Dlaczego modele językowe “gubią się” w rozmowach

Nowy artykuł opublikowany przez Microsoft Research i Salesforce ujawnia, że nawet najbardziej zaawansowane modele językowe (LLM) zawodzą, gdy instrukcje są podawane stopniowo, a nie wszystkie naraz. Autorzy odkryli, że wydajność spada średnio o 39 procent w sześciu zadaniach, gdy podpowiedź jest rozbita na wiele części:

Rozmowa jednorundowa (po lewej) daje najlepsze wyniki, ale jest nienaturalna dla użytkownika. Rozmowa wielorundowa (po prawej) pokazuje, że nawet najlepsze i najbardziej wydajne LLM tracą skuteczność w rozmowie. Źródło: https://arxiv.org/pdf/2505.06120

Bardziej uderzające jest to, że niezawodność odpowiedzi spada gwałtownie, a prestiżowe modele takie jak ChatGPT-4.1 i Gemini 2.5 Pro wahają się między prawie idealnymi odpowiedziami a jawnymi niepowodzeniami, w zależności od tego, jak zadanie jest sformułowane; ponadto, spójność wyjścia może spaść o ponad połowę w trakcie.

Aby zbadać to zachowanie, artykuł wprowadza metodę zwaną sharding*, która dzieli w pełni określone podpowiedzi na mniejsze fragmenty i uwalnia je jeden po drugim do rozmowy.

W najbardziej podstawowych słowach, jest to równoznaczne z złożeniem spójnej i kompleksowej jednej zamówienia w restauracji, pozostawiając kelnerowi nic do zrobienia, jak tylko potwierdzić zamówienie; albo decydując się na wspólne rozwiązanie sprawy:

Dwa skrajne wersje rozmowy w restauracji (nie z nowego artykułu, tylko do celów ilustracyjnych).

Dla podkreślenia, powyższy przykład może przedstawić klienta w negatywnym świetle. Ale podstawowa idea przedstawiona w drugiej kolumnie jest taka, że transakcyjna wymiana, która wyjaśnia zestaw problemów przed ich rozwiązaniem – wydaje się racjonalnym i rozsądnym sposobem podejścia do zadania.

Ten układ jest odzwierciedlony w nowej pracy, w podejściu sharded do interakcji z LLM. Autorzy zauważają, że LLM często generują zbyt długie odpowiedzi i następnie polegają na własnych spostrzeżeniach nawet wtedy, gdy okazują się one błędne lub nieistotne. Ta tendencja, w połączeniu z innymi czynnikami, może spowodować, że system całkowicie straci ślad rozmowy.

W rzeczywistości, badacze zauważają to, co wiele z nas odkryło anegdotycznie – że najlepszym sposobem na przywrócenie rozmowy do właściwego toru jest rozpoczęcie nowej rozmowy z LLM.

‘Jeśli rozmowa z LLM nie doprowadziła do oczekiwanych wyników, rozpoczęcie nowej rozmowy, która powtarza te same informacje, może dać znacznie lepsze wyniki niż kontynuowanie trwającej rozmowy.

‘To dlatego, że obecne LLM mogą zgubić się w rozmowie, a nasze eksperymenty pokazują, że kontynuowanie rozmowy z modelem jest nieskuteczne. Ponadto, ponieważ LLM generują tekst z losowością, nowa rozmowa może doprowadzić do lepszych wyników.’

Autorzy przyznają, że systemy agenty, takie jak Autogen lub LangChain, mogą potencjalnie poprawić wyniki, działając jako warstwy interpretacyjne między użytkownikiem a LLM, komunikując się z LLM tylko wtedy, gdy zebrane zostały wystarczające “sharded” odpowiedzi, aby utworzyć spójne zapytanie (które użytkownik nie będzie mógł zobaczyć).

Jednak autorzy twierdzą, że oddzielna warstwa abstrakcji nie powinna być konieczna, lub powinna być zbudowana bezpośrednio w źródłowym LLM:

‘Można twierdzić, że funkcje wielorundowe nie są konieczną cechą LLM, ponieważ mogą być przeniesione do ramy agenta. Innymi słowy, czy potrzebujemy rodzimej obsługi wielorundowej w LLM, gdy ramy agenta mogą prowadzić interakcje z użytkownikami i wykorzystywać LLM tylko jako operatorów jednorundowych?…’

Ale po przetestowaniu tej propozycji w swoich przykładach, dochodzą do wniosku:

‘[Poleganie] na ramie agenta do przetwarzania informacji może być ograniczające, i twierdzimy, że LLM powinny rodzinnie wspierać interakcje wielorundowe’

Ten interesujący nowy artykuł nosi tytuł LLM Get Lost In Multi-Turn Conversation i pochodzi od czterech badaczy z MS Research i Salesforce,

Fragmented Conversations

Nowa metoda najpierw rozdziela konwencjonalne instrukcje jednorundowe na mniejsze fragmenty, zaprojektowane do wprowadzenia w kluczowych momentach podczas interakcji z LLM, struktura, która odzwierciedla eksploracyjny, dwukierunkowy styl zaangażowania widoczny w systemach takich jak ChatGPT lub Google Gemini.

Każda oryginalna instrukcja jest samodzielną, zwartej podpowiedzi, która dostarcza całe zadanie w jednym przejściu, łącząc pytanie na wysokim poziomie, kontekst wspierający i warunki istotne. Wersja sharded rozdziela ją na wiele mniejszych części, z których każda dodaje tylko jeden kawałek informacji:

<img class=" wp-image-217458" src="https://www.unite.ai/wp-content/uploads/2025/05/sharded-and-unsharded.jpg" alt="Para instrukcji pokazująca (a) pełną podpowiedź dostarczoną w jednej rundzie i (b) jej wersję sharded używaną do symulowania niepełnej, wielorundowej interakcji. Semantycznie, każda wersja dostarcza ten sam ładunek informacyjny.” width=”908″ height=”213″ /> Para instrukcji pokazująca (a) pełną podpowiedź dostarczoną w jednej rundzie i (b) jej wersję sharded używaną do symulowania niepełnej, wielorundowej interakcji. Semantycznie, każda wersja dostarcza ten sam ładunek informacyjny.

Pierwszy fragment zawsze wprowadza główny cel zadania, a reszta dostarcza wyjaśniające szczegóły. Razem, dostarczają ten sam contenu, co oryginalna podpowiedź, ale rozłożony naturalnie na wiele rund w rozmowie.

Każda symulowana rozmowa rozgrywa się między trzema komponentami: asystentem, modelem podlegającym ocenie; użytkownikiem, symulowanym agentem z dostępem do pełnej instrukcji w postaci sharded; oraz systemem, który nadzoruje i ocenia wymianę.

Rozmowa zaczyna się od ujawnienia pierwszego fragmentu przez użytkownika i odpowiedzi asystenta. System klasyfikuje tę odpowiedź do jednej z kilku kategorii, takich jak żądanie wyjaśnienia lub pełna próba odpowiedzi.

Jeśli model próbuj odpowiedzieć, oddzielny komponent wyodrębnia tylko istotny fragment do oceny, ignorując otaczający tekst. Na każdej nowej rundzie, użytkownik ujawnia jeden dodatkowy fragment, wywołując kolejną odpowiedź. Wymiana kontynuuje się, aż model odpowie poprawnie lub nie będą już więcej fragmentów do ujawnienia:

<img class=" wp-image-217459" src="https://www.unite.ai/wp-content/uploads/2025/05/simulating-sharded-conversations.jpg" alt="Diagram symulacji rozmowy sharded, z modelem ocenianym wyróżnionym na czerwono.” width=”906″ height=”265″ /> Diagram symulacji rozmowy sharded, z modelem ocenianym wyróżnionym na czerwono.

Wczesne testy pokazały, że modele często pytają o informacje, które jeszcze nie zostały udostępnione, więc autorzy porzucili pomysł ujawniania fragmentów w ustalonej kolejności. Zamiast tego, symulator został użyty do decydowania, który fragment ujawnić następnie, w zależności od przebiegu rozmowy.

Symulator użytkownika, zaimplementowany przy użyciu GPT-4o-mini, miał pełny dostęp do całej instrukcji i historii rozmowy, a jego zadaniem było decydowanie, na każdej rundzie, który fragment ujawnić następnie, w zależności od przebiegu wymiany.

Symulator użytkownika również przeformułowywał każdy fragment, aby utrzymać płynność rozmowy, nie zmieniając znaczenia. To pozwoliło symulacji odzwierciedlić “dawanie i branie” prawdziwej rozmowy, jednocześnie zachowując kontrolę nad strukturą zadania.

Przed rozpoczęciem rozmowy, asystent otrzymuje tylko podstawowe informacje niezbędne do wykonania zadania, takie jak schemat bazy danych lub odniesienie do interfejsu API. Nie jest informowany, że instrukcje będą rozdzielone, i nie jest nakierowany na konkretny sposób obsługi rozmowy. To jest robione celowo: w prawdziwym użyciu, modele są prawie nigdy nie informowane, że podpowiedź będzie niepełna lub zaktualizowana w czasie, a pominięcie tego kontekstu pomaga symulacji odzwierciedlić, jak model zachowuje się w bardziej realistycznym kontekście.

GPT-4o-mini został również użyty do decydowania, jak odpowiedzi modelu powinny być klasyfikowane, oraz do wyciągnięcia ostatecznych odpowiedzi z tych odpowiedzi. To pomogło symulacji pozostać elastyczną, ale wprowadziło okazjonalne błędy: jednak po sprawdzeniu kilkuset rozmów ręcznie, autorzy stwierdzili, że mniej niż pięć procent miało jakiekolwiek problemy, a mniej niż dwa procent pokazały zmianę wyniku z powodu nich, i uznali to za wystarczająco niski wskaźnik błędów w ramach projektu.

Simulation Scenarios

Autorzy użyli pięciu typów symulacji, aby przetestować zachowanie modelu w różnych warunkach, każdy z nich jest wariacją sposobu, w jaki części instrukcji są ujawniane.

W ustawieniu Full, model otrzymuje całą instrukcję w jednej rundzie. To reprezentuje standardowy format testowy i służy jako podstawa wydajności.

W ustawieniu Sharded, instrukcja jest rozdzielona na wiele części i dostarczona jeden po drugim, symulując bardziej realistyczną, niepełną rozmowę. To jest główne ustawienie używane do testowania, jak dobrze modele radzą sobie z wielorundowym wejściem.

W ustawieniu Concat, fragmenty są ponownie łączone w jedną listę, zachowując ich sformułowanie, ale usuwając strukturę rundową. To pomaga izolować efekty fragmentacji rozmowy od przeformułowania lub utraty treści.

W ustawieniu Recap, działa jak Sharded, ale dodaje ostateczną rundę, w której wszystkie poprzednie fragmenty są powtórzone przed udzieleniem ostatecznej odpowiedzi przez model. To testuje, czy podsumowanie może pomóc odzyskać zagubiony kontekst.

W końcu, Snowball idzie dalej, powtarzając wszystkie poprzednie fragmenty na każdej rundzie, utrzymując całą instrukcję widoczną, gdy rozmowa się rozwija – i oferując bardziej wyrozumiałe testowanie wielorundowej zdolności.

<img class=" wp-image-217460" src="https://www.unite.ai/wp-content/uploads/2025/05/simulation-types.jpg" alt="Typy symulacji oparte na instrukcjach sharded. W pełni określona podpowiedź jest dzielona na mniejsze części, które mogą być następnie użyte do symulowania albo jednorundowych (Full, Concat), albo wielorundowych (Sharded, Recap, Snowball) rozmów, w zależności od tego, jak szybko informacje są ujawniane.” width=”839″ height=”410″ /> Typy symulacji oparte na instrukcjach sharded. W pełni określona podpowiedź jest dzielona na mniejsze części, które mogą być następnie użyte do symulowania albo jednorundowych (Full, Concat), albo wielorundowych (Sharded, Recap, Snowball) rozmów, w zależności od tego, jak szybko informacje są ujawniane.

Tasks and Metrics

Sześć zadań generacyjnych zostało wybranych, aby objąć zarówno programowanie, jak i domeny języka naturalnego: podpowiedzi generowania kodu pochodziły z HumanEval i LiveCodeBench; zapytania Text-to-SQL pochodziły z Spider; wywołania API zostały skonstruowane przy użyciu danych z Berkeley Function Calling Leaderboard; elementarne problemy matematyczne zostały dostarczone przez GSM8K; zadania opisu tabelarycznego oparte były na ToTTo; oraz podsumowania wielodokumentowe pochodziły z Summary of a Haystack dataset.

Wydajność modelu była mierzona przy użyciu trzech podstawowych miar: średniej wydajności, zdolności i niezawodności.

Średnia wydajność ujmowała, jak dobrze model radził sobie ogólnie w wielu próbach; zdolność odzwierciedlała najlepsze wyniki, jakie model mógł osiągnąć, oparte na jego najlepszych odpowiedziach; oraz niezawodność mierzyła, jak bardzo te wyniki się różniły, z większymi lukami między najlepszymi i najgorszymi wynikami wskazującymi na mniej stabilne zachowanie.

Wszystkie wyniki zostały umieszczone w skali 0-100, aby zapewnić spójność w zadaniach, a miary zostały obliczone dla każdej instrukcji – a następnie przeciętnie, aby dać ogólny obraz wydajności modelu.

<img class=" wp-image-217462" src="https://www.unite.ai/wp-content/uploads/2025/05/code.jpg" alt="Sześć zadań sharded użytych w eksperymentach, obejmujących zarówno programowanie, jak i generowanie języka naturalnego. Każde zadanie jest pokazane z pełną instrukcją i jej wersją sharded. Między 90 a 120 instrukcji zostało dostosowanych z ustanowionych benchmarków dla każdego zadania.” width=”863″ height=”500″ /> Sześć zadań sharded użytych w eksperymentach, obejmujących zarówno programowanie, jak i generowanie języka naturalnego. Każde zadanie jest pokazane z pełną instrukcją i jej wersją sharded. Między 90 a 120 instrukcji zostało dostosowanych z ustanowionych benchmarków dla każdego zadania.

Contenders and Tests

W początkowych symulacjach (z oszacowanym kosztem 5000 dolarów), 600 instrukcji obejmujących sześć zadań zostało rozdzielonych i użytych do symulowania trzech typów rozmów: full, concat i sharded. Dla każdej kombinacji modelu, instrukcji i typu symulacji, dziesięć rozmów zostało uruchomionych, wytwarzając ponad 200 000 symulacji – co umożliwiło uchwycenie zarówno ogólnej wydajności, jak i głębszych miar zdolności i niezawodności.

Piętnaście modeli zostało przetestowanych, obejmujących szeroki zakres dostawców i architektur: modele OpenAI GPT-4o (wersja 2024-11-20), GPT-4o-mini (2024-07-18), GPT-4.1 (2025-04-14), oraz model myślowy o3 (2025-04-16).

Modele Anthropic były Claude 3 Haiku (2024-03-07) i Claude 3.7 Sonnet (2025-02-19), dostępne za pośrednictwem Amazon Bedrock.

Google wniósł Gemini 2.5 Flash (preview-04-17) i Gemini 2.5 Pro (preview-03-25). Modele Meta były Llama 3.1-8B-Instruct i Llama 3.3-70B-Instruct, a także Llama 4 Scout-17B-16E, za pośrednictwem Together AI.

Pozostałe wpisy to OLMo 2 13B, Phi-4 i Command-A, wszystkie dostępne lokalnie za pośrednictwem Ollama lub Cohere API; oraz Deepseek-R1, dostępny za pośrednictwem Amazon Bedrock.

Dla dwóch ‘myślących’ modeli (o3 i R1), limity tokenów zostały podniesione do 10 000, aby pomieścić dłuższe łańcuchy rozumowania:

Średnie wyniki wydajności dla każdego modelu w sześciu zadaniach: kod, baza danych, akcje, dane do tekstu, matematyka i podsumowanie. Wyniki są pokazane dla trzech typów symulacji: pełnej, łączonej i rozdzielonej. Modele są uporządkowane według ich średniej wydajności w ustawieniu pełnym. Cieniowanie odzwierciedla stopień spadku wydajności od ustawienia pełnego, a ostatnie dwie kolumny raportują średnie spadki dla łączonej i rozdzielonej w porównaniu z pełną.

W odniesieniu do tych wyników, autorzy stwierdzają^†:

‘Na wysokim poziomie, każdy model wykazuje spadek wydajności we wszystkich zadaniach, gdy porównujemy pełną i rozdzieloną wydajność, ze średnim spadkiem o 39 procent. Nazywamy to zjawisko Lost in Conversation: modele, które osiągają wyśmienitą (90%+) wydajność w laboratoryjnym ustawieniu pełnej, jednorundowej rozmowy, mają trudności w tych samych zadaniach w bardziej realistycznym ustawieniu, gdy rozmowa jest niepełna i wielorundowa.’

Concat wyniki średnio osiągnęły 95 procent pełnej, wskazując, że spadek wydajności w ustawieniu rozdzielonym nie może być wyjaśniony utratą informacji. Mniejsze modele, takie jak Llama3.1-8B-Instruct, OLMo-2-13B i Claude 3 Haiku, wykazały bardziej wyraźny spadek w ustawieniu concat, sugerując, że mniejsze modele są ogólnie mniej odporne na przeformułowanie niż większe.

Autorzy zauważają^†:

‘Zaskakująco, modele o lepszej wydajności (Claude 3.7 Sonnet, Gemini 2.5, GPT-4.1) są równie zagubione w rozmowie w porównaniu z mniejszymi modelami (Llama3.1-8B-Instruct, Phi-4), ze średnim spadkiem o 30-40 procent. To częściowo wynika z definicji miar. Ponieważ mniejsze modele osiągają niższe absolutne wyniki w FULL, mają mniej możliwości spadku niż lepsze modele.

‘Krótko mówiąc, niezależnie od tego, jak silna jest wydajność modelu w jednej rundzie, obserwujemy duże spadki wydajności w ustawieniu wielorundowym.’

Początkowy test wskazuje, że niektóre modele radziły sobie lepiej w określonych zadaniach: Command-A w akcjach, Claude 3.7 Sonnet i GPT-4.1 w kodzie; oraz Gemini 2.5 Pro w danych do tekstu, wskazując, że zdolność wielorundowa różni się w zależności od domeny. Modele myślące, takie jak o3 i Deepseek-R1, nie radziły sobie lepiej ogólnie, być może dlatego, że ich dłuższe odpowiedzi wprowadzały więcej założeń, które tendencję do wprowadzania zamieszania w rozmowie.

Reliability

Związek między zdolnością a niezawodnością, widoczny w symulacjach jednorundowych, wydaje się rozpadający się w warunkach wielorundowych. Podczas gdy zdolność spadała tylko nieznacznie, niezawodność podwajała się średnio. Modele, które były stabilne w pełnych podpowiedziach, takie jak GPT-4.1 i Gemini 2.5 Pro, stały się równie kapryśne jak słabsze modele, takie jak Llama3.1-8B-Instruct lub OLMo-2-13B, gdy instrukcja została rozdzielona.

Przegląd zdolności i niezawodności w postaci wykresu pudełkowego (a), po którym następują wyniki niezawodności z eksperymentów z piętnastoma modelami (b), oraz wyniki z testu stopniowego rozdzielania, gdzie instrukcje zostały podzielone na jeden do ośmiu fragmentów (c).

Odpowiedzi modelu często różniły się o tyle, co 50 punktów w tym samym zadaniu, nawet gdy nic nowego nie zostało dodane, sugerując, że spadek wydajności nie był spowodowany brakiem umiejętności, ale tym, że model stawał się coraz bardziej niestabilny w trakcie rund.

Artykuł stwierdza^†:

‘[Chociaż] lepsze modele mają nieznacznie wyższą wielorundową zdolność, wszystkie testowane przez nas modele wykazują podobny poziom niezawodności. Innymi słowy, w ustawieniu wielorundowym i niepełnym, wszystkie testowane przez nas modele wykazują bardzo wysoką niezawodność, ze spadkiem wydajności o 50 punktów na średnio między najlepszym a najgorszym symulowanym przebiegiem dla ustalonej instrukcji.’

Aby przetestować, czy spadek wydajności jest związany z liczbą rund, autorzy przeprowadzili eksperyment z stopniowym rozdzielaniem, dzieląc każdą instrukcję na jeden do ośmiu fragmentów (patrz kolumna po prawej stronie powyższego obrazu).

W miarę wzrostu liczby fragmentów, niezawodność rosła stopniowo, potwierdzając, że even niewielkie zwiększenia liczby rund czynią modele bardziej niestabilnymi. Zdolność pozostała w dużej mierze niezmieniona, potwierdzając, że problem leży w konsystencji, a nie w zdolności.

Temperature Control

Oddzielny zestaw eksperymentów sprawdził, czy niezawodność jest po prostu produktem losowości. Aby to zrobić, autorzy zmieniali ustawienie temperatury zarówno asystenta, jak i symulacji użytkownika, na trzy wartości: 1,0, 0,5 i 0,0.

W ustawieniach jednorundowych, takich jak pełne i łączone, zmniejszenie temperatury asystenta znacznie poprawiło niezawodność, redukując zmienność o tyle, co 80 procent; ale w ustawieniu rozdzielonym, ta sama interwencja miała niewielki wpływ:

Wyniki niezawodności dla różnych kombinacji temperatur asystenta i użytkownika w ustawieniach pełnym, łączonym i rozdzielonym, z niższymi wartościami wskazującymi większą spójność odpowiedzi.

Nawet gdy zarówno asystent, jak i użytkownik mieli ustawioną temperaturę na zero, niezawodność pozostała wysoka, z GPT-4o wykazującym zmienność wokół 30 procent, co sugeruje, że niestabilność obserwowana w wielorundowych rozmowach nie jest po prostu szumem stochastycznym, ale słabością strukturalną w tym, jak modele radzą sobie z fragmentowanym wejściem.

Implications

Autorzy piszą o implikacjach swoich odkryć w nietypowo długim fragmencie na zakończenie artykułu, twierdząc, że silna wydajność w jednej rundzie nie gwarantuje niezawodności wielorundowej, i ostrzegają przed zbyt silnym poleganiem na w pełni określonych benchmarkach przy ocenianiu gotowości do użycia w świecie rzeczywistym (ponieważ takie benchmarki maskują niestabilność w bardziej naturalnych, fragmentowanych interakcjach).

Twierdzą również, że niezawodność nie jest po prostu artefaktem próbkowania, ale podstawową ograniczeniem w tym, jak obecne modele przetwarzają ewoluujące wejście, i sugerują, że to podnosi obawy dotyczące ram agentów, które polegają na zrównoważonym rozumowaniu w trakcie rund.

W końcu, twierdzą, że zdolność wielorundowa powinna być traktowana jako podstawowa zdolność LLM, a nie coś, co można przerzucić na zewnętrzne systemy.

Autorzy zauważają, że ich wyniki prawdopodobnie zaniżają prawdziwą skalę problemu, i zwracają uwagę na idealne warunki testu: symulator użytkownika w ich ustawieniu miał pełny dostęp do instrukcji i mógł ujawniać fragmenty w optymalnej kolejności, co dało asystentowi nierzeczywiste korzyści kontekstowe (w użyciu rzeczywistym, użytkownicy często dostarczają fragmentowane lub niejasne podpowiedzi bez wiedzy, co model potrzebuje usłyszeć jako następne).

Ponadto, asystent został oceniony natychmiast po każdej rundzie, zanim cała rozmowa się rozwinęła, uniemożliwiając późniejsze zamieszanie lub sprzeczności w odpowiedziach, co inaczej pogorszyłoby wydajność. Te wybory, choć konieczne do kontroli eksperymentalnej, oznaczają, że luki niezawodności obserwowane w praktyce są prawdopodobnie jeszcze większe niż te raportowane.

Kończą:

‘[Uważamy], że przeprowadzone symulacje reprezentują łagodne środowisko testowe dla zdolności wielorundowych LLM. Ponieważ warunki symulacji są zbyt uproszczone, uważamy, że obserwowany spadek jest najprawdopodobniej zaniżoną oceną niezawodności LLM i częstotliwości, z jaką LLM “gubią się” w rozmowach w ustawieniach rzeczywistych.‘

Conclusion

Ktokolwiek, kto spędził znaczną ilość czasu z LLM, prawdopodobnie rozpozna problemy sformułowane tutaj, z praktycznego doświadczenia; i większość z nas, wydaje się, intuicyjnie porzuciła “zagubione” rozmowy LLM na rzecz nowych, w nadziei, że LLM “zacznie od nowa” i przestanie obsesjonować się materiałem, który pojawił się w długiej, wijącej się i coraz bardziej frustrującej wymianie.

Interesujące jest to, że rzucanie więcej kontekstu na problem może nie koniecznie rozwiązać go; i rzeczywiście, obserwować, że artykuł podnosi więcej pytań, niż dostarcza odpowiedzi (poza sposobami, aby ominąć problem).

* Co jest mylące, to nie jest to związane z konwencjonalnym znaczeniem ‘sharding’ w AI.

† Autorzy używają własnego podkreślenia.

Publikowany po raz pierwszy w poniedziałek, 12 maja 2025