ਕੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਕਦੇ ਵੀ ਪੰਜਵੇਂ ਗ੍ਰੇਡ ਤੋਂ ਬਾਹਰ ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਨਹੀਂ ਦੇਖਦਾ? ਸੱਤ ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਇੱਕ ਟੀਮ ਨੇ ਇਸ ਸਵਾਲ ਦਾ ਸ਼ਾਬਦਿਕ ਤੌਰ 'ਤੇ ਜਵਾਬ ਦਿੱਤਾ: ਉਨ੍ਹਾਂ ਨੇ LittleLearner ਬਣਾਇਆ, ਇੱਕ 5-ਬਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ LLM ਜੋ ਕਿ ਯੂ.ਐੱਸ. ਐਲੀਮੈਂਟਰੀ-ਸਕੂਲ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਫਿਲਟਰ ਕੀਤੇ ਗਏ ਕਾਰਪਸ 'ਤੇ ਸਕ੍ਰੈਚ ਤੋਂ ਸਿਖਿਅਤ ਹੈ, ਅਤੇ ਫਿਰ ਜਾਂਚ ਕੀਤੀ ਕਿ ਕੀ ਕੁਝ ਵੀ — ਹੋਰ ਮਾਪਦੰਡ, ਵਧੇਰੇ ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ, — ਇਸ ਦੇ ਮਾਡਲ ਨੂੰ ਪਹਿਲਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਹੁਸ਼ਿਆਰੀ ਨਾਲ ਅੱਗੇ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਜਵਾਬ, ਉਹ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ, ਨਹੀਂ ਹੈ।
ਪੇਪਰ, "ਲਿਟਲਲਰਨਰ: ਲੈਂਗੂਏਜ ਮਾਡਲਸ ਅੰਡਰ ਪੈਡਾਗੋਗਿਕਲੀ-ਕੰਟਰੋਲਡ ਗਿਆਨ ਐਕਸਪੋਜ਼ਰ," 13 ਅਗਸਤ ਨੂੰ ਫੈਨਫੇਈ ਲੀ, ਜਨਾ ਜ਼ੈਲਰ, ਮੈਨੁਅਲ ਪ੍ਰਦਾ-ਕੋਰਲ, ਥੈਡਸ ਵਿਡੇਮਰ, ਪ੍ਰਸੰਨਾ ਮੇਇਲਵਾਹਨਨ, ਰਿਆਨ ਕੋਟਰੇਲ, ਅਤੇ ਵਾਈਲੈਂਡ ਬੈਰੇਨ ਦੁਆਰਾ arXiv ਨੂੰ ਸੌਂਪਿਆ ਗਿਆ ਸੀ। 16 ਅਗਸਤ ਤੱਕ ਇਹ 200 ਤੋਂ ਵੱਧ ਵੋਟਾਂ ਦੇ ਨਾਲ ਇੱਕ ਤੇਜ਼ੀ ਨਾਲ ਚੜ੍ਹਨ ਵਾਲੇ ਹੈਕਰ ਨਿਊਜ਼ ਦੀ ਚਰਚਾ ਦਾ ਵਿਸ਼ਾ ਸੀ, ਕਿਉਂਕਿ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਨੇ ਬਹਿਸ ਕੀਤੀ ਕਿ ਉਦਯੋਗ ਦੀ ਮਨਪਸੰਦ ਧਾਰਨਾ ਲਈ ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ - ਕਿ ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਪਤਲੀ ਹਵਾ ਤੋਂ ਬਾਹਰ ਕੱਢ ਸਕਦੀ ਹੈ। ਇਹ ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਦਾ ਸਾਵਧਾਨ, ਉਲਟ ਪ੍ਰਯੋਗ ਹੈ ਜਿਸ ਲਈ ਅਸੀਂ ਆਪਣੇ AI ਖੋਜ ਕਵਰੇਜ ਵਿੱਚ ਦੇਖਦੇ ਹਾਂ।
ਇੱਕ ਗਿਆਨ ਬਾਰਡਰ ਵਾਲਾ ਇੱਕ ਸੈਂਡਬੌਕਸ
ਆਧੁਨਿਕ LLM ਨੂੰ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਹਰ ਚੀਜ਼ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਦੱਸਣਾ ਲਗਭਗ ਅਸੰਭਵ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਕੀ ਸਿਖਲਾਈ ਦੌਰਾਨ ਇੱਕ ਪ੍ਰਦਰਸ਼ਿਤ ਹੁਨਰ ਅਸਲ ਵਿੱਚ ਸਿੱਖਿਆ ਗਿਆ ਸੀ ਜਾਂ ਸਿਰਫ਼ ਸਹੀ ਪ੍ਰੋਂਪਟ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਟੀਮ ਦਾ ਹੱਲ ਇਹ ਸੀ ਕਿ ਸਿਖਲਾਈ ਦੀ ਵੰਡ ਨੂੰ ਹੀ ਰੋਕਿਆ ਜਾਵੇ। FineWeb-Edu ਤੋਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ, ਉਹਨਾਂ ਨੇ ਇੱਕ 88-ਬਿਲੀਅਨ-ਟੋਕਨ ਕਾਰਪਸ — ਜਿਸਨੂੰ Little Curriculum ਕਿਹਾ ਜਾਂਦਾ ਹੈ — ਇੱਕ ਪੰਜ-ਪੜਾਅ ਦੀ ਫਿਲਟਰਿੰਗ ਪਾਈਪਲਾਈਨ ਦੁਆਰਾ ਗ੍ਰੇਡ 5 ਤੱਕ ਕਿੰਡਰਗਾਰਟਨ ਲਈ ਸਾਂਝੇ ਕੋਰ ਮਾਪਦੰਡਾਂ ਨਾਲ ਜੋੜਿਆ ਗਿਆ। ਸੰਕਲਪਾਂ, ਤੱਥਾਂ ਅਤੇ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਗਰੇਡ 5 ਤੋਂ ਉੱਪਰ ਪੜ੍ਹਾਇਆ ਗਿਆ ਸੀ।
ਇਸ ਕਾਰਪਸ 'ਤੇ ਉਨ੍ਹਾਂ ਨੇ ਸਕ੍ਰੈਚ ਤੋਂ ਤਿੰਨ ਸਕੇਲਾਂ (0.6B, 1.3B, ਅਤੇ 5B ਪੈਰਾਮੀਟਰਾਂ) 'ਤੇ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ, ਹਰੇਕ ਨੂੰ ਉਸੇ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਟੋਕਨ ਬਜਟ ਦੇ ਨਾਲ ਅਨਫਿਲਟਰਡ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮੇਲ ਖਾਂਦੇ ਕੰਟਰੋਲ ਮਾਡਲ ਦੇ ਨਾਲ ਭੇਜਿਆ ਗਿਆ। ਨਤੀਜਾ ਇੱਕ ਮਾਡਲ ਹੈ ਜੋ ਓਪਨ-ਐਂਡ ਮੁਲਾਂਕਣ ਲਈ ਕਾਫ਼ੀ ਪ੍ਰਵਾਨਿਤ ਹੈ — ਤੁਸੀਂ ਇੱਕ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਇੱਕ ਹੋਸਟ ਕੀਤੇ 5B ਸੰਸਕਰਣ ਨਾਲ ਚੈਟ ਕਰ ਸਕਦੇ ਹੋ — ਫਿਰ ਵੀ ਇੱਕ ਤਿੱਖੀ, ਵਿਆਖਿਆਯੋਗ ਗਿਆਨ ਸੀਮਾ ਹੈ: ਜੇਕਰ ਇਹ ਐਲੀਮੈਂਟਰੀ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਨਹੀਂ ਸੀ, ਤਾਂ ਮਾਡਲ ਨੇ ਇਸਨੂੰ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ।
ਪ੍ਰਾਪਤੀ, ਪ੍ਰਾਪਤੀ ਨਹੀਂ
ਮੁੱਖ ਖੋਜ ਧੁੰਦਲੀ ਹੈ: ਮਾਡਲਾਂ ਨੂੰ ਚੁਸਤ ਬਣਾਉਣ ਲਈ ਸਟੈਂਡਰਡ ਟੂਲਕਿੱਟ ਨੇ ਜੋ ਲਿਟਲਲਰਨਰ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦਾ ਸੀ, ਉਸ ਨੂੰ ਵਧਾਇਆ, ਪਰ ਇਸ ਵਿੱਚੋਂ ਕਿਸੇ ਨੇ ਵੀ ਅਰਥਪੂਰਨ ਤੌਰ 'ਤੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਨਹੀਂ ਕੀਤਾ।
ਸਕੇਲਿੰਗ ਨੇ ਮਾਡਲ ਦੇ ਨਿਯੰਤਰਿਤ ਗਿਆਨ ਦੇ ਅੰਦਰ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਹੈ ਅਤੇ ਉਸੇ ਸਿੱਖਣ ਦੇ ਟ੍ਰੈਜੈਕਟਰੀ ਦੇ ਨਾਲ ਮਾਮੂਲੀ ਤੌਰ 'ਤੇ ਵਧਾਇਆ ਹੈ, ਪਰ ਗ੍ਰੇਡ-5 ਸਮੱਗਰੀ ਤੋਂ ਅੱਗੇ ਸਮਰੱਥਾਵਾਂ ਦੀ ਲੋੜ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਬਹੁਤ ਘੱਟ ਕੀਤਾ ਹੈ। GRPO ਦੇ ਨਾਲ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ — ਤਰਕ-ਮਾਡਲ ਬੂਮ ਦੇ ਬਹੁਤ ਸਾਰੇ ਪਿੱਛੇ ਰੀਨਫੋਰਸਮੈਂਟ-ਲਰਨਿੰਗ ਵਿਧੀ — ਨੇ-ਸਕੋਪ K-5 ਕਾਬਲੀਅਤਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਹੁਲਾਰਾ ਦਿੱਤਾ, ਪਰ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਦੇ ਡੇਟਾ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੇ ਜਾਣ 'ਤੇ ਵੀ-ਕੇ-5 ਸਮਰੱਥਾਵਾਂ ਤੋਂ ਪਰੇ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ। ਅਤੇ ਪ੍ਰਸੰਗ ਵਿੱਚ ਸਿੱਖਣ, ਗਿਆਨ ਨੂੰ ਇੱਕ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਭਰਨ ਦਾ ਰੋਜ਼ਾਨਾ ਜਾਦੂ, ਨੇ ਮਾਡਲ ਨੂੰ ਉਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਪਰ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਨਵੇਂ ਤਰਕ ਨੂੰ ਅਨਲੌਕ ਨਹੀਂ ਕੀਤਾ।ਪ੍ਰੀਟ੍ਰੇਨਿੰਗ ਫਿਲਟਰ, ਸੰਖੇਪ ਵਿੱਚ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਮਰੱਥਾ ਦੀ ਸੀਮਾ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਲੇਖਕ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਅੰਤਰ ਦੇ ਸਬੂਤ ਵਜੋਂ ਤਿਆਰ ਕਰਦੇ ਹਨ ਜੋ ਖੇਤਰ ਲਗਾਤਾਰ ਧੁੰਦਲਾ ਹੁੰਦਾ ਹੈ: ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਪ੍ਰੋਂਪਟਿੰਗ; ਪ੍ਰੀਟ੍ਰੇਨਿੰਗ ਹਾਸਲ ਕਰਦੀ ਹੈ।
ਸਾਫ਼ ਨਿਯੰਤਰਣ, ਜਨਤਕ ਚੈਕਪੁਆਇੰਟ
ਕਾਰਜਪ੍ਰਣਾਲੀ ਉਹ ਹੈ ਜੋ ਦਾਅਵਿਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਤਾਕਤ ਦਿੰਦੀ ਹੈ। ਕਿਉਂਕਿ ਹਰੇਕ LittleLearner ਮਾਡਲ ਇੱਕ ਮੇਲ ਖਾਂਦਾ ਅਨਫਿਲਟਰਡ ਨਿਯੰਤਰਣ ਦੇ ਨਾਲ ਸ਼ਿਪ ਕਰਦਾ ਹੈ — ਉਹੀ ਆਰਕੀਟੈਕਚਰ, ਉਹੀ ਟੋਕਨ ਕਾਉਂਟ, ਉਹੀ ਸਿਖਲਾਈ ਨੁਸਖਾ — ਟੀਮ ਇੱਕਲੇ ਪਾਠਕ੍ਰਮ ਫਿਲਟਰ ਲਈ ਕਿਸੇ ਵੀ ਵਿਵਹਾਰਕ ਅੰਤਰ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਸਕਦੀ ਹੈ। MathCAMPS ਬੈਂਚਮਾਰਕ 'ਤੇ ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ ਗਣਿਤ ਦੇ ਮਾਹਿਰ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਸਕੂਲ ਗ੍ਰੇਡ ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਗ੍ਰੇਡ ਕਰਨ ਦਿੰਦੇ ਹਨ, ਇਹ ਪਤਾ ਲਗਾਉਂਦੇ ਹਨ ਕਿ ਇਨ-ਸਕੋਪ ਯੋਗਤਾ ਕਿੱਥੇ ਖਤਮ ਹੁੰਦੀ ਹੈ। ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਫਰੰਟੀਅਰ ਪੇਪਰਾਂ ਦੇ ਉਲਟ, ਸਭ ਕੁਝ ਜਨਤਕ ਹੈ: ਹੱਗਿੰਗਫੇਸ 'ਤੇ ਸਾਰੇ ਤਿੰਨ ਸਕੇਲਾਂ 'ਤੇ ਕਾਰਪਸ, ਅਧਾਰ ਅਤੇ ਪੋਸਟ-ਟ੍ਰੇਨਡ ਚੈਕਪੁਆਇੰਟ, ਅਤੇ ਇੱਕ ਹੋਸਟਡ ਚੈਟ ਡੈਮੋ, ਇਸਲਈ ਸੁਤੰਤਰ ਟੀਮਾਂ ਖੁਦ ਸੀਮਾ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਇਹ ਖੁੱਲਾਪਣ ਹੈਕਰ ਨਿਊਜ਼ ਬਹਿਸ ਨੂੰ ਵਧਾ ਰਿਹਾ ਹੈ. ਟਿੱਪਣੀਕਾਰ ਇਸ ਦੇ ਗਿਆਨ ਦੇ ਕਿਨਾਰੇ 'ਤੇ ਹੋਸਟ ਕੀਤੇ ਮਾਡਲ ਦੇ ਵਿਵਹਾਰ ਦੀ ਜਾਂਚ ਕਰ ਰਹੇ ਹਨ - ਭਾਵੇਂ ਇਹ ਪਿਛਲੇ ਗ੍ਰੇਡ 5 ਨੂੰ ਧੱਕੇ ਜਾਣ 'ਤੇ ਪਰਹੇਜ਼ ਕਰਦਾ ਹੈ, ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ, ਜਾਂ ਭਰਮ ਕਰਦਾ ਹੈ - ਅਤੇ ਪ੍ਰਭਾਵਾਂ 'ਤੇ ਬਹਿਸ ਕਰਦਾ ਹੈ: ਕੁਝ ਨਤੀਜਿਆਂ ਨੂੰ ਤਰਕ-ਮਾਡਲ ਹਾਈਪ ਲਈ ਬੁਰੀ ਖ਼ਬਰ ਵਜੋਂ ਪੜ੍ਹਦੇ ਹਨ, ਦੂਸਰੇ ਦੱਸਦੇ ਹਨ ਕਿ ਵੈਬ-ਸਕੇਲ ਪ੍ਰੀਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਵਿੱਚ ਫਰੰਟ-ਸਕੇਲ ਮਾਡਲ ਸੰਕਲਪ ਤੋਂ ਕਿਤੇ ਵੱਧ ਸ਼ਾਮਲ ਹਨ, ਇਸ ਲਈ ਅਨੁਸਾਰੀ ਉੱਚ. ਪੇਪਰ ਦੇ ਲੇਖਕ ਖੁਦ ਇਸ ਬਿੰਦੂ 'ਤੇ ਸਾਵਧਾਨ ਹਨ: ਉਨ੍ਹਾਂ ਦਾ ਦਾਅਵਾ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਮਿਆਰੀ ਦਖਲਅੰਦਾਜ਼ੀ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ, ਨਿਯੰਤਰਿਤ ਸਿੱਖਿਆ ਵਾਲੇ ਮਾਡਲ ਲਈ ਕੀ ਨਹੀਂ ਕਰ ਸਕਦੀ ਸੀ, ਨਾ ਕਿ ਸਰਹੱਦੀ ਲੈਬਾਂ ਬਾਰੇ ਸਿੱਧੀ ਭਵਿੱਖਬਾਣੀ।
ਇਹ ਕਲਾਸਰੂਮ ਤੋਂ ਪਰੇ ਕਿਉਂ ਮਹੱਤਵਪੂਰਣ ਹੈ
ਪ੍ਰਯੋਗ AI ਵਿੱਚ ਲਾਈਵ ਬਹਿਸਾਂ ਲਈ ਸਿੱਧਾ ਬੋਲਦਾ ਹੈ। AI ਲੈਬਾਂ ਇਸ ਵਿਚਾਰ 'ਤੇ ਅਧਾਰਤ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਰੈਜੀਮੈਂਟਾਂ 'ਤੇ ਅਰਬਾਂ ਖਰਚ ਕਰਦੀਆਂ ਹਨ ਕਿ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਬੇਸ ਮਾਡਲ ਨੂੰ ਇਸਦੀਆਂ ਕੱਚੀਆਂ ਕਾਬਲੀਅਤਾਂ ਤੋਂ ਪਰੇ ਧੱਕ ਸਕਦੀ ਹੈ। LittleLearner ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਉਹ ਲਾਭ ਵੱਡੇ ਪੱਧਰ 'ਤੇ - ਅਤੇ ਇਸ ਦੁਆਰਾ ਬੰਨ੍ਹੇ ਜਾ ਸਕਦੇ ਹਨ - ਜੋ ਕਿ ਪ੍ਰੀਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਇਹ ਡੇਟਾ ਕਿਊਰੇਸ਼ਨ ਬਾਰੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਦੇਖਭਾਲ ਕਰਨ ਲਈ, ਅਤੇ ਸੰਦੇਹਵਾਦ ਦੇ ਨਾਲ "ਉਪਜਾਊ" ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦੇ ਦਾਅਵਿਆਂ ਦਾ ਇਲਾਜ ਕਰਨ ਲਈ ਇੱਕ ਦਲੀਲ ਹੈ।
ਰੀਲੀਜ਼ ਇੱਕ ਅਸਲ ਖੋਜ ਸਾਧਨ ਵੀ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਇੱਕ ਕਾਗਜ਼। ਟੀਮ ਨੇ LittleCurriculum ਅਤੇ ਸਾਰੇ ਮਾਡਲ ਚੈਕਪੁਆਇੰਟਾਂ ਨੂੰ ਖੁੱਲ੍ਹੇਆਮ ਜਾਰੀ ਕੀਤਾ, ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਪੰਨਾ ਸੈਂਡਬੌਕਸ ਦੁਆਰਾ ਯੋਗ ਕੀਤੇ ਪ੍ਰਯੋਗਾਂ ਦਾ ਚਿੱਤਰ ਤਿਆਰ ਕਰਦਾ ਹੈ: ਕੀ RL ਸੱਚਮੁੱਚ ਇਸ ਨੂੰ ਇਨਾਮ ਦੇਣ ਦੀ ਬਜਾਏ ਸਮਰੱਥਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਨਮੂਨਾ-ਕੁਸ਼ਲਤਾ ਨਾਲ ਇੱਕ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਨਵਾਂ ਸੰਕਲਪ ਕਿਵੇਂ ਸਿੱਖਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਨਕਾਰਾਤਮਕ ਸੰਖਿਆਵਾਂ ਨੂੰ ਪੇਸ਼ ਕੀਤੇ ਜਾਣ 'ਤੇ, ਅਤੇ ਕੀ ਮਸ਼ੀਨਾਂ ਅਤੇ ਬੱਚਿਆਂ ਨੂੰ ਸਮਾਨ ਐਕਸਪੋਜਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ - ਜਾਂ ਸਿੱਖਣ ਵੇਲੇ ਇੱਕੋ ਜਿਹੀਆਂ ਗਲਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।
ਇੱਕ ਖੇਤਰ ਲਈ ਜੋ ਘੱਟ ਹੀ ਸਾਫ਼ ਨਿਯੰਤਰਣ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਇੱਕ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਤ ਸਿੱਖਿਆ ਵਾਲਾ ਮਾਡਲ ਇੱਕ ਦੁਰਲੱਭ ਤੋਹਫ਼ਾ ਹੈ। ਅਤੇ ਹਰ ਕਿਸੇ ਲਈ, ਇਹ ਡੈਸਕ ਦੇ ਉੱਪਰ ਪਿੰਨ ਕਰਨਾ ਇੱਕ ਯਾਦ-ਦਹਾਨੀ ਹੈ: ਕੋਈ ਵੀ ਮਾਡਲ — ਜਾਂ ਵਿਅਕਤੀ — ਉਹਨਾਂ ਦੇ ਰਸਤੇ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਨਿਕਲ ਸਕਦਾ ਜੋ ਉਹਨਾਂ ਨੂੰ ਕਦੇ ਨਹੀਂ ਸਿਖਾਇਆ ਗਿਆ ਸੀ।
AI ਤੋਂ ਅੱਗੇ ਰਹੋ
AI ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇਣ ਵਾਲੀ ਖੋਜ ਦੀ ਪੀਅਰ-ਸਮੀਖਿਆ-ਗਰੇਡ ਕਵਰੇਜ, ਰੋਜ਼ਾਨਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਨਵੀਨਤਮ AI ਵਿਕਾਸ ਲਈ ਸਾਡੇ ਹੱਬ ਨੂੰ ਬੁੱਕਮਾਰਕ ਕਰੋ।
ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →
