Đang tải bảng tin…
Hugging Face00 bình luận7 phút đọc
Which tokens does a hybrid model predict better?
Researchers at Ai2 compare token-level prediction differences between their 7B transformer (OLMo 3) and hybrid model (OLMo Hybrid), which combines attention and recurrent layers. The study finds hybrid models outperform transformers on meaning-bearing tokens like nouns, verbs, and adjectives, and on tokens requiring contextual tracking such as pronoun resolution. However, the hybrid's advantage nearly vanishes on verbatim repeated text, where attention's ability to directly look up earlier tokens gives transformers the edge. The work also proposes using filtered token losses — scoring only specific token categories — as a more fine-grained evaluation metric to surface architectural differences during pretraining that aggregate loss metrics would miss.
Nguồn: https://huggingface.co/blog/allenai/hybrid-token-prediction. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đề xuất cho bạn
Towards Data Science130 phútAI
Letting an LLM Pick the Right RAG Page: The Arbiter Pattern at the End of Retrieval
Bài viết giới thiệu "Arbiter Pattern" trong RAG, nơi LLM đóng vai trọng tài bằng cách phân loại và đánh giá các nguồn tài liệu ứng viên dựa trên cấu trúc dữ liệu đầu vào, thay thế phương pháp kết hợp điểm số truyền thống. Tác giả nhấn mạnh embeddings nên là phương pháp cuối cùng trong tài liệu doanh nghiệp do hạn chế trong việc xác định sự vắng mặt của thông tin, trong khi keyword retrieval cung cấp khả năng phủ định chắc chắn. Ngoài ra, bài viết đề cập đến bộ chọn phương pháp truy xuất theo loại câu hỏi, lược đồ JSON thống nhất cho kết quả truy xuất nhằm đảm bảo khả năng kiểm tra, và tầm quan trọng của xử lý "không tìm thấy" đáng tin cậy trong ngữ cảnh tuân thủ quy định.
Một lập trình viên cần đọc bài này để tìm hiểu cách tối ưu hóa hệ thống RAG bằng cách áp dụng —một giải pháp linh hoạt hơn fusion score, giúp xử lý các trường hợp phức tạp trong việc lựa chọn kết quả phù hợp từ nhiều nguồn thông tin khác nhau.
