ترجمه فارسی مقاله رگرسیون لجستیک، LLM های کوچک را به طبقه بندی کننده های “ده ها شات” قوی و قابل توضیح تبدیل می کند.

چکیده

For simple classification tasks, we show that users can benefit from the advantages of using small, local, generative language models instead of large commercial models without a trade-off in performance or introducing extra labelling costs. These advantages, including those around privacy, availability, cost, and explainability, are important both in commercial applications and in the broader democratisation of AI. Through experiments on 17 sentence classification tasks (2-4 classes), we show that penalised logistic regression on the embeddings from a small LLM equals (and usually betters) the performance of a large LLM in the “tens-of-shot” regime. This requires no more labelled instances than are needed to validate the performance of the large LLM. Finally, we extract stable and sensible explanations for classification decisions.

چکیده به فارسی (ترجمه ماشینی)

برای کارهای طبقه بندی ساده ، ما نشان می دهیم که کاربران می توانند به جای مدل های تجاری بزرگ و بدون تجارت در عملکرد یا معرفی هزینه های برچسب زدن اضافی ، از مزایای استفاده از مدل های کوچک ، محلی و مولد زبان استفاده کنند.این مزایا ، از جمله موارد مربوط به حریم خصوصی ، در دسترس بودن ، هزینه و توضیح ، هم در برنامه های تجاری و هم در دموکراتیک سازی گسترده تر هوش مصنوعی مهم است.از طریق آزمایش در 17 وظیفه طبقه بندی جمله (2-4 کلاس) ، ما نشان می دهیم که رگرسیون لجستیک مجازات شده در تعبیه از یک LLM کوچک برابر است (و معمولاً بهتر می شود) عملکرد یک LLM بزرگ در رژیم “ده ها شات”.این امر برای اعتبارسنجی عملکرد LLM بزرگ ، نیازی به نمونه های بیشتر از آنچه لازم نیست نیاز ندارد.سرانجام ، ما توضیحات پایدار و معقول را برای تصمیمات طبقه بندی استخراج می کنیم.