ترجمه فارسی مقاله برنامه ریزی به زبان طبیعی جستجوی LLM برای تولید کد را بهبود می بخشد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Planning In Natural Language Improves LLM Search For Code Generation
عنوان مقاله به فارسی برنامه ریزی به زبان طبیعی جستجوی LLM برای تولید کد را بهبود می بخشد
نویسندگان Evan Wang, Federico Cassano, Catherine Wu, Yunfeng Bai, Will Song, Vaskar Nath, Ziwen Han, Sean Hendryx, Summer Yue, Hugh Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 54
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computation and Language,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

While scaling training compute has led to remarkable improvements in large language models (LLMs), scaling inference compute has not yet yielded analogous gains. We hypothesize that a core missing component is a lack of diverse LLM outputs, leading to inefficient search due to models repeatedly sampling highly similar, yet incorrect generations. We empirically demonstrate that this lack of diversity can be mitigated by searching over candidate plans for solving a problem in natural language. Based on this insight, we propose PLANSEARCH, a novel search algorithm which shows strong results across HumanEval+, MBPP+, and LiveCodeBench (a contamination-free benchmark for competitive coding). PLANSEARCH generates a diverse set of observations about the problem and then uses these observations to construct plans for solving the problem. By searching over plans in natural language rather than directly over code solutions, PLANSEARCH explores a significantly more diverse range of potential solutions compared to baseline search methods. Using PLANSEARCH on top of Claude 3.5 Sonnet achieves a state-of-the-art pass@200 of 77.0% on LiveCodeBench, outperforming both the best score achieved without search (pass@1 = 41.4%) and using standard repeated sampling (pass@200 = 60.6%). Finally, we show that, across all models, search algorithms, and benchmarks analyzed, we can accurately predict performance gains due to search as a direct function of the diversity over generated ideas.

چکیده به فارسی (ترجمه ماشینی)

در حالی که محاسبه آموزش مقیاس منجر به پیشرفت های چشمگیر در مدل های بزرگ زبان (LLMS) شده است ، محاسبه استنتاج مقیاس هنوز دستاوردهای مشابهی نداشته است.ما فرض می کنیم که یک مؤلفه از دست رفته هسته فقدان خروجی های LLM متنوع است و منجر به جستجوی ناکارآمد به دلیل مدل ها به طور مکرر نمونه برداری از نسل های بسیار مشابه و در عین حال نادرست می شود.ما از نظر تجربی نشان می دهیم که با جستجوی برنامه های نامزد برای حل یک مشکل در زبان طبیعی ، این عدم تنوع قابل کاهش است.بر اساس این بینش ، ما Plansearch ، یک الگوریتم جستجوی جدید را پیشنهاد می کنیم که نتایج محکمی را در سراسر Humaneval+، MBPP+و LiveCodebench (معیار بدون آلودگی برای برنامه نویسی رقابتی) نشان می دهد.Plansearch مجموعه متنوعی از مشاهدات در مورد مشکل ایجاد می کند و سپس از این مشاهدات برای ساختن برنامه هایی برای حل مسئله استفاده می کند.با جستجوی برنامه ها در زبان طبیعی و نه مستقیماً بیش از راه حل های کد ، Plansearch در مقایسه با روش های جستجوی پایه ، طیف متنوع تری از راه حل های بالقوه را بررسی می کند.با استفاده از برنامه ریزی در بالای Claude 3.5 Sonnet به یک گذرگاه پیشرفته@200 از 77.0 ٪ در LiveCodebench ، بهتر از هر دو بهترین امتیاز حاصل از جستجو بدون جستجو (PASS@1 = 41.4 ٪) و استفاده از نمونه گیری مکرر استاندارد (Pass@@200 = 60.6 ٪).سرانجام ، ما نشان می دهیم که ، در تمام مدلها ، الگوریتم های جستجو و معیارهای مورد تجزیه و تحلیل ، می توانیم به طور دقیق دستاوردهای عملکرد را به دلیل جستجو به عنوان یک عملکرد مستقیم از تنوع بر روی ایده های تولید شده پیش بینی کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.