आरंभिकरण संवर्द्धन LLM -Driven Discovery
Initializing LLM समानांतर अन्वेषण के साथ डिस्कवरी हार्नेस निश्चित बजटों के तहत मॉड्यूलर हार्नेस, कार्यों और मॉडल में अंतिम सफलता को बेहतर बनाता है।
मुख्य जानकारी
- Initializing LLM उच्च प्रदर्शन वाली प्रारंभिक आबादी के साथ डिस्कवरी हार्नेस एक निश्चित कुल token बजट के तहत अंततः खोज सफलता के लिए मंजिल बढ़ाता है।
- डिस्कवरी प्रदर्शन नाजुक और हार्नेस डिजाइन के लिए अत्यधिक संवेदनशील है, जिसमें मोड पतन - पुनरावृत्तियों की विविधता में तेज गिरावट एक सामान्य विफलता मोड के रूप में है।
- प्रारंभिक खोज बाद के परिणामों की भविष्यवाणी करती है, इसलिए एक प्रारंभिक समानांतर अन्वेषण चरण जोड़ना कई हार्नेस और कार्यों में लगातार लाभ प्रदान कर सकता है।
- अध्ययन में 5 खोज कार्यों के माध्यम से 12 मॉड्यूलर हार्नेस का मूल्यांकन किया गया, यह दर्शाता है कि आरंभिकरण लाभ हार्नेस, कार्य और LLMs पर सामान्यीकृत होते हैं।
- व्यावहारिक LLM -आधारित खोज कार्यप्रवाह के लिए, टीमों को न केवल अनुकूलन संकेतों पर ध्यान केंद्रित करना चाहिए बल्कि यह भी कि प्रारंभिक आबादी कैसे उत्पन्न होती है।
मेटा विवरण: एक अध्ययन में पाया गया है कि समानांतर अन्वेषण के साथ LLM डिस्कवरी हार्नेस को आरंभ करने से 12 मॉड्यूलर हार्नेस और 5 कार्यों में अंततः सफलता मिलती है।
टैगः LLM खोज, हार्नेस डिजाइन, मोड पतन, आरंभिकरण, मॉड्यूलर
विशेष रुप से प्रदर्शित छवि: एक पुनरावर्ती अनुकूलन लूप में फ़ीड करने वाले समानांतर खोज पथों का अमूर्त मैत्रीपूर्ण चित्रण, कोई वास्तविक लोग नहीं हैं, कोई लोगो नहीं है, न ही पाठ।
LLM -संचालित खोज का उपयोग करने वाली टीमों के लिए, एक अध्ययन में पाया गया है कि उच्च प्रदर्शन वाले प्रारंभिक आबादी के साथ हार्नेस को आरंभ करना निश्चित कुल token बजट के तहत अंततः खोज की सफलता के लिए मंजिल बढ़ाता है। परिणाम 5 विविध खोज कार्यों में मॉड्यूलर नामक 12 हार्नेस के मूल्यांकन से आता है, और यह algorithm , प्रमेय और दवा खोज वर्कफ़्लो के लिए व्यावहारिक लीवर के रूप में शुरुआती अन्वेषण की ओर इशारा करता है।
प्रारंभिक जनसंख्या क्यों महत्वपूर्ण है
एक डिस्कवरी हार्नेस LLM को पुनरावर्ती रूप से किसी उद्देश्य का अनुकूलन करने के लिए प्रेरित करता है। अध्ययन में पिछले पुनरावृत्तियों की आबादी और अंततः खोज सफलता के बीच संबंधों की जांच की जाती है। समान कुल token बजट के तहत, शुरुआती जनसंख्या की गुणवत्ता आकार देती है कि खोज कितनी दूर जा सकती है। कार्य रिपोर्ट करती है कि उच्च प्रदर्शन वाली प्रारंभिक आबादी दोहनों, कार्यों और LLMs पर फायदेमंद है।
नाजुक खोज और मोड पतन
अध्ययन 12 harnesses के सूट में हार्नेस डिजाइन पर पिछले काम को सामान्यीकृत करता है जिसे मॉड्यूलर कहा जाता है और 5 विविध खोज कार्यों में प्रदर्शन की विशेषता देता है। यह पाता है कि डिस्कवरी सफलता नाजुक और हार्नेस डिज़ाइन के लिए संवेदनशील है। एक आम विफलता मोड मोड पतन है, जो पुनरावृत्तियों की विविधता में नाटकीय गिरावट के रूप में वर्णित है। लोकप्रिय अत्याधुनिक दोहन और विविधता-प्रेरित दोहन हस्तक्षेप, जिसका उद्देश्य इस पतन को लम्बा करना है, असंगत लाभ पैदा करते हैं।
प्रारंभ के रूप में समानांतर अन्वेषण
केवल बाद के विविधता सुधारों पर भरोसा करने के बजाय, परिणाम बताते हैं कि प्रारंभिक खोजों का प्रदर्शन अंततः सफलता की भविष्यवाणी करता है। अध्ययन इसलिए एक सार्वभौमिक रूप से लागू हस्तक्षेप प्रस्तावित करता है जो बाद में पुनरावर्ती अनुकूलन को आरंभ करने के लिए समानांतर अन्वेषण का एक प्रारंभिक चरण निष्पादित करता है. यह विधि कई हार्नेस और लक्ष्य अनुप्रयोगों में लगातार लाभ प्रदान करती है, LLM - संचालित खोज में आरंभिकरण के महत्व की पुष्टि करती है।
डिस्कवरी हार्नेस के उपयोगकर्ताओं के लिए इसका क्या अर्थ है
व्यावहारिक टेकअवे यह है कि एक रन का पहला चरण बाद के परिणामों पर फर्श उठा सकता है जब कुल token बजट तय किया जाता है। LLM -आधारित डिस्कवरी टूल के उपयोगकर्ताओं के लिए, इसका मतलब है कि प्रारंभिक आबादी कैसे उत्पन्न होती है, न केवल बाद में अनुकूलन के दौरान उपयोग किए जाने वाले संकेतों पर ध्यान देना। अध्ययन शुरू करने को सीधे कई हार्नेस, कार्यों और LLMs में डाउनस्ट्रीम खोज सफलता से जोड़ता है।

Comments (0)