Expériences comparables
Partagez les ingrédients du modèle, les identités des données, les budgets et les règles d'évaluation entre les stratégies.
Hyphae Transformer Recherche sur les transformateurs contrôlés
Gardez la question, l’expérience et le résultat ensemble.
Hyphae Transformer est un cadre de recherche PyTorch pour des expériences de stratégie résiduelle contrôlée. Des travaux ultérieurs étudient de petits contrôleurs sur un modèle gelé et une navigation limitée avec des contrats de preuves explicites.
Rendre les expériences d'architecture et de contrôle évaluables grâce à des protocoles fixes, des artefacts conservés et des échecs visibles.
01 / Pourquoi c'est important
Pourquoi ce travail est important
Objets de recherche explicites
Conservez les hypothèses, les graines, les manifestes, les points de contrôle et les verdicts ensemble.
Contrôle du modèle gelé
Formez un petit contrôleur tout en conservant l’identité du backbone et les limites des politiques appartenant à l’hôte.
Incertitude visible
Conservez les résultats primaires non concluants et les évaluations externes ayant échoué à côté des exécutions réussies.
02 / Comment ça marche
Comment ça marche
Les principales étapes rendent visibles les limites du projet.
- 01
Définir
Fixez l'hypothèse, les données, les graines, le seuil d'effet et le budget
- 02
Valider
Vérifiez les contrats et lancez un petit projet pilote d'exactitude
- 03
Évaluer
Exécuter les entraînements déclarés et les comparaisons retenues
- 04
Conserver
Publier les résultats, les identités des artefacts, les limitations et la prochaine décision
03 / Capacités
Capacités actuelles
Recherche résiduelle
Comparaisons contrôlées de stratégies résiduelles de décodeur uniquement, y compris ReZero à porte partagée.
Gestion des expériences
Manifestes dactylographiés, points de contrôle pouvant être repris, dossiers de preuves, budgets et rapports.
Contrôleurs limités
Expériences gelées avec réponses, demandes de preuves et décisions d'abstention.
Forfaits de navigation
Artefacts de contrôleur publiés déterministes, y compris la navigation calibrée en deux étapes v2.
04 / Preuve
La preuve et sa portée
Le résultat historique de 30M et les travaux ultérieurs de contrôle/navigation sont des éléments de preuve distincts et délimités.
amélioration finale-NLL couplée
Campagne 30M, huit paires de graines
Intervalle 95%
Spécifique à cette comparaison
ensemble de navigation calibré
Le framework reste alpha 0.2.0
L'expérience 30M a dépassé son seuil pratique préenregistré. Les résultats de navigation s'appliquent aux appareils et certificats indiqués, avec le backbone gelé ; ni l’un ni l’autre n’établit la qualité générale du modèle.
Ce qu’il fait aujourd’hui
- Exécute des campagnes à architecture contrôlée avec une source, des données et des budgets fixes.
- Conserve les résultats expérimentaux réussis, non concluants et échoués.
- Publie des artefacts de contrôle et de navigation limités sur les fonctionnalités du modèle gelé.
Itinéraires suivants
- Testez les effets observés sur d’autres tailles de modèles, corpus et architectures.
- Développez l’évaluation externe annotée de manière indépendante avant les réclamations de production.
- Navigation avancée uniquement via des protocoles spécifiés et mesurés séparément.
Des limites à garder en vue
- Un cadre de recherche alpha, pas un service de modèle de production.
- L’identifiant v2.0.0 du bundle de navigation ne modifie pas la version du framework en 2.0.0.
- Les résultats des rencontres et des maintiens n'établissent pas un agent autonome sans restriction.
- Les résultats approfondis antérieurs, les échecs de l’ombre externe et les défauts budgétaires font toujours partie du dossier.
Hyphae Transformer