Little Octopus @OpenledgerHQ atualizou uma explicação importante do mecanismo de prova de atribuição, que como sempre cobre alguns aspectos técnicos Eu não sei sobre tecnologia, então só posso tentar escrever meu entendimento e o significado prático desse mecanismo de prova de atribuição de uma maneira fácil de entender Professores que entendem de tecnologia são bem-vindos 🙋 O problema com a tradição: os modelos de linguagem tradicionais usam n-gram (sequências de palavras de comprimento fixo) para prever a próxima palavra, o que é rápido, mas carece de contexto para rastrear a fonte da previsão ou o contribuinte dos dados 📖Explicação do mecanismo Infini-gram: O mecanismo de Prova de Atribuição (PoA) do OpenLedger usa Infini-gram em vez do n-gram tradicional, então o Infini-gram quebra as limitações do n-gram É um mecanismo de correspondência de intervalo simbólico baseado em uma estrutura de atribuição de ∞ gramas (comprimento infinito) baseada em matrizes de sufixos, que é capaz de indexar sequências de todos os comprimentos nos dados de treinamento e oferecer suporte à rastreabilidade em tempo real de cada token na saída do modelo para identificar sua origem. O Infini-gram suporta o sistema de prova de atribuição do OpenLedger, permitindo o rastreamento preciso da resposta do modelo aos dados de treinamento sem a necessidade de acessar os componentes internos do modelo, mantendo-o rápido, transparente e reproduzível 👍 O significado prático deste mecanismo: (interpretação pessoal, se houver um problema, bem-vindo para corrigir) 1. Rastreabilidade precisa, transparente e confiável: o Infini-gram suporta o rastreamento da saída do modelo de IA palavra por palavra, informando de quais dados de treinamento vem a resposta É como colocar uma "tag de fonte" na IA para tornar todo o processo claro. Os usuários podem saber o que a IA disse e por que disse rapidamente, com total transparência e um sistema de rastreabilidade completo 2. Reconhecimento justo dos contribuidores de dados: Para os colaboradores que fornecem dados, o Infini-gram pode esclarecer quais dados ajudam a IA a gerar a resposta, e os contribuidores de dados podem finalmente ser vistos e reconhecidos Essa abordagem torna o ecossistema de IA mais justo e incentiva mais pessoas a compartilhar dados de alta qualidade 3. Expansível + eficiente: A estrutura do Infini-gram baseada em matrizes de sufixos pode rastrear a fonte em tempo real, não importa quão grande seja a quantidade de dados, e a eficiência é total Além disso, não requer cálculos complexos de gradiente e pode ser dimensionado para cenários de conjuntos de dados massivos de forma simples e eficiente 4. Torne a IA mais confiável e compatível: O Infini-gram pode fornecer um "cartão de identificação verificável" com um modelo de IA, permitindo que o conteúdo de saída determine com precisão a fonte Isso não apenas dá aos usuários mais confiança na IA, mas também atende aos requisitos regulatórios e torna a IA mais compatível e ética 🤔 O acima é meu pensamento e interpretação pessoal: no momento, algumas pessoas pretendem orientar a IA a cometer erros e incutir algumas informações e dados errados nela, e essa função do Little Octopus tem um ótimo cenário de aplicação prática para ajudá-lo a rastrear a origem dos dados de erro e corrigir erros de IA Ansioso para ver como esse recurso funciona no futuro