Poolside: Laguna S 2.1 (free)

A Poolside Laguna S 2.1 szakértői keverékarchitektúrájú nyelvi modell ügynöki kódoláshoz és hosszú távú munkához. Összesen 118 milliárd paramétert és tokenenként körülbelül 8 milliárd aktív paramétert tartalmaz, így a gyártó sorozatában a kisebb Laguna XS 2.1 és a nagyobb Laguna M.1 között helyezkedik el. A modell szöveget dolgoz fel, és szöveget, kódot, következtetést és eszközhívási kéréseket állít elő egy eszközökhöz kapcsolt alkalmazásban.

Architektúrája 48 rétegen át kombinálja a globális és a csúszóablakos figyelmet: 12 globális és 36 csúszóablakos réteggel. Az 512 tokenes csúszóablak e rétegek helyi figyelmét írja le, míg a dokumentált modellkontextus 1 048 576 tokenes. Ezek különböző mértékek. A nagyobb kontextus olyan feladatokat támogat, amelyek sok lépésen át forrásfájlokat, megfigyeléseket és döntéseket halmoznak fel. Tartsa együtt a munkacélt és az érdemi bizonyítékokat, és az alkalmazott konfiguráción belül hagyjon helyet a további következtetésnek és a végső válasznak.

A modell fő célja olyan szoftveres munka, amely kitartást, ellenőrzést és átdolgozást igényel. Kódtári feladathoz adja meg az elvárt viselkedést, szövegként a releváns fájlokat, a függőségi információkat és a tényleges sikertelen kimenetet. Kérjen célzott eredményt: „Kövesse végig e regresszió okát, javasoljon a dokumentált interfészt megőrző módosítást, és azonosítsa azokat az ellenőrzéseket, amelyek megkülönböztetnék a javítást egy független változtatástól.” Eszközökhöz kapcsolt munkafolyamatban adja meg a modellnek minden végrehajtott ellenőrzés eredményét, mielőtt kiválasztja a következő lépést.

Optimalizáláshoz adjon meg méréseket és egyértelmű célt. Például: „E profil és memóriafoglalási jelentés alapján azonosítson egy szűk keresztmetszetet. Javasoljon egy módosítást, magyarázza el a várható hatását, és ugyanazon mérés megismétlése után hasonlítsa össze az alapállapottal.” Ez ellenőrizhetővé teszi a teljesítményállítást. A Poolside kiadása fontos viselkedésként tárgyalja az ellenőrzést és a folyamatos előrehaladást, de egy meggyőző magyarázat önmagában nem igazolja, hogy egy módosítás gyorsabb, helyes vagy teljes. Őrizze meg a módosítás megtartását vagy elvetését alátámasztó megfigyeléseket.

A Laguna S 2.1 támogatja az eszközhívások előtti és közötti váltakozó gondolkodást. A gyártó a korábbi asszisztensüzenetek következtetési tartalmának megőrzését ajánlja a későbbi előzményekben; e blokkok elhagyása a következtetés leállását okozhatja a folytató lépésekben. Tartsa együtt az asszisztens válaszát, az eszközhívás adatait és a hozzá tartozó eszközeredményt. Ez segít a hosszabb feladatot a tényleges állapotából folytatni a már kipróbált lépések ismételt rekonstruálása helyett.

A dokumentált gondolkodási lehetőségek az off és a max, a gyártó által leírt beállításban alapértelmezetten engedélyezett max értékkel. Ebben a módban a modell határozza meg a gondolkodási keretét; a kiadás nem kínál külön low, medium és high erőfeszítési vezérlőket. Ügynöki kódoláshoz a Poolside a gondolkodás engedélyezését és a lépések közötti megtartását ajánlja. Egyértelműen adja meg a végső anyagot és a befejezési kritériumokat, és különítse el a hosszú következtetési sorozatot a kész eredménytől. A gyártó érdemi korlátként azonosítja a túlgondolást, különösen versenymatematikai feladatoknál.

Az eszközdefiníciók különös figyelmet igényelnek. A Poolside szerint az S 2.1 kezdetben egy ismerős eszközfelületre támaszkodhat ahelyett, hogy pontosan követne egy hasonló, de eltérő sémát. Hibás vagy helytelenül escape-elt JSON-t is előállíthat, ha egy eszközargumentum beágyazott tömböt tartalmaz. Adja meg a tényleges argumentumdefiníciókat, ellenőrizze a javasolt hívásokat, és eltérés esetén pontos hibát adjon vissza. A gyártó a kontextuson belüli visszajelzésen keresztüli javítást egyes ilyen eltérések megoldási módjaként írja le. Tartsa elérhetően az eredményül kapott eszközmegfigyelést a következő döntéshez.

A gyártó külön BF16- és kvantált változatokat, valamint opcionális DFlash segédmodellt tesz közzé. Ezek külön anyagok és kiszolgálási receptek, ezért egy kvantált ellenőrzőpont memóriahasználata vagy spekulatív dekódolási teljesítménye nem feltételezhető az általános modellnévből. Szokásos szöveges munkához a forráskódot, parancskimenetet és dokumentumrészleteket olvasható szövegként készítse elő. A kiadás megjegyzi, hogy a modell nem rendelkezik képi értelmezési képességgel; egy képernyőképhez szöveges megfigyelés vagy megfelelő külső ellenőrzési lépés szükséges, mielőtt az elemzés alapjául szolgálhatna.

Kérjen olyan végső eredményt, amely azonosítja a módosított anyagot, a fontos döntéseket, a megfigyelt ellenőrzéseket és minden megoldatlan feltételt. Kódellenőrzésnél kapcsolja a megállapításokat a releváns forráshoz, és mutassa meg, hogy az egyes problémák miért befolyásolják a viselkedést. Javításnál különítse el a javasolt javítást attól, amelynek viselkedését ténylegesen ellenőrizték. A következtetés és eszközelőzmények megőrzése segíti a modellt a feladat végigvitelében, míg a végső anyag és a rögzített eredmények igazolják az elvégzett munkát.