Sobes.tech

Machine Learning / AI

Kāda ir atšķirība starp datu paralēlismu un modeļa paralēlismu?

156

Kāda ir atšķirība starp Margin Loss un Triplet Loss?

149

Ja nav atsauces atbilžu, ir tikai dokumenti un konteksts — kā novērtēt sistēmu un no kurienes ņemt atsauces atbildi?

146

Kas vēl, papildus krustienu entropijai, var izmantot kā zaudējumu funkciju?

145

Kas ir mainījies LLM salīdzinājumā ar oriģinālo transformatoru?

143

Kura uzmanības veids ļauj samazināt sarežģītību zem O(n²)?

135

Kas notiks, ja dekoderam nodosiet 10k tokenu secību, bet modelis tika apmācīts uz 9k?

128
/3