Qu’est-ce qu’un grand modèle de langage pour un robot ?
Un grand modèle de langage produit ou comprend du texte à partir d’exemples appris ; dans un robot, il peut aider à formuler une intention mais ne remplace pas les contrôleurs qui gèrent le…
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
74 résultats
Un grand modèle de langage produit ou comprend du texte à partir d’exemples appris ; dans un robot, il peut aider à formuler une intention mais ne remplace pas les contrôleurs qui gèrent le…
Tester la gestion du contexte d’un modèle de langage embarqué demande de varier longueur, ordre, langue, interruptions et informations contradictoires, puis de vérifier décisions et refus.
Réduire un contexte trop long pour un robot consiste à résumer ce qui reste utile, supprimer doublons et éléments périmés, puis conserver explicitement contraintes et état courant.
Le nombre de jetons est important pour une interaction robotique car il limite la quantité de consignes, d’historique et d’état que le modèle peut considérer à la fois.
Un jeton est une petite unité de texte traitée par un modèle de langage ; le contexte est l’ensemble des informations fournies pour produire la réponse ou la décision courante.
Éviter les biais dans des images générées pour un robot demande de varier personnes, objets, éclairages, lieux et représentations, puis de mesurer qui ou quoi est moins bien détecté.
Utiliser des images générées pour entraîner un robot permet d’augmenter des cas rares, varier les conditions et réduire certains coûts de collecte, à condition de contrôler leur réalisme.
Vérifier qu’une image générée est utile à un système de vision robotique demande de contrôler annotation, réalisme, diversité, contribution aux performances réelles et erreurs qu’elle pourrait introduire.
Documenter du code généré utilisé dans un projet robotique demande de conserver consigne, modèle, version, validation, modifications humaines, dépendances et limites d’usage.
Empêcher un code généré de contourner une sécurité robotique demande d’imposer des interfaces protégées, des permissions minimales, des tests de règles et une validation humaine avant exécution.
Évaluer une génération augmentée par recherche destinée à une aide robotique demande de mesurer pertinence des documents, exactitude, citations, abstention, délai et conséquences d’une erreur.
Réduire les affirmations inventées dans une génération augmentée par recherche demande de forcer l’ancrage aux passages, citer les sources, signaler les limites et s’abstenir quand l’information manque.
Une question plus précise ?