📣 التباين في التحقق: فهم ديناميكيات التحقق في نماذج اللغات الكبيرة 📄 ورق: 🔗 مشروع: هل تساءلت يوما عما إذا كان مدقق LLM الخاص بك موثوقا به بالفعل لمهمتك؟ يكشف إطار التحليل الخاص بنا عن ثلاثة عوامل رئيسية تحدد نجاح التحقق عبر صعوبة المشكلة وقدرة المولد وقدرة التحقق. الرؤى الرئيسية: 📈 تؤدي صعوبة المشكلة إلى التعرف على الاستجابة الصحيحة - يتفوق المدققون في المشكلات السهلة ولكنهم يكافحون مع المشكلات الصعبة 🔍 تؤثر قوة المولد على اكتشاف الأخطاء - تنتج المولدات الضعيفة أخطاء واضحة ، والمولدات القوية تخلق حلولا أنيقة ولكنها خاطئة ⚖️ يظهر تحجيم المدقق عوائد متناقصة في أنظمة معينة - في بعض الأحيان بالكاد يتفوق GPT-4o على النماذج الأصغر 💡 لتوسيع نطاق وقت الاختبار: يمكن أن تتطابق المولدات الضعيفة + التحقق مع أداء المولدات القوية ، ولا تستحق أدوات التحقق باهظة الثمن كل هذا العناء دائما. عمل رائع من قبل يفان تشو @LiamZhou98 ، أوستن شو @austinsxu ، ييلون تشو @YilunZhou ، جانفيجاي سينغ @iamjanvijay ، جيانغ غوي @JiangGui ، شفيق جوتي @JotyShafiq! #LLM #AIVerification #TestTimeScaling #FutureOfAI #EnterpriseAI