-3-pro · മൂന്ന് API ഭാഷ്യങ്ങളിലും സ്ട്രീമിംഗ്
Shannon 3 പ്രവർത്തിപ്പിക്കുന്നത് Shannon Lab LLC, New Mexico, USA ആണ്. ഇവിടത്തെ കണക്കുകൾ 3.0 ലോഞ്ച് ക്രമീകരണത്തെ വിവരിക്കുന്നു; നിലവിലെ പരിധികൾക്ക് Shannon 3.1 മോഡൽ കാർഡും കുടുംബത്തിലെ ബാക്കിയുള്ളവയ്ക്ക് ഗവേഷണ സൂചികയും കാണുക. Shannon 3 ന് ഞങ്ങൾ ബെഞ്ച്മാർക്ക് സ്കോറുകളൊന്നും പ്രസിദ്ധീകരിക്കുന്നില്ല, താരതമ്യ പ്രകടന അവകാശവാദങ്ങളും ഉന്നയിക്കുന്നില്ല.