这有些争议原因有两个模型仍
编码方面模型的水平远远超出了。然而模型既可以用于角色扮演也可以用于编写常见文本。作者在这里发布了新的模型参数大小范围为到亿个参数。值得注意的是虽然这不是一种完美的评估方式但它比以前的方法有了显着的改进。作者现在的目标是扩展他们的数据集以包含个问题而不是个并且他们正在积极改进提示以减少估计中的偏差。他们考虑了两种更客观的评估一种基于真人投票称为竞技场模型竞争的地方使用点。另一种基于基准的预测。另一个有趣的事实是模型是唯一在回答第二个问题时保持质量的模型。然自我评估虽然差异可以忽略不计但它说明了其他模型在遵循多轮对话和指令方面有多么不足。增强与的模型比较随着最近和等各种语言模型的出现 菲律宾电话号码表 使用比较模型的做法越来越流行。提供了一个独特的提示其中插入同一问题的两个答案一个来自模型另一个来自模型。然后评估者被要求对答案进。
https://raw.githubusercontent.com/shafik-120/office-img/main/12.22PM/mithila.png
行到的评分其中表示模型明显更好表示模型表示平局。和的分数表示更好的模型。交换模型和不会对分数产生显着影响例如变成变成这似乎是合乎逻辑的并且一个模型的持续优越性将导致其胜利。然而出现了位置偏差现象即模型倾向于更频繁地为模型一分配更高的分数。由于提示模式是随机洗牌的因此这种偏差预计会在中点附近表现出对称性。人类评估会考虑这种偏差以确保公平性。在团队进行的一项富有洞察力。
頁:
[1]