যখন ভাষার মডেলগুলি চিন্তার শৃঙ্খলের মাধ্যমে যুক্তি দেয় বা মুক্ত পাঠ্যের সাথে মধ্যবর্তী স্থানগুলিকে প্রতিস্থাপন করে, তখন তারা প্রাকৃতিক ভাষায় কাঠামোগত তথ্য সাজায়। কতটা গাছ-গঠিত রচনামূলক বিষয়বস্তু এই বাধা থেকে বেঁচে থাকে? আমরা একটি রাউন্ড-ট্রিপ প্রোটোকল প্রস্তাব করি যা বৃক্ষ-গঠিত অভিব্যক্তির জন্য অভিজ্ঞতামূলকভাবে এই প্রশ্নের উত্তর দেয়। একটি জেনারেটর একটি পদ্ধতিগতভাবে তৈরি করা গাণিতিক অভিব্যক্তিকে একটি শব্দ সমস্যায় রূপান্তরিত করে, একটি পৃথক নিষ্কাশনকারী শুধুমাত্র শব্দ সমস্যা থেকে অভিব্যক্তি পুনরুদ্ধার করে এবং প্রতীকী সমতা একটি সঠিক ওরাকল প্রদান করে। ষোলটি মডেলের সমস্ত জোড়াভিত্তিক সংমিশ্রণ মূল্যায়ন করলে একটি যোগাযোগ ম্যাট্রিক্স পাওয়া যায় যার মার্জিন প্রজন্মের গুণমানকে নিষ্কাশনের গুণমান থেকে পৃথক করে। তিনটি প্রধান ফলাফল বেরিয়ে আসে। প্রথমত, চ্যানেলটি ক্ষতিকারক এবং অপ্রতিসম: পরিবর্তন করলে কোন মডেলটি উৎপন্ন হয় এবং কোন পাম্প 60.4 পয়েন্ট পর্যন্ত নির্ভুলতা পরিবর্তন করে এবং সেরা জুটি 92.9% পর্যন্ত পৌঁছায় প্রতিটি প্রান্তে বিভিন্ন মডেলকে একত্রিত করে এবং উভয় ক্ষেত্রে একই মডেল নয়। দ্বিতীয়ত, রাউন্ড-ট্রিপ ব্যর্থতার অন্তত 73.6% প্রজন্মের কারণে, এবং অসুবিধাটি গাছের কাঠামো (অপারেটর গণনা, গভীরতা, ডান শাখা) দ্বারা চালিত হয় এবং মডেল পরিবারের দ্বারা নয়। তৃতীয়ত, চ্যানেলটি প্রশিক্ষণযোগ্য: ~3600টি ফাইন-টিউনিং উদাহরণ অপারেটর এবং মূল্যায়ন ট্রি ফর্মগুলিকে ভাগ করে যেকোন ওপেন-ওয়েটেড মডেলকে অপ্রশিক্ষিত জেমিনি-3.1-প্রো, অভিযোজিত শব্দার্থবিদ্যার অধীনে একটি উপরের সীমার উপরে তুলে দেয়। নতুন অপারেটর এবং শব্দভান্ডারের সাথে একটি সংযোগ বিচ্ছিন্ন ডোমেন শাসন যেকোন ওপেন-ওয়েট মডেলকেও উন্নীত করে এবং নিশ্চিত করে যে লাভটি অভিযোজিত শব্দার্থবিদ্যার একটি নিদর্শন নয়, যদিও সীমার জন্য একটি ফাঁক রয়ে গেছে। একসাথে এই ফলাফলগুলি একটি প্রাথমিক সীমিত ফ্যাক্টর হিসাবে একটি গাছ-গঠিত অভিব্যক্তি ক্রম চিহ্নিত করে যখন মডেলগুলি প্রাকৃতিক ভাষা ব্যবহার করে শ্রেণিবদ্ধ কাঠামোর সাথে যোগাযোগ করে।
Leave a Reply