lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
ホーム
OPRR
速報
深堀り
イベント
BlockBeats Pro
もっと見る
資金調達情報
特集
オンチェーン生態系
用語
ポッドキャスト
データ
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
Partnered With:

プロンプトを書くよりもループを回せ:独立した審判官でFable 5の6倍のパフォーマンスを叩き出せ

動察 Beatingのモニタリングによると、大規模モデルが自己修正時に過度な自信を持ちやすいという共通の欠点に対し、Anthropicチームは機械学習トレーニングの課題において比較テストを実施した。実験では、Fable 5に自己批判をさせず、代わりにCMAのOutcomes機能を用いて独立したコンテキストウィンドウ内にスコアリングエージェントを生成し、9つの指標を含む仕様書に基づいて判定役を務めさせた。

結果、独立した判定役を導入したループ設計により、Fable 5のトレーニングパイプライン改善度はOpus 4.7の6倍に達した。Fable 5は大規模なアーキテクチャ調整を試みる傾向があり、量子化によるロールバックが発生しても粘り強く修正に取り組み、極めて高いエンジニアリングレジリエンスを示した。一方、Opus 4.7は意思決定の限界から、テンプレートに沿ったスカラー定数の微調整に留まる保守的な状態に陥った。

別の実験では、セッションを跨いだオンライン学習を調査するデータベースQAタスクにおいて、チームは共有可能なマウントファイルシステムを活用し、大規模モデルがメモリを効率的に活用するための5ステップ法を導き出した。すなわち、失敗の記録、原因の診断、事実の検証、汎用ルールの抽出、ルールの直接検索である。

比較テストの結果、モデル間のパフォーマンスには深刻な段差があることが判明した。Sonnet 4.6はエラーを表面的に記録し、盲目的に推測するだけで、履歴を参照することはほとんどない。Opus 4.7は不確実性を示すマーク付きのパターン参照を構築できるが、検証カバレッジは約17%に留まる。Fable 5はメモリチェーンを完全に辿ることができ、検証カバレッジは73%に達し、診断結果を汎用ルールとして要約する。

実験は、フィードバックに応答する自己修正ループと自律的なメモリ管理を設計することが、プロンプトを直接記述して大規模モデルを誘導するよりも実戦的な価値が高いことを示している。

訂正/通報
送信
新しいライブラリを追加
自分のみが閲覧可
公開
保存
ライブラリを選択
新しいライブラリを追加
キャンセル
完了