Trendaavat aiheet
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.

eigenrobot
robotti. ystävä. R1bro || Alaviitteet @eigenrobot_feet
Pahin syntisi on, että olet tuhonnut ja pettänyt itsesi turkkilaisen nautinnon vuoksi

𝖓𝖎𝖓𝖊 🕯22 tuntia sitten
"Turkish Delight ei edes ole hyvää, en voi uskoa, että Edmund petti perheensä sen takia"
Kyllä, juuri siinä on pointti, kaikki mitä petät Jumalan, on arvotonta ja mitätön, mutta teet sen silti. Mielenkiintoista!
83
Neuvoni on selvittää, kuinka monta lahjaa hän antaa sinulle ja hanki hänelle ne monta plus kaksi

Robert Sterling26.12. klo 08.01
näkökulma: otit vaimosi vakavasti, kun hän käski sinua olemaan hankkimatta hänelle lahjoja tänä vuonna

70
Pidin syyperäisestä konepelistä jännittävänä, mutta tämä on todella villiä
En pysty arvioimaan tätä teknisesti ilman suurta aikaa ja vaivaa. Joten oikotienä olen todella innoissani nähdäkseni, tuotetaanko täällä mitään merkittävää

Connor Davis26.12. klo 19.01
Voi helvetti... tämä artikkeli saattaa olla tärkein muutos siinä, miten käytämme LLM:iä koko vuonna.
"Suuret kausaalimallit suurista kielimalleista."
Se osoittaa, että voit kasvattaa kokonaisia kausaalisia malleja suoraan LLM:stä, ei approksimaatioista, ei fiilikoista, todellisista kausaalisista graamuista, vastafaktuuksista, interventioista ja rajoittetuista rakenteista.
Ja tapa, jolla he sen tekevät, on villi:
Sen sijaan, että kouluttaisivat erikoistunutta kausaalista mallia, he kyseenalaistavat LLM:ää kuin tiedemies:
→ poimia ehdokaskausaalinen graafi tekstistä
→ pyytää mallia tarkistamaan ehdolliset riippumattomuudet
→ havaitsevat ristiriitoja
→ uudistaa rakennetta
→ testaa vastafaktuuksia ja interventioennusteita
→ toistaa, kunnes kausaalinen malli vakautuu
Tulos on jotain, mitä emme ole koskaan ennen kokeneet:
kausaalinen järjestelmä, joka on rakennettu LLM:n sisällä käyttäen omaa piilevää maailmantietämystä.
Vertailuarvojen välillä synteettisissä, todellisessa maailmassa, sotkuisilla alueilla nämä LCM:t päihittävät klassiset kausaalisen löytämisen menetelmät, koska ne hyödyntävät LLM:n valtavaa aiempaa tietämystä pelkkien paikallisten korrelaatioiden sijaan.
Entä vastakkainen perustelu?
Yllättävän vahva.
Malli voi vastata "entä jos" -kysymyksiin, joissa standardialgoritmit epäonnistuvat täysin, yksinkertaisesti siksi, että se jo "tietää" asioita maailmasta, joita algoritmit eivät pysty päättelemään pelkästään datasta.
Tämä artikkeli vihjaa tulevaisuudesta, jossa LLM:t eivät ole pelkkiä mallikoneita.
Niistä tulee kausaalisia moottoreita, järjestelmiä, jotka muodostavat, testaavat ja tarkentavat rakenteellisia selityksiä todellisuudesta.
Jos tämä skaalautuu, jokainen kausaaliseen päättelyyn perustuva ala – taloustiede, lääketiede, politiikka ja tiede – kirjoitetaan uudelleen.
LLM:t eivät vain kerro, mitä tapahtuu.
He kertovat miksi.

130
Johtavat
Rankkaus
Suosikit
