Little Octopus @OpenledgerHQ har uppdaterat en viktig förklaring av proof-of-attribution-mekanismen, som som alltid täcker vissa tekniska aspekter Jag kan inte något om teknik, så jag kan bara försöka skriva ner min förståelse och den praktiska betydelsen av denna attributionsbevismekanism på ett lättförståeligt sätt Lärare som förstår teknik är välkomna 🙋 Problemet med tradition: Traditionella språkmodeller använder n-gram (ordsekvenser med fast längd) för att förutsäga nästa ord, vilket är snabbt men saknar sammanhang för att spåra källan till förutsägelsen eller bidragsgivaren till data 📖Förklaring av Infini-gram-mekanismen: OpenLedgers OpenLedgers Proof of Attribution-mekanism (PoA) använder Infini-gram istället för det traditionella n-grammet, så Infini-gram bryter begränsningarna med n-gram Det är en symbolisk span-matchningsmotor baserad på ett ∞-grams (oändlig längd) attributionsramverk baserat på suffixmatriser, som kan indexera sekvenser av alla längder i träningsdata och stödja spårbarhet i realtid för varje token i modellens utdata för att lokalisera dess källa. Infini-gram stöder OpenLedgers proof-of-attribution-system, vilket möjliggör korrekt spårning från modellsvar till träningsdata utan att behöva komma åt modellens interna delar, vilket håller den snabb, transparent och reproducerbar 👍 Den praktiska betydelsen av denna mekanism: (personlig tolkning, om det finns ett problem, välkommen att korrigera) 1. Exakt spårbarhet, transparent och pålitlig: Infini-gram stöder spårning av utdata från AI-modellen ord för ord, vilket berättar vilka träningsdata svaret kommer från Det är som att sätta en "källtagg" på AI:n för att göra hela processen tydlig. Användare kan snabbt veta vad AI:n sa och varför den sa, med full transparens och ett komplett spårbarhetssystem 2. Rättvist erkännande av databidragsgivare: För bidragsgivare som tillhandahåller data kan Infini-gram klargöra vilka data som hjälper AI att generera svaret, och de databidragsgivare kan äntligen ses och erkännas Detta tillvägagångssätt gör AI-ekosystemet mer rättvist och uppmuntrar fler människor att dela data av hög kvalitet 3. Expanderbar + effektiv: Infini-grams ramverk baserat på suffixarrayer kan spåra källan i realtid oavsett hur stor mängden data är, och effektiviteten är full Dessutom kräver den inga komplexa gradientberäkningar och kan enkelt och effektivt skalas till scenarier med massiva datamängder 4. Gör AI mer tillförlitlig och kompatibel: Infini-gram kan tillhandahålla ett "verifierbart ID-kort" med en AI-modell, vilket gör att utdatainnehållet kan exakt bestämma källan Detta ger inte bara användarna mer förtroende för AI, utan uppfyller också lagstadgade krav och gör AI mer följsam och etisk 🤔 Ovanstående är min personliga tanke och tolkning: för närvarande har vissa människor för avsikt att vägleda AI att göra misstag och ingjuta en del felaktig information och data i den, och den här funktionen hos Little Octopus har ett bra praktiskt tillämpningsscenario för att hjälpa dig att spåra ursprunget till feldata och korrigera AI-fel Ser fram emot att se hur den här funktionen fungerar i framtiden