Meta ၏ COCONUT- ဘာသာစကားမပါဘဲ ထင်မြင်နိုင်သော AI နည်းလမ်း

COCONUT ၏ ဆန်းသစ်တီထွင်မှုကို နားလည်ခြင်း။

မင်းရဲ့ အတွေးတွေကို ကျယ်ကျယ်လောင်လောင်ပြောခြင်းနဲ့ မင်းဦးနှောက်ထဲမှာ ဖြစ်ပျက်နေတဲ့ တကယ့်စိတ်ပိုင်းဆိုင်ရာ ဖြစ်စဉ်ကြားက ခြားနားချက်ကို ပုံဖော်ပါ။ နှုတ်ဖြင့်ပြောသော အတွေးများနှင့် အာရုံကြောဆိုင်ရာ လုပ်ဆောင်ချက်ကြားရှိ ကွာဟချက်မှာ Meta ၏ သုတေသီများက COCONUT နှင့် ထိတွေ့လိုက်သည့်အရာ ဖြစ်သည်။

COCONUT ၏ တကယ့်အောင်မြင်မှုမှာ AI မော်ဒယ်များကို လူသားများလုပ်ဆောင်ပုံကဲ့သို့ ကွဲပြားသော နည်းလမ်းနှစ်မျိုးဖြင့် တွေးခေါ်နိုင်စေခြင်းတွင် တည်ရှိသည်။ ရှုပ်ထွေးတဲ့ ပဟေဋ္ဌိတစ်ခုကို သင်ဖြေရှင်းတဲ့အခါ စဉ်းစားကြည့်ပါ – သင့်ခေါင်းထဲမှာ ဖြစ်နိုင်သမျှ လှုပ်ရှားမှုတိုင်းကို မပြောပြတတ်ဘူးလား။ ယင်းအစား သင်-

1. ပြဿနာကို စုပ်ယူပါ။: သင်အချက်အလက်ကိုရယူပါ (ပဟေဠိစည်းမျဉ်းများကိုဖတ်ခြင်းကဲ့သို့)
2. တိတ်တိတ်လေး စဉ်းစားပါ။: သင့်ဦးနှောက်သည် ဖြစ်နိုင်ချေများစွာကို စကားလုံးများဖြင့် မထည့်ဘဲ စူးစမ်းသည်။
3. ဖြေရှင်းချက်မျှဝေပါ။: အဲဒါမှ မင်းရဲ့ တွေးခေါ်ပုံကို တခြားသူတွေကို ရှင်းပြပါ။

COCONUT သည် AI မော်ဒယ်များကို ဤတူညီသော သဘာဝအတိုင်း လိုက်လျောညီထွေဖြစ်စေသည်။ တွေးခေါ်မှုတိုင်းကို ကျယ်လောင်စွာ “ပြော” ခိုင်းမည့်အစား (ရိုးရာနည်းလမ်းများကဲ့သို့) ၎င်းတို့အား ၎င်းတို့၏ သဘာဝအာရုံကြောအာကာသအတွင်း တွေးခေါ်နိုင်စေသည် – သုတေသီများက “ငုပ်လျှိုးနေသောနေရာ” ဟုခေါ်သည်။

မော်ဒယ်သည် မုဒ်နှစ်ခုကြားတွင် ချောမွေ့စွာပြောင်းသည်-

• မေးခွန်းများကို နားလည်ရန် သို့မဟုတ် အဖြေပေးသည့်အခါတွင် ပုံမှန်ဘာသာစကားကို အသုံးပြုသည်။
• ဒါပေမယ့် တကယ့် တွေးခေါ်မှု ဖြစ်စဉ်အတွက်လား။ ၎င်းသည် စကားလုံးများ၏ ကန့်သတ်ချက်များမှ ကင်းစင်သော အာရုံကြောပုံစံများကို အသုံးပြုသည်။

ပုံ- Meta

လေ့ကျင့်ရေးခရီး

COCONUT ၏ ဆွဲဆောင်မှုအရှိဆုံး ရှုထောင့်များထဲမှ တစ်ခုမှာ ၎င်း၏ လေ့ကျင့်ရေး သင်ရိုးညွှန်းတမ်း ဖြစ်သည်။ ဤအရာသည် သဘာဝကျသော သင်ယူမှုတိုးတက်မှုကို ထင်ဟပ်စေသည့်အရာဖြစ်သည်။ ကျွန်ုပ်တို့သည် ရှုပ်ထွေးသောစွမ်းရည်များကို သင်ကြားနည်းကို စဉ်းစားကြည့်ပါ- တစ်စုံတစ်ဦးကို နက်ရှိုင်းသောအဆုံးသို့ ချက်ချင်းမပစ်ချပါ။ အဆင့်တစ်ခုစီကို ကျွမ်းကျင်လာသောအခါတွင် သင်သည် တဖြည်းဖြည်း ရှုပ်ထွေးမှုကို ပေါင်းထည့်သည်။

သုတေသီများသည် COCONUT နှင့် ဤအတိအကျချဉ်းကပ်နည်းကို ခံယူခဲ့ကြသည်။

အဆင့် 1- ဖောင်ဒေးရှင်း

ပထမ၊ မော်ဒယ်သည် သမားရိုးကျ တွေးခေါ်မှုဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုမှတဆင့် အခြားသော AI များကဲ့သို့ သင်ယူသည်။ ဒါက ခိုင်မာတဲ့ အခြေခံ နားလည်မှုကို ပေးတယ်။

အဆင့် 2- အကူးအပြောင်း

ဒီမှာ စိတ်ဝင်စားဖို့ကောင်းတယ်။ တဖြည်းဖြည်းနဲ့ ရေးထားတဲ့ ကျိုးကြောင်းဆင်ခြင်မှု အဆင့်တွေဟာ အဆက်မပြတ် အတွေးတွေနဲ့ အစားထိုးလာတယ်။ မော်ဒယ်သည် ၎င်း၏ကိုယ်ပိုင်အတွင်းပိုင်းတွေးခေါ်မှုပုံစံများကို ဖွံ့ဖြိုးတိုးတက်စေခြင်းဖြင့် လေ့ကျင့်ရေးဘီးများကို ဖြည်းညှင်းစွာဖယ်ရှားကာ စိတ်ကူးကြည့်ပါ။

အဆင့် 3- လက်ကျန်ငွေ

နောက်ဆုံးတွင်၊ မော်ဒယ်သည် ငုပ်လျှိုးနေသော အာကာသအတွင်း နက်နဲသော တွေးခေါ်မှုအကြား ချောမွေ့စွာ ပြောင်းလဲရန်နှင့် ၎င်း၏ ထိုးထွင်းသိမြင်မှုကို ရှင်းလင်းသော ဘာသာစကားဖြင့် ဆက်သွယ်ရန် သင်ယူသည်။

လေ့ကျင့်နေစဉ်အတွင်း၊ မော်ဒယ်သည် ကျိုးကြောင်းဆင်ခြင်ခြင်းလမ်းကြောင်းများစွာကို တပြိုင်နက်တည်း ထည့်သွင်းစဉ်းစားခြင်းကဲ့သို့ မည်သူမျှ အထူးတလည် အစီအစဉ်ဆွဲထားခြင်း မရှိသော စွမ်းရည်များကို တီထွင်ခဲ့သည်။ ကျွန်ုပ်တို့သည် ပိုမိုသဘာဝကျသော AI ကျိုးကြောင်းဆင်ခြင်ခြင်းပုံစံများနှင့် ပိုမိုနီးကပ်လာနိုင်ကြောင်း အကြံပြုသောကြောင့် ဤပေါ်ပေါက်လာသောအပြုအမူသည် အထူးစိတ်လှုပ်ရှားစရာကောင်းပါသည်။ ယင်းသည် အကြီးမားဆုံးသော အောင်မြင်မှုများဆီသို့ ဦးတည်သွားလေ့ရှိသော မမျှော်လင့်ထားသော တိုးတက်မှုများဖြစ်သည်။

စောစောကပြောခဲ့တဲ့ neuroimaging လေ့လာမှုတွေကို မှတ်မိလား။ လူ့ဦးနှောက်များသည် ဘာသာစကားစင်တာများမပါဘဲ ရှုပ်ထွေးသော ကျိုးကြောင်းဆင်ခြင်ခြင်းအလုပ်များကို လုပ်ဆောင်လေ့ရှိကြောင်း ၎င်းတို့က ပြသခဲ့သည်။ COCONUT သည် အလားတူပုံစံများကို တီထွင်နေပုံရသည် - ၎င်း၏ဇာတိအာရုံကြောနေရာကို နက်နက်ရှိုင်းရှိုင်းတွေးခေါ်ကာ ဆက်သွယ်ရေးအတွက် လိုအပ်သည့်အခါမှသာ ဘာသာစကားသို့ ပြောင်းလဲနေပုံရသည်။

နံပါတ်များသည် ပုံပြင်တစ်ပုဒ်ကို ပြောပြသည်။

သုတေသနမှ ထင်ရှားသော နောက်ထပ် တွေ့ရှိချက်အချို့

• သင်္ချာစကားလုံးပြဿနာများ (GSM8k): ဤတွင်၊ COCONUT သည် 34.1% တိကျမှုကို ရရှိခဲ့သည်။ ၎င်းသည် သမားရိုးကျ Chain-of-Thought (42.9%) အောက်တွင် ကျဆင်းနေသော်လည်း၊ အခြေခံနည်းလမ်းများထက် သိသိသာသာ ကောင်းမွန်ပါသည်။
• Logical Deduction (ProntoQA)- COCONUT သည် 99.8% တိကျမှုရှိပြီး ရိုးရာ Chain-of-Thought ၏ 98.8% ကို မြှင့်တင်ထားသည်။ ဒါပေမယ့် ဒါက kicker ပါ - CoT ရဲ့ 9 နဲ့ နှိုင်းယှဉ်ရင် တိုကင် 92.5 ခုပဲသုံးရင်း ဒါကိုလုပ်ခဲ့တယ်။
• ရှုပ်ထွေးသောစီမံကိန်း (ProsQA)- ဤအဆင့်မြင့်သော ကျိုးကြောင်းဆင်ခြင်စမ်းသပ်မှုမှ အထင်ကြီးလောက်သော ရလဒ်များဖြစ်သည်။ COCONUT သည် 97% တိကျမှုရရှိခဲ့သော်လည်း ရိုးရာနည်းလမ်းများက 77.5% သာရှိခဲ့သည်။ ထို့အပြင်၊ ၎င်းသည် မှတ်သားဖွယ်ကောင်းသော ထိရောက်မှုဖြင့် ၎င်းကို လုပ်ဆောင်ခဲ့သည် - 14.2 တိုကင်များနှင့် 49.4။

ဤရလဒ်များကို အလားအလာကောင်းဖြစ်စေသည့်အရာမှာ ကိန်းဂဏန်းအကြမ်းသက်သက်မဟုတ်ပေ၊ ယင်းသည် မတူညီသော တွေးခေါ်မှုပုံစံများအကြောင်း ၎င်းတို့ဖော်ပြသောအရာဖြစ်သည်။ COCONUT သည် သင်္ချာဆိုင်ရာ ကျိုးကြောင်းဆီလျော်မှုဖြင့် ၎င်း၏ခြေရာကို ဆက်လက်ရှာဖွေနေနိုင်သော်လည်း ရှုပ်ထွေးသောယုတ္တိဗေဒဆိုင်ရာ အစီအစဉ်ဆွဲခြင်းနှင့် နုတ်ယူခြင်းလိုအပ်သော အလုပ်များတွင် ထူးချွန်ပါသည်။

COCONUT သည် AI စနစ်များကို ကျိုးကြောင်းဆင်ခြင်နိုင်ပုံကို အခြေခံပြန်လည်စဉ်းစားခြင်းအား ကိုယ်စားပြုပြီး ၎င်းသည် ကျွန်ုပ်တို့အား ပိုမိုသဘာဝ၊ ထိရောက်ပြီး အားကောင်းသည့် ဉာဏ်ရည်တုပုံစံများထံ ပိုမိုနီးကပ်စေပါသည်။ ဘာသာစကားအခြေခံ ကျိုးကြောင်းဆင်ခြင်ခြင်းမှ စဉ်ဆက်မပြတ် တွေးခေါ်မှုအထိ ခရီးသည် ပိုမိုစွမ်းဆောင်ရည်နှင့် ထိရောက်သော AI စနစ်များဆီသို့ ခြေလှမ်းတစ်ခုဖြစ်သည်။