AI Evaluation

Έλεγχος ενσωμάτωσης tax engine σε σύστημα AI χρηματοοικονομικών συμβουλών
Ομάδα αξιολογεί την prompt sensitivity και τη sycophancy ενός AI συστήματος

SyPS: όταν το ίδιο πρόβλημα κάνει το AI να αλλάζει κρίση ανάλογα με το prompt

Το SyPS δείχνει πώς κοινωνικές νύξεις αλλάζουν την κρίση των LLMs και πώς οι επιχειρήσεις μπορούν να ελέγχουν αυτή την αστάθεια πριν από το deployment.

ΠερισσότεραSyPS: όταν το ίδιο πρόβλημα κάνει το AI να αλλάζει κρίση ανάλογα με το prompt
Ερευνητές καθοδηγούν ρομποτικό σύστημα για sparse reward εκπαίδευση AI

Όταν το reward σωπαίνει: hints, critics και teachers στην εκπαίδευση AI

Μια ελεγχόμενη σύγκριση 11 μεθόδων δείχνει πότε hints, distillation και critics βοηθούν την AI με sparse reward — και πώς ένα benchmark μπορεί να αντιστρέψει το συμπέρασμα.

ΠερισσότεραΌταν το reward σωπαίνει: hints, critics και teachers στην εκπαίδευση AI
Ομάδα AI ελέγχει preference data πριν από DPO fine-tuning LLM

DPO χωρίς αυταπάτες: πώς ελέγχεις τα preference data πριν εκπαιδεύσεις ένα LLM

Το DPO βελτιστοποιεί το σήμα των preference data. Δείτε πώς ελέγχετε pairs, length bias, lexical shortcuts, tokenizer limits και κρίσιμα slices πριν από fine-tuning.

ΠερισσότεραDPO χωρίς αυταπάτες: πώς ελέγχεις τα preference data πριν εκπαιδεύσεις ένα LLM