Parameter Golf က ကျွန်ုပ်တို့ကို ဘာတွေ သင်ပေးခဲ့သလဲ
ကုဒ်ရေးသားရေး အေးဂျင့်များက ပုံဖော်ပေးခဲ့သော ဖွင့်လှစ်ထားသည့် စက်သင်ယူမှု စိန်ခေါ်ပွဲတစ်ခုမှ ပါဝင်သူ ၁,၀၀၀+ ဦး၊ တင်သွင်းချက် ၂,၀၀၀+ ခုတို့မှ ရရှိလာသော သင်ခန်းစာများ။
ကျွန်ုပ်တို့သည် စက်သင်ယူမှု သုတေသနအသိုင်းအဝိုင်းကို တင်းကျပ်စွာကန့်သတ်ထားသော စက်သင်ယူမှုပြဿနာအသစ်တစ်ခုကို စူးစမ်းလေ့လာရာတွင် ပါဝင်ကူညီရန်နှင့် ပံ့ပိုးပေးရန်အတွက် Parameter Golf ကို စတင်လိုက်ပါသည်။ ကျွန်ုပ်တို့သည် စိန်ခေါ်မှုကို စစ်မှန်သော နည်းပညာဆိုင်ရာ တီထွင်ဖန်တီးမှုကို ဆုချီးမြှင့်နိုင်လောက်အောင် စိတ်ဝင်စားဖွယ်ကောင်းစေလိုပြီး သဘောတရားအရ ရိုးရှင်းပြီး အတည်ပြုရလွယ်ကူစေရန် လိုလားခဲ့ပါသည်။
ပါဝင်ယှဉ်ပြိုင်သူများသည် မော်ဒယ် weight များနှင့် training code နှစ်ခုလုံးအပါအဝင် 16 MB artifact ကန့်သတ်ချက်အတွင်းနှင့် 8×H100s ပေါ်တွင် 10 မိနစ် training budget အတွင်းရှိနေစေပြီး၊ သတ်မှတ်ထားသော FineWeb dataset ပေါ်ရှိ သီးသန့်ဖယ်ထားသော ဒေတာအတွက် loss ကို အနည်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရသည်။ ပါဝင်သူများက repo ကို မူကွဲအဖြစ် ခွဲယူနိုင်ပြီး၊ မော်ဒယ်ကို တိုးတက်အောင် ပြုလုပ်ကာ ၎င်းတို့၏ ရလဒ်များကို GitHub မှတစ်ဆင့် တင်သွင်းနိုင်ရန် ကျွန်ုပ်တို့က baseline၊ dataset နှင့် အကဲဖြတ်ရေး script များကို ပံ့ပိုးပေးခဲ့ပါသည်။
ရှစ်ပတ်ကြာကာလအတွင်းတွင် ပါဝင်သူ ၁၀၀၀ ကျော်ထံမှ တင်သွင်းမှု ၂၀၀၀ ကျော်ကို ကျွန်ုပ်တို့ လက်ခံရရှိခဲ့ပါသည်။ တင်သွင်းမှုများအားလုံးတွင် ဂရုတစိုက် optimizer ချိန်ညှိမှုနှင့် quantization လုပ်ငန်းများမှအစ၊ မော်ဒယ်တည်ဆောက်ရေး အိုင်ဒီယာအသစ်များနှင့် test-time training အထိ တွေ့ရသည့် နည်းပညာပိုင်းဆိုင်ရာ ကျယ်ပြန့်မှု၊ ဖန်တီးဆန်းသစ်မှုနှင့် စည်းမျဉ်းများကို လိမ္မာပါးနပ်စွာ ကွေးညွှတ်အသုံးချမှုတို့ကြောင့် ကျွန်ုပ်တို့ အထင်ကြီးခဲ့ရပါသည်။
စိန်ခေါ်မှု၏ စိတ်လှုပ်ရှားစရာအကောင်းဆုံး အစိတ်အပိုင်းများထဲမှ တစ်ခုမှာ ပါဝင်သူများက AI ကုဒ်ရေးသားရေး အေးဂျင့်များကို မည်မျှကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုခဲ့ကြသည်ကို တွေ့မြင်ရခြင်း ဖြစ်သည်။ အေးဂျင့်များသည် စမ်းသပ်လုပ်ဆောင်မှုများ၏ ကုန်ကျစရိတ်ကို လျှော့ချရန် ကူညီပေးခဲ့ပြီး၊ လူပိုများ ပါဝင်နိုင်ရန် ပိုမိုလွယ်ကူစေခဲ့ကာ ယှဉ်ပြိုင်မှု၏ အရှိန်အဟုန်ကိုလည်း ပြောင်းလဲစေခဲ့သည်။ ယင်းတို့ကြောင့် တင်သွင်းချက်များကို ပြန်လည်သုံးသပ်ခြင်း၊ ပိုင်ရှင်/ရေးသားသူကို သတ်မှတ်ဖော်ပြခြင်းနှင့် အမှတ်ပေးခြင်းတို့တွင်လည်း စိန်ခေါ်မှုအသစ်များ ဖြစ်ပေါ်ခဲ့သည်။
အဆိုပါစိန်ခေါ်မှုသည် ကျွန်ုပ်တို့အတွက် အရည်အချင်းရှိသူများကို ရှာဖွေဖော်ထုတ်နိုင်သည့် အရေးပါသော နေရာတစ်ခုအဖြစ်လည်း ဖြစ်လာခဲ့သည်။ ၎င်းက Parameter Golf အတွက် ကျွန်ုပ်တို့ထားရှိခဲ့သော ရည်မှန်းချက်များထဲမှ တစ်ခုဖြစ်ပြီး၊ အဖြေကို သတ်မှတ်ကန့်သတ်ထားခြင်းမရှိသည့် နည်းပညာဆိုင်ရာ စိန်ခေါ်မှုများက စက်သင်ယူမှုဆိုင်ရာ ထူးချွန်သော အကဲဖြတ်နိုင်စွမ်းနှင့် ဇွဲလုံ့လကို ဖော်ထုတ်ပေးနိုင်ကြောင်း ပြသသည့် အသုံးဝင်သော အချက်ပြလက္ခဏာတစ်ခုလည်း ဖြစ်ခဲ့သည်။
ဤပို့စ်တွင် ကျွန်ုပ်တို့ အံ့အားသင့်ဖွယ်ကောင်းပြီး စိတ်ဝင်စားဖွယ်ကောင်းသည်ဟု တွေ့ရှိခဲ့သည့် တင်သွင်းချက်အချို့ကို မီးမောင်းထိုးပြကာ၊ အစွမ်းထက်သော AI အေးဂျင့်များခေတ်တွင် ကုဒ်ရေးပြိုင်ပွဲတစ်ခု ကျင်းပလုပ်ဆောင်ရာမှ ကျွန်ုပ်တို့ သင်ယူခဲ့ရသည့်အရာများကို မျှဝေထားပါသည်။
record-track leaderboard ပေါ်ရှိ တင်သွင်းမှုတစ်ခုစီကို ကျွန်ုပ်တို့ အကဲဖြတ်ပြီး လွတ်လပ်စွာ ပြန်လည်ထပ်မံလုပ်ဆောင်ခဲ့ကာ၊ တင်သွင်းခဲ့သည့်အချိန်တွင် တင်သွင်းမှုတစ်ခုစီသည် စံချိန်ချိုးနိုင်ခဲ့ကြောင်း အတည်ပြုခဲ့ပါသည်။ အကြောင်းအရာများစွာ ထင်ရှားပေါ်လွင်ခဲ့သည်။
လေ့ကျင့်မှု အကောင်းဆုံးပြုလုပ်ခြင်း
အကောင်းဆုံး ရလဒ်အချို့သည် ရှိပြီးသား အစိတ်အပိုင်းများကို ဂရုတစိုက် ချိန်ညှိခြင်းမှ ထွက်ပေါ်လာခဲ့သည်။
| တင်သွင်းမှု၊ ပါဝင်ကူညီသူ၊ နည်းစနစ်၊ အရေးပါခဲ့သည့်အကြောင်းရင်း | |||
| #60 | @notapplica | #50 မှ ယခင်အနိုင်ရမှုများကို ပေါင်းစပ်ထားသည်၊ #42 နှင့် ဖြစ်နိုင်ချေရှိသည့် #39 တို့နောက်တွင်၊ Muon weight decay၊ spectral embedding initialization၊ residual-mix scheduling နှင့် compiled evaluation တို့ဖြင့် ပိုမိုနက်ရှိုင်းသော မော်ဒယ်တစ်ခုကို အလုပ်လုပ်စေခဲ့သည်။ | စည်းကမ်းတကျ လုပ်ဆောင်ထားသော leaderboard လုပ်ငန်း၏ ခိုင်မာသော ဥပမာတစ်ခုဖြစ်သည်- ရှိပြီးသား တိုးတက်မှုများထဲမှ မည်သည့်အရာများက အရေးပါသည်ကို ဖော်ထုတ်ပြီး ၎င်းတို့ကို သန့်ရှင်းစွာ ပေါင်းစပ်ထားခြင်း။ |
ကွမ်တိုင်ဇေးရှင်း
တင်ပြချက်အများအပြားက ချုံ့ခြင်းနှင့် ထုတ်ယူခြင်းကို အပြင်းအထန် တွန်းအားပေးခဲ့သည်။
| တင်သွင်းမှု၊ ပါဝင်ကူညီသူ၊ နည်းစနစ်၊ အရေးပါခဲ့သည့်အကြောင်းရင်း | |||||||
| #414 | @signalrush | လေ့ကျင့်ပြီးနောက် weight များကို ပမာဏသတ်မှတ်ရန် GPTQ-lite ကို အသုံးပြုခဲ့သည်။ | GPTQ-lite ကို အောင်မြင်စွာအသုံးပြုနိုင်သည့် ပထမဆုံး leaderboard တင်သွင်းမှုဖြစ်ပြီး ပိုမိုကောင်းမွန်သော အကဲဖြတ်မှုကို ဦးတည်စေပါသည်။ | a href=""https://github.com/openai/parameter-golf/pull/1060""]#1060[/a]" | @dexhunter | full Hessian GPTQ . | ကို အောင်မြင်စွာ အသုံးပြုနိုင်ရန် @raahilshah ပြုလုပ်ခဲ့သော #634 အပေါ် အခြေခံတည်ဆောက်ထားသည်။အစောပိုင်း quantization လုပ်ငန်းကို ပိုမိုအားကောင်းသော compression လမ်းကြောင်းအဖြစ် တိုးချဲ့ထားသည်။ |
စမ်းသပ်ချိန်နှင့် အကဲဖြတ်မှု မဟာဗျူဟာများ
တင်သွင်းချက်အချို့သည် မော်ဒယ် တိုးတက်ကောင်းမွန်ရေးနှင့် အကဲဖြတ်မှု မဟာဗျူဟာကြားရှိ နယ်နိမိတ်ကို စိန်ခေါ်ခဲ့သည်။ ဤနည်းလမ်းများသည် စည်းမျဉ်းများအရ အကျုံးဝင်သော်လည်း စီစဉ်ကျင်းပသူများဖြစ်သည့် ကျွန်ုပ်တို့အနေဖြင့် ဂရုတစိုက် ပြန်လည်သုံးသပ်ရန် လိုအပ်ခဲ့သည်။
| တင်သွင်းမှု၊ ပါဝင်ကူညီသူ၊ နည်းစနစ်၊ အရေးပါခဲ့သည့်အကြောင်းရင်း | |||
| #77 | @samacqua | ရမှတ်ဦးစားပေး၊ စာရွက်စာတမ်းတစ်ခုချင်းစီအလိုက် LoRA စမ်းသပ်ချိန် လေ့ကျင့်မှုကိုအသုံပြုခဲ့သည်- ပထမဦးစွာ ရမှတ်တွက်ချက်ပြီး၊ ရမှတ်တွက်ချက်ပြီးသား အပိုင်းများပေါ်တွင်သာ ကိုက်ညှိပြင်ဆင်ကာ၊ စာရွက်စာတမ်း နယ်နိမိတ်များတွင် ပြန်လည်သတ်မှတ်ပါ။ | စည်းမျဉ်းများအောက်တွင် ပြန်လည်သုံးသပ်နိုင်မှုကို ထိန်းသိမ်းထားရင်း မော်ဒယ် တိုးတက်ကောင်းမွန်ရေးနှင့် အကဲဖြတ်မှု မဟာဗျူဟာကြားရှိ နယ်နိမိတ်ကို ပိုမိုတွန်းချဲ့ခဲ့သည်။ |
| #1019 | @abaybektursun | ကိုယ်တိုင်ထုတ်လုပ်ထားသော GPTQ ကယ်လီဘရေးရှင်းကို အသုံးပြုခဲ့သည်- လေ့ကျင့်ပြီးသော မော်ဒယ်မှ ကယ်လီဘရေးရှင်းစာသားကို ထုတ်လုပ်ပြီးနောက် ထို activations များမှ GPTQ Hessians ကို တည်ဆောက်ပါ။ | စီစဉ်သူများက သေချာစွာ ပြန်လည်သုံးသပ်ရန် လိုအပ်ခဲ့သည့် ဆန်းသစ်သော ချိန်ညှိမှု မဟာဗျူဟာတစ်ခု။ |
မော်ဒယ်လ်ပြုလုပ်ခြင်းနှင့် ဒေတာဆိုင်ရာ အကြံဉာဏ်အသစ်များ
တင်သွင်းမှုအချို့က အထူးဖန်တီးနိုင်စွမ်းပြည့်ဝသည့် မော်ဒယ်တည်ဆောက်ခြင်းဆိုင်ရာ၊ ဒေတာဆိုင်ရာ အကြံဉာဏ်များကို တင်ပြခဲ့သည်။
| တင်သွင်းမှု၊ ပါဝင်ကူညီသူ၊ နည်းစနစ်၊ အရေးပါခဲ့သည့်အကြောင်းရင်း | |||
| #1729 | @romeerp | CaseOps တိုကင်နိုက်ဇာကို မိတ်ဆက်ခဲ့သည် (မူရင်း-byte BPB sidecar စာရင်းတွက်ချက်မှုနှင့်အတူ) - အချက်အလက်မဆုံးရှုံးသော စာလုံးကြီး/သေးပြောင်းလဲမှု အော်ပရေတာ တိုကင်များ။ | ဖန်တီးဆန်းသစ်သော tokenizer နှင့် ဒေတာကိုယ်စားပြုမှု အယူအဆတစ်ခု။ |
| #265 | @unnir | XSA, GQA-aware grouped views ပါဝင်သည့် ထိရောက်သော တစ်စိတ်တစ်ပိုင်း Exclusive Self Attention ချဉ်းကပ်နည်းတစ်ခုကို မိတ်ဆက်ခဲ့သည်။ | ထိရောက်သော attention မူကွဲတစ်ခုကို စိန်ခေါ်မှုထဲသို့ ဆောင်ကျဉ်းခဲ့သည်။ |
| #65 | @aquariouseworkman | SmearGate နှင့် BigramHash: သင်ယူထားသော ယခင်-တိုကင် embedding ရောစပ်မှုနှင့် ကပ်လျက်ရှိသော တိုကင်-တွဲ hash လက္ခဏာရပ်များကို မိတ်ဆက်ခဲ့သည်။ | အင်္ဂါရပ်အသစ်များအတွက် ယန္တရားများကို အစမှစ၍ ထည့်သွင်းထားသည်။ |
| #1204 | @msisovic၊ " mini depth recurrence ကို မိတ်ဆက်ခဲ့သည်- layers 4 နှင့် 5 ကို ထပ်ခါတလဲလဲ အသုံးပြုထားပြီး၊ သင်ကြားမှု (training) အလယ်ပိုင်းအထိ recurrence ကို နှောင့်နှေးထားကာ၊ ထပ်ခါသုံးထားသော MLPs များကို တစ်စိတ်တစ်ပိုင်း untied လုပ်ထားသည်။""recurrent layers များကို ထိရောက်စွာ အလုပ်လုပ်စေသည့် ပထမဆုံး လက်ခံထားသော leaderboard row ဖြစ်သည်။" |
ကျွန်ုပ်တို့သည် ဤတင်ပြချက် ကိုးခုကို အထူးဖော်ပြရန် ရွေးချယ်ခဲ့သည်၊ အကြောင်းမှာ ၎င်းတို့သည် ဤစိန်ခေါ်မှုမှ ထွက်ပေါ်လာမည်ဟု ကျွန်ုပ်တို့ မျှော်လင့်ခဲ့သည့် ရလဒ်အမျိုးမျိုးကို ကိုယ်စားပြုထားသောကြောင့် ဖြစ်သည်။ ပါဝင်သူအချို့သည် သေချာဂရုတစိုက် ချိန်ညှိမှုများ ပြုလုပ်ခြင်းဖြင့် အောင်မြင်မှုများ ရရှိခဲ့သည်။ အခြားသူများက ကွမ်တိုင်ဇေးရှင်းနှင့် low-rank နည်းလမ်းများကို ပိုမိုတိုးတက်အောင် တွန်းအားပေးခဲ့သည်။ အချို့က အကဲဖြတ်စည်းမျဉ်းများ၏ အနားသတ်များကို စူးစမ်းလေ့လာခဲ့ကြသည်။ ထို့အပြင် စာပေများမှ ရယူထားသော သို့မဟုတ် အစမှ ဖန်တီးထားသော မော်ဒယ်ရေးဆွဲခြင်း သို့မဟုတ် ဒေတာဆိုင်ရာ အယူအဆအသစ်အချို့သည် မျှော်လင့်မထားသော တိုးတက်မှုများကို ဖြစ်ပေါ်စေခဲ့သည်။
မှတ်တမ်းမတင်သည့် အမျိုးအစားတွင် ဖန်တီးမှုမြောက်သော တင်သွင်းမှုများစွာ ပါဝင်ခဲ့သည်။ ကျွန်ုပ်တို့သည် non-autoregressive စာသားမော်ဒယ်လုပ်ခြင်းမှ ဒိုင်နမစ် တိုကင်လုပ်ခြင်းအထိ ပါဝင်သည့် နည်းလမ်းများအပါအဝင် အကြိုက်ဆုံး ၁၅ ခုကို အထူးဖော်ပြခဲ့သည်။
ဤလမ်းကြောင်းသည် စမ်းသပ်ဆန်းသစ်မှုအရ ပိုမိုအာရုံစိုက်ထားသောကြောင့်၊ ကျွန်ုပ်တို့သည် အခြေခံစွမ်းဆောင်ရည်ထက် နည်းပညာပိုင်းအရ စိတ်ဝင်စားဖွယ်ရှိမှုကို ပိုမိုအာရုံစိုက်ခဲ့သည်။ အထူးသဖြင့် တင်သွင်းချက် သုံးခုမှာ ထင်ရှားပေါ်လွင်ခဲ့သည်-
၎င်းတို့သည် စွမ်းဆောင်ရည်အရ ထိပ်တန်းသုံးခု ဖြစ်ချင်မှဖြစ်မည်ဖြစ်သော်လည်း၊ ကျွန်ုပ်တို့ အနှစ်သက်ဆုံး စံချိန်တင်မဟုတ်သော တင်သွင်းချက် သုံးခု ဖြစ်သည်။
သို့သော်လည်း စံချိန်စာရင်းမဝင်သည့် လမ်းကြောင်းသည် ယှဉ်ပြိုင်မှုပြင်းထန်နေဆဲဖြစ်သည်။ စံချိန်တင်မဟုတ်သော leaderboard စာရင်းဝင်များ၏ တစ်ဝက်သည် 1.22 BPB ရှိသော ရိုးရှင်းသည့် အခြေခံစံနှုန်းထက် ပိုကောင်းသောရလဒ် ရရှိခဲ့ပြီး၊ အဆင့်အမြင့်ဆုံး စာရင်းဝင်မှုသည် 1.12 BPB အထိ ရောက်ရှိခဲ့သည်။
ဤအချက်သည် အားတက်စရာကောင်းသည်ဟု ကျွန်ုပ်တို့ တွေ့ရှိခဲ့ပါသည်။ အားကောင်းသော ထရန်(စ်)ဖော်မာ နှိုင်းယှဉ်အခြေခံမော်ဒယ်များနှင့် ရင်ဆိုင်ရသည့်အခါတောင် အစားထိုးနည်းလမ်းများသည် လွှမ်းမိုးနေသော အာခီတက်ချာနှင့် တစ်ခါတစ်ရံ ယှဉ်ပြိုင်ခံနိုင်ခဲ့သည်။
ထို့အပြင် ဤလမ်းကြောင်းသည် စွမ်းရည်မြင့် ကုဒ်ရေးသားရေး အေးဂျင့်များကို ရရှိအသုံးပြုနိုင်မှုကြောင့် အထူးအကျိုးကျေးဇူး ရရှိသည်ဟုလည်း ကျွန်ုပ်တို့ ယူဆပါသည်။ အေးဂျင့်များကြောင့် ဖြစ်နိုင်ခြေကို စူးစမ်းသည့် အကြံဉာဏ်များကို prototype နမူနာပုံစံအဖြစ် စမ်းသပ်ဖန်တီးရန် ကုန်ကျစရိတ် များစွာ ပိုမိုသက်သာလာခဲ့ပြီး၊ ယခင်က အချိန်တိုပြိုင်ပွဲတစ်ခုအတွင်း စမ်းကြည့်ရန် အချိန်စားလွန်းသည် သို့မဟုတ် မရေရာလွန်းသည်ဟု ခံစားရနိုင်ခဲ့သော နည်းလမ်းများလည်း ပါဝင်သည်။
Parameter Golf နှင့် ဆင်တူသော ယခင်ပြိုင်ပွဲများအကြားရှိ အဓိကကွာခြားချက်တစ်ခုမှာ ကုဒ်ရေးသားရေး အေးဂျင့်များကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုခြင်း ဖြစ်သည်။ တင်သွင်းသူအများစုကြီးက ၎င်းတို့၏လုပ်ငန်း၏ အစိတ်အပိုင်းတစ်ခုအဖြစ် အေးဂျင့်များကို အသုံးပြုကြောင်း ဖော်ပြခဲ့ကြသည်။
ထိုအရာက ဝင်ရောက်ရန် အတားအဆီးကို လျှော့ချပေးခဲ့သည်။ ပါဝင်သူများသည် စမ်းသပ်မှုများကို ပိုမိုလျင်မြန်စွာ စီစဉ်တည်ဆောက်နိုင်ခဲ့ကာ၊ မရင်းနှီးသောကုဒ်ကို စစ်ဆေးလေ့လာနိုင်ပြီး၊ အကြံဉာဏ်များကိုလည်း အခက်အခဲနည်းပါးစွာ စမ်းသပ်နိုင်ခဲ့သည်။ Runpod ၏ တွက်ချက်မှုအရင်းအမြစ်များအတွက် ဒေါ်လာ ၁,၀၀၀,၀၀၀ ပံ့ပိုးကူညီမှုသည်လည်း စိန်ခေါ်မှုတွင် လူအများပါဝင်လာနိုင်စေရန် အဓိကအခန်းကဏ္ဍမှ ပါဝင်ခဲ့သည်။
တစ်ချိန်တည်းမှာပင်၊ အေးဂျင့် အသုံးပြုမှုသည် တင်သွင်းခြင်းနှင့် အမှတ်ပေးခြင်းအတွက် ပြဿနာအသစ်များကို ဖြစ်ပေါ်စေခဲ့သည်။ တင်သွင်းချက်များစွာသည် အခြေခံအားဖြင့် အသစ်သော ချဉ်းကပ်နည်းများ မဟုတ်ဘဲ၊ ရှိပြီးသား အမှတ်အများဆုံးရရှိထားသော တင်သွင်းချက်များကို အနည်းငယ် ပြင်ဆင်ထားခြင်းသာ ဖြစ်သည်။ ဤအရာသည် မကြာခဏ အသုံးဝင်ခဲ့သည်- ခိုင်မာသော အကြံဉာဏ်များသည် လျင်မြန်စွာ ပျံ့နှံ့သွားပြီး အခြားသူများက ၎င်းတို့ကို ပိုမိုပြုပြင်မွမ်းမံပေးခဲ့ကြသည်။ သို့သော် ၎င်းက ဆူညံမှုကိုလည်း ဖြစ်ပေါ်စေခဲ့သည်။ ပြိုင်ပွဲလမ်းညွှန်ချက်များနှင့် မကိုက်ညီသော တင်သွင်းမှုများက မထင်မှတ်လောက်အောင် မြင့်မားသော ရမှတ်များ ရရှိလာသောအခါ၊ အခြားအေးဂျင့်များသည် တစ်ခါတစ်ရံ ထိုအကြံဉာဏ်များကို ကူးယူပြီး အလားတူ မမှန်ကန်သော လမ်းကြောင်းအတိုင်း ဆက်လက်သွားခဲ့ကြသည်။
တင်သွင်းမှုအရေအတွက် များပြားလာခြင်းကလည်း ပြိုင်ပွဲကို ကျွန်ုပ်တို့ စီမံကျင်းပရမည့်ပုံစံကို ပြောင်းလဲစေခဲ့သည်။ တင်သွင်းချက်တိုင်းကို လူကိုယ်တိုင် စစ်ဆေးနေလျှင် ဦးဆောင်သူစာရင်းကို ဆက်လက်အပ်ဒိတ်ဖြစ်နေအောင် ထိန်းထားနိုင်မည် မဟုတ်ပါ။ စိန်ခေါ်မှုကာလအတွင်း၊ တင်သွင်းမှုအသစ်များကို စောင့်ကြည့်ပြီး လူမှ ပြန်လည်စစ်ဆေးရန် အမှတ်အသားပြုနိုင်ရန် အတွင်းပိုင်းအသုံးပြုသည့် Codex အခြေခံ triage bot တစ်ခုကို ကျွန်ုပ်တို့ တီထွင်ခဲ့သည်။ တစ်ရက်လျှင် တင်သွင်းချက်များ ရာနှင့်ချီ လက်ခံရရှိခဲ့သည့် ကာလများအတွင်းတွင် ဤအချက်သည် အထူးအရေးကြီးလာခဲ့သည်။
AI အေးဂျင့်များလည်း ထိုစိန်ခေါ်မှုနှင့်ပတ်သက်သည့် အသိုင်းအဝိုင်း၏ အစိတ်အပိုင်းတစ်ခု ဖြစ်လာခဲ့သည်။ ပြိုင်ပွဲကာလအများစုအတွင်း @notapplica နှင့် ၎င်းတို့၏ ကုဒ်ရေးအေးဂျင့်သည် “Live Updates” သတင်းလွှာတစ်ခုကို လုပ်ဆောင်ခဲ့ပြီး အဓိကဖြစ်ရပ်များကို ခြေရာခံဖော်ပြခြင်း၊ leaderboard ဆိုင်ရာ ချဉ်းကပ်မှုများကို ရှင်းပြခြင်းနှင့် အခြားပါဝင်သူများအား ပြိုင်ပွဲအခြေအနေကို လိုက်ပါသိရှိနိုင်စေရန် ကူညီခြင်းတို့ကို ပြုလုပ်ခဲ့သည်။ အသိုင်းအဝိုင်း ပြန်လည်သုံးသပ်ရေး ကိရိယာများသည် အတွေ့အကြုံနည်းသော ပါဝင်သူများအား ၎င်းတို့၏ တင်သွင်းချက်များသည် စည်းမျဉ်းများနှင့် ကိုက်ညီမှုရှိမရှိ စစ်ဆေးရန်နှင့် မမှန်ကန်သော ချဉ်းကပ်မှုများကို ရှောင်ရှားရန် အထောက်အကူဖြစ်စေသည်။
ကျွန်ုပ်တို့၏ အဓိကရည်မှန်းချက်မှာ ပါဝင်ခွင့်ရှိသူများ(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ပါဝင်နိုင်ပြီး စက်လေ့လာမှုဆိုင်ရာ သုတေသနကို ကိုယ်တိုင်တွေ့ကြုံနိုင်မည့် စိန်ခေါ်မှုတစ်ခုကို စတင်ရန် ဖြစ်သည်။ Parameter Golf သည် နည်းပညာပိုင်းအရ ခိုင်မာပြီး ဖန်တီးမှုရှိသော တင်သွင်းချက် အမျိုးမျိုးကို ရရှိစေခဲ့သလို၊ AI အေးဂျင့်များ ပိုမိုစွမ်းဆောင်နိုင်ကာ ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုလာသည်နှင့်အမျှ ပွင့်လင်းသုတေသနပြိုင်ပွဲများ မည်သို့ ပြောင်းလဲလာနိုင်သည်ကို ကျွန်ုပ်တို့အား ပိုမိုရှင်းလင်းသော အမြင်တစ်ခု ပေးခဲ့သည်။
အနာဂတ်တွင် ဤလိုမျိုး စိန်ခေါ်မှုများကို ထပ်မံစတင်ပြုလုပ်ရန် ကျွန်ုပ်တို့ စဉ်းစားနေပါသည်။ သင် စိတ်ဝင်စားပါက၊ စိန်ခေါ်မှု ပါဝင်သူဖောင်(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ကို ဖြည့်သွင်းပေးပါ။
