Skip to content
பேட்ரிக் லூயிஸும் 11 இணை ஆசிரியர்களும் 2020 மே 22 அன்று விவரித்த மீட்டெடுப்புடன் கூடிய உருவாக்கம், ஒரு சாட்பாட் பதிலளிக்கும் முன் 2.1 கோடி பத்திகள் கொண்ட அட்டவணையிலிருந்து பத்திகளைத் தேடி எடுக்க உதவுகிறது
செயற்கை நுண்ணறிவும் தொழில்நுட்பமும்

பேட்ரிக் லூயிஸும் 11 இணை ஆசிரியர்களும் 2020 மே 22 அன்று விவரித்த மீட்டெடுப்புடன் கூடிய உருவாக்கம், ஒரு சாட்பாட் பதிலளிக்கும் முன் 2.1 கோடி பத்திகள் கொண்ட அட்டவணையிலிருந்து பத்திகளைத் தேடி எடுக்க உதவுகிறது

வரைபடம்: tuput

தமிழ்

மீட்டெடுப்புடன் கூடிய உருவாக்கம், அதாவது RAG, ஒரு மொழி மாதிரியை ஆவணத் தொகுப்பில் பத்திகளைத் தேடச்செய்து, அவற்றிலிருந்து தன் பதிலை எழுதச்செய்கிறது. அதற்குப் பெயரிட்ட 2020 ஆய்வுக் கட்டுரை மூன்று திறந்த-களக் கேள்வி-பதில் பணிகளில் புதிய உச்ச நிலையை நிறுவியது; ஆவணங்களை மாற்றினால், மீண்டும் பயிற்றுவிக்காமலேயே மாதிரியின் பதில்கள் மாறுவதை அதன் ஆசிரியர்கள் காட்டினர்.

· · 5 நிமிட வாசிப்பு

ஒரு மொழி மாதிரி பயிற்சியில் கற்றதைத் தன் சொந்த எண்களுக்குள் வைத்திருக்கிறது; அந்த எண்களைப் புதுப்பிப்பது என்றால் மீண்டும் பயிற்றுவிக்க வேண்டும். 2020 மே 22 அன்று arXivக்குச் சமர்ப்பிக்கப்பட்டு NeurIPS 2020இல் ஏற்கப்பட்ட ஒரு கட்டுரையில், பேட்ரிக் லூயிஸ், ஈதன் பெரெஸ், அலெக்சாந்திரா பிக்டஸ், ஃபேபியோ பெட்ரோனி மற்றும் எட்டு இணை ஆசிரியர்கள் வேறொரு ஏற்பாட்டை விவரித்தனர். மீட்டெடுப்புடன் கூடிய உருவாக்கம் அல்லது RAG என்று அழைக்கப்பட்ட அவர்களின் மாதிரி, முதலில் ஆவணத் தொகுப்பில் தேடி, பிறகு சிறந்த பத்திகளைத் தன் முன் வைத்துக்கொண்டு பதிலை எழுதுகிறது. இது மூன்று திறந்த-களக் கேள்வி-பதில் பணிகளில் புதிய உச்ச நிலையை நிறுவியது; தொகுப்பை மாற்றுவதன் மூலமே மாதிரிக்குத் தெரிந்தவற்றை மாற்ற ஆசிரியர்களுக்கு இடமளித்தது.

நான்கு படிகள், எளிய சொற்களில்

2020 கட்டுரையிலும் அதற்குப் பின் உருவாக்கப்பட்ட அமைப்புகளிலும் இந்த வழிமுறையின் வடிவம் ஒன்றுதான். ஆந்த்ரோபிக்கின் 2024 பொறியியல் பதிவு தயாரிப்புப் படிகளைப் பட்டியலிடுகிறது: ஆவணங்களை உரைத் துண்டுகளாக, வழக்கமாக சில நூறு டோக்கன்களுக்கு மிகாமல் (டோக்கன் என்பது ஒரு சொல்லின் சிறு பகுதி) வெட்டுவது; ஒவ்வொரு துண்டையும் பொருளைக் குறியாக்கும் எண் பட்டியலான வெக்டராக மாற்ற ஓர் உட்பொதிவு மாதிரியைப் பயன்படுத்துவது; வெக்டர்களை ஒற்றுமையின் அடிப்படையில் தேடக்கூடிய தரவுத்தளத்தில் சேமிப்பது.

கேள்வி கேட்கப்படும் நேரத்தில், அமைப்பு கேள்வியை அதேபோல் வெக்டராக மாற்றி, அதன் வெக்டருக்கு மிக அருகில் உள்ள துண்டுகளைக் கொண்டுவந்து, உரை உருவாக்கிக்கு அனுப்பும் தூண்டுதலில் சேர்க்கிறது. இந்தத் துறையின் 2023 ஆய்வு மதிப்பாய்வில் காவ் மற்றும் ஒன்பது இணை ஆசிரியர்கள் இந்த மூன்று கட்டப் பதிப்பை “naive RAG” என்கின்றனர்: அட்டவணைப்படுத்தல், மீட்டெடுப்பு, உருவாக்கம்.

அசல் கட்டுரையின் எண்கள் குறிப்பிட்டவை. லூயிஸும் சக ஆசிரியர்களும் 2018 டிசம்பர் ஆங்கில விக்கிப்பீடியா தொகுப்பை எடுத்து, ஒவ்வொரு கட்டுரையையும் தனித்தனியான 100 சொல் துண்டுகளாகப் பிரித்தனர்; அது 2.1 கோடி ஆவணங்களைத் தந்தது. ஒரு வேகமான தோராய முறையில் அட்டவணையைத் தேடி, பயிற்சியில் ஒரு கேள்விக்கு 5 அல்லது 10 பத்திகளை மீட்டெடுத்து, கேள்வியுடன் சேர்த்து, 40 கோடி அளவுருக்கள் கொண்ட உரை உருவாக்கியான BART-largeக்கு வழங்கினர்.

முதலில் வந்த மீட்டெடுப்பி

தேடும் பாதி, லூயிஸின் கட்டுரைக்கு ஆறு வாரங்கள் முன்பு, 2020 ஏப்ரல் 10 அன்று சமர்ப்பிக்கப்பட்ட கட்டுரையிலிருந்து வந்தது. விளாடிமிர் கார்புகினும் லூயிஸ் உள்ளிட்ட ஏழு இணை ஆசிரியர்களும், பொதுவான சொற்களால் அல்லாமல் பொருளால் கேள்விகளைப் பத்திகளுடன் பொருத்தும் அடர் பத்தி மீட்டெடுப்பை (dense passage retrieval) உருவாக்கினர். நீண்டகாலமாக நிலைத்துள்ள சொல்-பொருத்த முறையான வலுவான BM25 அமைப்பை, முதல் 20 பத்திகளில் துல்லியத்தில் 9 முதல் 19 புள்ளிகள் வரை இது முந்தியதாக அவர்கள் கட்டுரை தெரிவிக்கிறது. Natural Questions தரவுத்தொகுப்பில் எண்கள் 59.1 சதவீதத்துக்கு எதிராக 78.4 சதவீதம்.

மெட்டா AIயின் 2020 செப்டம்பர் 28 வலைப்பதிவு, செபாஸ்டியன் ரீடல், டூவே கீலா, பேட்ரிக் லூயிஸ், அலெக்சாந்திரா பிக்டஸ் எழுதியது; RAGஐ ஃபேஸ்புக் AIயின் அடர் பத்தி மீட்டெடுப்பி BARTஉடன் இணைந்த அமைப்பாக விவரிக்கிறது. அதற்கு முந்தைய அணுகுமுறையான REALM, கெலவின் கூ மற்றும் நான்கு இணை ஆசிரியர்களால் 2020 பிப்ரவரி 10 அன்று, மொழி மாதிரியின் முன்பயிற்சியின்போதே ஒரு மீட்டெடுப்பியைப் பயிற்றுவித்தது. அந்தச் செலவுமிக்க சிறப்பு முன்பயிற்சி இல்லாமலேயே RAG வலுவான முடிவுகளை எட்டுகிறது என்றும், உச்ச நிலைச் செயல்திறனுக்குத் தனியான மறுவரிசைப்படுத்தி தேவையில்லை என்றும் லூயிஸின் கட்டுரை கூறுகிறது.

மாற்றிப் பார்க்கும் சோதனை

நடைமுறைப் பலனை மெட்டா பதிவு ஒரே வாக்கியத்தில் கூறுகிறது: RAGஉடன், “ஆவணங்களை மாற்றுவதன் மூலமே அதற்கு என்ன தெரியும் என்பதை நாம் கட்டுப்படுத்துகிறோம்.” அதன் பின்னுள்ள சோதனையைக் கட்டுரை தருகிறது; அதை அது அட்டவணை உடனடி மாற்றம் (index hot-swapping) என்கிறது.

2016 டிசம்பர் விக்கிப்பீடியா தொகுப்பிலிருந்து இரண்டாவது அட்டவணையை ஆசிரியர்கள் உருவாக்கி, அந்த இரு தேதிகளுக்கு இடையில் மாறிய 82 உலகத் தலைவர்களின் பட்டியலைத் தயாரித்தனர். “பெருவின் ஜனாதிபதி யார்?” போன்ற கேள்விகளை ஒவ்வொரு அட்டவணையிடமும் கேட்டனர். 2016 தலைவர்களுக்கு 2016 அட்டவணையுடன் 70 சதவீதமும், 2018 தலைவர்களுக்கு 2018 அட்டவணையுடன் 68 சதவீதமும் சரியாகப் பதிலளித்தது. தவறான ஆண்டின் அட்டவணையுடன் துல்லியம் 12 சதவீதத்துக்கும் 4 சதவீதத்துக்கும் சரிந்தது. மாதிரியின் உலக அறிவை, அதன் அளவுருசாரா நினைவகத்தை, அதாவது ஆவணக் களஞ்சியத்துக்கு அது பயன்படுத்தும் சொல்லை, மாற்றுவதன் மூலம் புதுப்பிக்க முடியும் என்பதே கட்டுரையின் வாசிப்பு.

அதே கட்டுரை, நினைவகம் மூல உரை என்பதால் அது மனிதர் படிக்கவும் எழுதவும் கூடியது என்று குறிப்பிடுகிறது. ஜியோபார்டி பாணி கேள்வி எழுதுதலில் மனிதர் ஒப்பீட்டில், இணையாக்கிய 452 வெளியீடுகளில் 42.7 சதவீதத்தில் BART அடிப்படையை விட RAG அதிக உண்மைத்தன்மை கொண்டது என்றும், 7.1 சதவீதத்தில் BART அதிக உண்மைத்தன்மை கொண்டது என்றும் நடுவர்கள் கண்டனர்.

மாதிரி Hugging Faceஇன் Transformers நூலகத்தின் ஒரு பகுதியாக வெளியிடப்பட்டது என்று மெட்டா பதிவு கூறுகிறது. அந்த நூலகத்துக்கு மாதிரியின் பங்களிப்பு 2020 நவம்பர் 16 அன்று நடந்தது என்று Hugging Faceஇன் ஆவணப் பக்கம் குறிப்பிட்டு, அதே சொற்களில் கருத்தை விவரிக்கிறது: தொடர்புடைய பத்திகளைக் கொண்டுவருவது, பிறகு அவற்றின் அடிப்படையில் பதிலை அமைப்பது; இதனால் அட்டவணையை மாற்றுவதன் மூலம் அறிவு புதுப்பிக்கப்படுகிறது.

துண்டுகள் தம் சூழலை இழக்கும் இடம்

பலவீனமான புள்ளி வெட்டுவதுதான். ஆந்த்ரோபிக்கின் பதிவு ஓர் எடுத்துக்காட்டைத் தருகிறது: “நிறுவனத்தின் வருவாய் முந்தைய காலாண்டை விட 3% வளர்ந்தது” என்ற துண்டு எந்த நிறுவனம் அல்லது எந்தக் காலாண்டு என்று எதுவும் கூறாததால், ஒரு குறிப்பிட்ட நிறுவனத்தின் முடிவுகளுக்கான தேடல் அதைத் தவறவிடக்கூடும். ஆந்த்ரோபிக்கின் தீர்வான சூழல்சார் மீட்டெடுப்பு, ஒவ்வொரு துண்டுக்கும் அது ஆவணத்தின் எந்த இடத்திலிருந்து வருகிறது என்பதைக் கூறும் ஒரு சிறு குறிப்பை, வழக்கமாக 50 முதல் 100 டோக்கன், ஒரு மாதிரியை எழுதச்செய்து, அட்டவணைப்படுத்துவதற்கு முன் அந்தக் குறிப்பைத் துண்டுக்கு முன்னால் வைக்கிறது.

மீட்டெடுக்கப்பட்ட முதல் 20இல் தோன்றத் தவறிய தொடர்புடைய பத்திகளின் பங்காக, குறியீட்டுத் தளங்கள், புனைகதை, arXiv கட்டுரைகள், அறிவியல் கட்டுரைகள் ஆகியவற்றின் சராசரியாக, ஆந்த்ரோபிக் தன் முடிவுகளைத் தெரிவிக்கிறது:

  • வழக்கமான உட்பொதிவுகள்: 5.7 சதவீதம் தவறின.
  • சூழல்சார் உட்பொதிவுகளுடன்: 3.7 சதவீதம்.
  • சூழல்சார் உட்பொதிவுகளும் சூழல்சார் BM25உம் சேர்ந்து: 2.9 சதவீதம்.
  • மறுவரிசைப்படுத்தும் படி சேர்த்தால்: 1.9 சதவீதம்.

இந்த எண்கள் ஆந்த்ரோபிக்கின் சொந்தத் தரவுத்தொகுப்புகளில் அதன் சொந்தச் சோதனைகள்; இவை Geminiயின் Text 004 உட்பொதிவுகளுடனும் ஒரு Cohere மறுவரிசைப்படுத்தியுடனும் நடத்தப்பட்டன; சுயாதீனமாக மீண்டும் நிகழ்த்தப்பட்டதாகப் பதிவு விவரிக்கவில்லை. அதே பதிவு முழு அணுகுமுறைக்கும் ஒரு வரம்பையும் சேர்க்கிறது: அறிவுத் தளம் சுமார் 2,00,000 டோக்கனுக்குக் குறைவாக, ஏறத்தாழ 500 பக்கங்களுக்குள் இருந்தால், மீட்டெடுப்பே இல்லாமல் அதை நேரடியாகத் தூண்டுதலில் வைத்துவிடலாம்.

மீட்டெடுப்பு நீக்காதவை

மீட்டெடுப்பு கற்பனைப் பதில்களின் விகிதத்தைக் குறைக்கிறது; அதைப் பூஜ்யத்துக்குக் கொண்டுவருவதில்லை. ஒரு சாட்பாட்டுக்குள் மீட்டெடுப்பு, மனிதர் மதிப்பீட்டாளர்களின் மதிப்பீட்டின்படி, மாயத்தோற்றத்தைக் கணிசமாகக் குறைத்தது என்று 2021இல் ஷஸ்டர் மற்றும் நான்கு இணை ஆசிரியர்கள் தெரிவித்தனர். எஞ்சியிருக்கும் தோல்வியை காவ் ஆய்வு மதிப்பாய்வு பட்டியலிடுகிறது: மீட்டெடுத்த உரை ஆதரிக்காத உள்ளடக்கத்தை மாதிரி இன்னும் எழுதக்கூடும், மீட்டெடுப்புப் படியே பொருந்தாத துண்டுகளைத் தேர்ந்தெடுக்கவும் கூடும்.

ஒரு பொருள் கூற்றுக்கான தெளிவான சோதனை சட்டத்துறையில் உள்ளது. RAG பயன்படுத்தும் வணிகச் சட்ட ஆய்வுக் கருவிகளை மகேஷ் மற்றும் ஐந்து இணை ஆசிரியர்கள் மதிப்பிட்டு, ஒவ்வொன்றும் 17 முதல் 33 சதவீத நேரம் மாயத்தோற்றம் உருவாக்கியதைக் கண்டனர்; இது பொதுப் பயன்பாட்டு சாட்பாட்டான GPT-4ஐ விடக் குறைவு, ஆனால் பூஜ்யத்தைவிட மிக அதிகம்; “மாயத்தோற்றமற்றது” என்ற விற்பனையாளர் கூற்றுகளுக்கு இது எதிரானது. அந்த ஆய்வையும் அதைத் தொடர்ந்த நீதிமன்ற உத்தரவுகளையும் AI மாயத்தோற்றம் பற்றிய tuput விளக்கக் கட்டுரை விவரிக்கிறது; RAG நிரப்பும், எண்களுக்குள் சேமிக்கப்பட்ட அறிவை ஒரு பெரிய மொழி மாதிரி எப்படிப் பயிற்றுவிக்கப்படுகிறது என்பது பற்றிய கட்டுரை விளக்குகிறது.

ஒரு பதில் எங்கிருந்து வந்தது என்பதைக் காட்டும் திறனான மூலவழிச் சான்றை, தீர்க்கப்படாத ஆராய்ச்சிச் சிக்கலாக லூயிஸின் சொந்தச் சுருக்கம் பட்டியலிடுகிறது. 2023 ஆய்வு மதிப்பாய்வு இன்னும் நம்பிக்கையுடன் உள்ளது: மீட்டெடுப்பு அடிப்படையிலான உருவாக்கம் அசல் குறிப்புகளை விரைவாகக் கண்டறிந்து, பயனர்கள் ஒரு பதிலைச் சரிபார்க்க உதவ முடியும் என்கிறது. ஒரு குறிப்பிட்ட தயாரிப்பு அந்தக் குறிப்புகளைக் காட்டுமா என்பது அது எப்படிக் கட்டப்பட்டது என்பதைப் பொறுத்தது.

ஓர் இந்திய எடுத்துக்காட்டு, தெரிந்தவற்றின் வரம்புகளுடன்

இந்திய வேளாண்மை மற்றும் விவசாயிகள் நலன் அமைச்சகம் 2026 பிப்ரவரி 17 அன்று பாரத்-விஸ்தாரின் முதல் கட்டத்தைத் தொடங்கியது. அதன் பிப்ரவரி 16 வெளியீடு, இந்த மேடை அரசு மற்றும் அறிவியல் மூலங்களை இணைத்து விவசாயிகளுக்குத் தகவல்களை வழங்குகிறது என்று கூறுகிறது: இந்திய வானிலை ஆய்வுத் துறையின் வானிலை, AgMarkNet தரும் மண்டி விலைகள், தேசிய பூச்சிக் கண்காணிப்பு அமைப்பின் பூச்சி மற்றும் நோய் ஆலோசனை, AgriStack தரவு, 10 மத்தியத் திட்டங்கள். ஒரு விவசாயி 155261 என்ற எண்ணை இந்தி அல்லது ஆங்கிலத்தில் அழைக்கலாம்; அந்த வெளியீடு மேடையை “சரிபார்க்கப்பட்ட, பாதுகாப்பான தகவலை அடிப்படையாகக் கொண்டது” என்கிறது.

அந்த வெளியீடோ, 2026 மார்ச் 13 அன்று மாநிலங்களவையில் அமைச்சகம் அளித்த பதிலோ, அடியில் உள்ள மென்பொருளை விவரிக்கவில்லை; அமைப்பு மீட்டெடுப்புடன் கூடிய உருவாக்கத்தைப் பயன்படுத்துகிறது என்றும் கூறவில்லை; ஆகவே இக்கட்டுரையும் அவ்வாறு கூறவில்லை. அந்தப் பக்கங்கள் விவரிப்பது RAG ஆதரிக்க உருவான வடிவமைப்பைத்தான்: ஒரு மாதிரியின் நினைவிலிருந்து அல்லாமல், பெயர் குறிப்பிட்ட அதிகாரப்பூர்வப் பதிவுகளிலிருந்து வர வேண்டிய பதில்கள். மற்ற ஆவணப்படுத்தப்பட்ட வேளாண் பயன்பாடுகளுடன் பாரத்-விஸ்தாரை இன்னொரு tuput கட்டுரை ஒப்பிடுகிறது.

இந்திய வேளாண் ஆராய்ச்சிக் கவுன்சிலின் பயிர் நடைமுறைகள் மேடையின் ஒரு பகுதி என்றும், தொடக்கத்திலிருந்து மூன்று மாதங்களுக்குள் மேலும் நான்கு மொழிகளும், ஆறு மாதங்களுக்குள் மேலும் ஐந்து மொழிகளும் திட்டமிடப்பட்டுள்ளன என்றும் மார்ச் 13 பதில் சேர்க்கிறது.

Share
Copied!

ஆதாரங்களும் மேலும் வாசிக்கவும்

  1. Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv:2005.11401, submitted 22 May 2020)
  2. Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, full paper (PDF)
  3. NeurIPS 2020 Proceedings: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
  4. Meta AI blog: Retrieval Augmented Generation, streamlining the creation of intelligent natural language processing models (28 September 2020)
  5. Karpukhin et al.: Dense Passage Retrieval for Open-Domain Question Answering (arXiv:2004.04906)
  6. Karpukhin et al.: Dense Passage Retrieval for Open-Domain Question Answering, full paper (PDF)
  7. Guu et al.: REALM, Retrieval-Augmented Language Model Pre-Training (arXiv:2002.08909, 10 February 2020)
  8. Hugging Face Transformers documentation: RAG
  9. Anthropic: Introducing Contextual Retrieval (19 September 2024)
  10. Gao et al.: Retrieval-Augmented Generation for Large Language Models, A Survey (arXiv:2312.10997)
  11. Gao et al.: Retrieval-Augmented Generation for Large Language Models, A Survey, full paper (PDF)
  12. Magesh et al.: Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools (arXiv:2405.20362)
  13. Shuster et al.: Retrieval Augmentation Reduces Hallucination in Conversation (arXiv:2104.07567)
  14. PIB, Ministry of Agriculture and Farmers Welfare: Bharat-VISTAAR to be launched on 17 February (16 February 2026)
  15. PIB, Ministry of Agriculture and Farmers Welfare: Rollout of BHARAT-VISTAAR Platform, Rajya Sabha reply (13 March 2026)

இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.

#retrieval-augmented generation#rag#large language models#dense passage retrieval#contextual retrieval#ai hallucination#bharat-vistaar#embeddings

பிடித்ததா? அடுத்ததைப் பெறுங்கள்.

ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.

இதே பிரிவில் மேலும்: செயற்கை நுண்ணறிவும் தொழில்நுட்பமும்
நியூயார்க்கின் இரண்டு வழக்கறிஞர்களும் அவர்களது நிறுவனமும் 2023இல் ChatGPT கண்டுபிடித்த ஆறு நீதிமன்ற வழக்குகளுக்காக 5,000 டாலர் செலுத்தினர்; 2026 அக்டோபருக்குள் ஒரு பொதுக் கண்காணிப்புப் பட்டியல் AI மாயத்தோற்றங்கள் சம்பந்தப்பட்ட 2,202 நீதிமன்றத் தீர்ப்புகளைப் பட்டியலிட்டது
நியூயார்க், அலபாமா, இந்திய உச்ச நீதிமன்றம் ஆகியவற்றின் உத்தரவுகள், சாட்போட்கள் உண்மைகளை ஏன் கண்டுபிடிக்கின்றன என்பது பற்றிய ஆய்வுக் கட்டுரைகளுடன் வைக்கப்பட்டுள்ளன. கண்டுபிடிக்கப்பட்ட மேற்கோள் நீதிபதியை எப்படி அடைகிறது, பிழை விகிதத்தைக் குறைத்தது எது, நீதிமன்றங்கள் எப்படிப் பதிலளிக்கத் தேர்ந்தெடுத்தன என்பதை அவை காட்டுகின்றன.
கூகுளின் எட்டு ஆசிரியர்கள் 2017 ஜூன் 12 அன்று டிரான்ஸ்ஃபார்மர் ஆய்வறிக்கையை வெளியிட்டனர்; அதன் பெரிய மாடல் எட்டு GPU-களில் 3.5 நாட்கள் பயிற்சிக்குப் பிறகு ஆங்கிலத்திலிருந்து ஜெர்மனுக்கான மொழிபெயர்ப்பில் 28.4 BLEU பெற்றது
இன்றைய சாட்பாட்களின் பின்னால் உள்ள வடிவமைப்பின் ஒரு விளக்கம்; ஆய்வறிக்கையின் சொந்த அட்டவணைகளையும், ஆற்றைப் பார்க்க வேண்டிய ஒரு சொல் பற்றிய கூகுளின் சொந்த எடுத்துக்காட்டையும் இது பயன்படுத்துகிறது. 2017 வடிவமைப்பில் பிற்கால மாடல்கள் எவற்றை வைத்துக்கொண்டன, எவற்றை மாற்றின, எவற்றைக் கைவிட்டன என்பதையும் இது சொல்கிறது.
2026 பிப்ரவரி 17 அன்று ஜெய்ப்பூரில் தொடங்கப்பட்ட பாரத்-விஸ்தார், 155261 எண்ணுக்குத் தொலைபேசியில் அழைத்து AI ஆலோசகரிடம் விவசாயி கேள்வி கேட்க வழி செய்கிறது; ICAR, IMD, அக்மார்க்நெட், அக்ரிஸ்டாக் தரவுகளை அது பயன்படுத்துகிறது
155261 என்ற ஒரே அழைப்பு, ICAR வழிகாட்டிகள், வானிலை, மண்டித் தரவுகளால் ஊட்டப்பட்ட AI ஆலோசகரை அடைகிறது. தொடக்க அறிவிப்புகள், மொழித் திட்டம், இதுவரை வெளியான பயன்பாட்டு எண்ணிக்கைகள் ஆகியவை தேதிகளுடனும் ஆதாரங்களுடனும் இங்கே உள்ளன.
← அனைத்துக் கட்டுரைகள்