Nace.AI: Drex v1.5

Drex 1.5 to tekstowy model decyzyjny Nace.AI. Ocenia dostarczone fakty względem zamkniętych pytań i zwraca liczbowe, typowane odpowiedzi zamiast otwartej odpowiedzi pisemnej. Żądanie łączy jeden stan z nazwanymi pytaniami, a wynik identyfikuje każdą odpowiedź tą samą nazwą pytania. Daje to procesowi konkretną kategorię, prawdopodobieństwo lub pozycję w rubryce do wykorzystania, pozostawiając aplikacji działanie podejmowane na podstawie wyniku.

Przygotowanie stanu

Stan to informacja, której dotyczą wszystkie pytania. Drex akceptuje ciąg znaków JSON, obiekt, tablicę, liczbę, wartość logiczną lub null, przy czym pole state jest wymagane. Dostarcz znaczący materiał, nawet jeśli null przechodzi walidację producenta. Ciąg znaków pasuje do wiadomości, dokumentu lub transkrypcji; obiekt — do faktów już zorganizowanych w polach. Zachowaj informacje wpływające na decyzję i pomijaj niezwiązane pola, gdy materiał jest długi. Utrzymuj stały format wejścia podczas interpretowania progów prawdopodobieństwa, ponieważ zmiana reprezentacji może zmienić odpowiedź.

Drex 1.5 czyta wyłącznie tekst. Udokumentowany interfejs odrzuca obrazy, dźwięk, wideo i treść PDF zarówno w stanie, jak i w pytaniach, w tym zakodowane media oraz obiekty treści multimedialnej. Przygotuj opis obrazu, rozpoznany tekst dokumentu lub transkrypcję, zanim użyjesz takiego materiału jako dowodu. Adres zapisany tekstem nie jest pobranym dokumentem ani obrazem: model nie potrafi go otworzyć. W zgłoszeniu do wsparcia użyteczny stan to rzeczywista wiadomość i istotny kontekst, a nie odwołanie do materiału, którego model nie otrzymał.

Prawdopodobieństwo tak/nie, wybór lub ocena

Pytanie noul sprawdza, czy zachodzi warunek, i zwraca liczbę od 0 do 1 oznaczającą szacowane prawdopodobieństwo odpowiedzi tak. Zdefiniuj pytanie przez niepuste instrukcje lub co najmniej jedno niepuste kryterium true/false. Na przykład zapytaj, czy wiadomość zgłasza zepsutą funkcję, i określ, czy wolne działanie liczy się jako awaria. Drex nie narzuca wbudowanego progu tak/nie; proces korzystający z wyniku wybiera sposób interpretacji prawdopodobieństwa.

Pytanie choice wybiera jedną dostarczoną etykietę z nieuporządkowanego zbioru i zwraca prawdopodobieństwo każdej etykiety. Kryteria są obiektem, którego klucze stanowią zwracane etykiety, a każdy opis jest ciągiem znaków lub null. Używaj krótkich, stałych kluczy i jasno opisuj granice kategorii. Przykładowe zadanie kierowania może odróżniać problem z dostępem, wadę produktu i ogólne pytanie, z kategorią other dla niepasujących wiadomości. Wybrana etykieta przydaje się do kierowania; rozkład pomaga rozpoznać przypadki, w których trudno rozdzielić dwie opcje.

Pytanie score korzysta z uporządkowanej tablicy etykiet poziomów. Indeksy zaczynają się od 0, a zwracana ocena jest sumą iloczynów indeksu każdego poziomu i jego prawdopodobieństwa. Może więc znajdować się między nazwanymi poziomami. Dla skali istotności określ różnicę między problemem kosmetycznym, problemem z obejściem i całkowicie zablokowanym zadaniem. Wynik zawiera legendę poziomów i prawdopodobieństwa, a także oczekiwaną ocenę. Zachowaj ocenę ułamkową do średnich lub trendów; wybranie najbardziej prawdopodobnego poziomu i zaokrąglenie oczekiwanej oceny odpowiadają na różne pytania.

Wspólny materiał i odczytywanie wyniku

Producent dopuszcza od jednego do 512 pytań o ten sam stan. Nadaj każdemu niepusty, znaczący identyfikator, taki jak category lub severity, aby odpowiednią odpowiedź dało się zrozumieć bez odszukiwania numerowanego pytania. Rozdziel niezależne kwestie na własne pytania, zamiast łączyć kilka wymagań w jedno niejasne kryterium. Jedna wiadomość może wspierać wybór kategorii, ocenę istotności i kontrolę warunku, przy czym każde zachowuje własne znaczenie.

Odpowiedzi choice i score zawierają pewność osobno od rozkładów prawdopodobieństw. Producent wyraźnie odróżnia pewność od najwyższego prawdopodobieństwa opcji; nie obliczaj jednego na podstawie drugiego. Przy decyzji tak/nie zachowaj surowe prawdopodobieństwo z wybranym wynikiem. Przy niepewnym wyborze analizuj konkurujące prawdopodobieństwa, zamiast traktować samą zwycięską etykietę jako dowód pewności. Ustalaj progi przeglądu zgodnie z konsekwencjami błędnego wyniku dodatniego lub ujemnego i używaj reprezentatywnych oznaczonych przypadków do ich oceny.

Wersja i limity rozmiaru

Drex 1.5 dokumentuje limit stanu wynoszący 131 072 tokeny i limit wiersza wynoszący 139 264 tokeny. Limit wiersza dotyczy stanu wraz z pojedynczym najdłuższym pytaniem, w tym jego instrukcjami i opcjami; nie jest sumą wszystkich pytań w żądaniu. Zserializowany stan i pytania muszą również łącznie mieścić się w 1 048 576 bajtach UTF-8. Żądanie może spełniać limit bajtów, a nadal przekraczać limit tokenów. Starsze wydanie 1.0 podaje osobno 32 768 tokenów zarówno dla stanu, jak i dla wiersza, dlatego jego limitów nie należy przenosić do 1.5.

Nace dokumentuje drex-v1.5 jako wersjonowany identyfikator producenta, natomiast drex-latest jest zmiennym aliasem. Wyraźnie wskazuj zamierzone wydanie, gdy proces zależy od jego limitów. Błędnie sformułowane pytanie, brak stanu lub zbyt duże wejście to problem walidacji wymagający poprawionego wejścia, a nie zmienionej kategorii lub zgadywanej odpowiedzi. Przygotuj kryteria wokół obserwowalnego materiału i zachowaj razem typowany wynik, pierwotne fakty i definicję pytania. Pozwala to używać decyzji do kierowania, ustalania priorytetów lub przeglądu bez mylenia prawdopodobieństwa z gwarantowanym werdyktem.