LLM Parametreleri: GPT-5 Yüksek, Orta, Düşük ve Minimum
OpenAI'in GPT-5 ailesi gibi yeni LLM'ler, farklı sürümlerde (örneğin, GPT-5, GPT-5-mini ve GPT-5-nano) ve yüksek, orta, düşük ve minimal dahil olmak üzere çeşitli parametre ayarlarıyla birlikte gelir.
Aşağıda, bu model sürümleri arasındaki farkları, kıyaslama performanslarını ve kıyaslama testlerinin maliyetlerini bir araya getirerek inceliyoruz.
Fiyat ve başarı: Önemli çıkarımlar
Analizimizde GPT-5 ailesini kullandık. Akıl yürütme, kodlama, talimat izleme ve matematik dahil olmak üzere çeşitli alanlarda altı kıyaslama ölçütü kullandık.
Analizimiz şu sonuçları ortaya koydu:
- Karşılaştırmalı testlerde ortalama olarak, GPT-5 (yüksek) ve GPT-5 (orta) neredeyse aynı başarı oranlarını ( %65'e karşı %64) sunarken, GPT-5 (yüksek) neredeyse iki kat daha pahalıdır (511$'a karşı 280$). Bunları sırasıyla % 62, %61 ve %60 başarı oranlarıyla ve 105$, 90$ ve 28$ gibi çok daha düşük fiyatlarla GPT-5-mini (yüksek) , GPT-5 (düşük) ve GPT-5-mini (orta) takip etmektedir. Bu, başarı oranında yalnızca yaklaşık %5'lik bir düşüşü kabul ederek, GPT-5 (yüksek) sürümünden GPT-5-mini (orta) sürümüne geçildiğinde görevlerin 18 kata kadar daha düşük maliyetle tamamlanabileceğini göstermektedir.
- GPT-5-mini (yüksek) modeli, neredeyse tüm kıyaslamalarda GPT-5 (düşük) modelinden daha iyi performans gösteriyor ve bunu aynı veya daha düşük maliyetle yapıyor. IFBench'te başarı oranları %75'e karşı %67; AIME 2025'te %97'ye karşı %83; Humanity's Last Exam'de %20'ye karşı %18; ve GPQA Diamond'da %83'e karşı %81. SciCode'da %39 ile eşitler, ancak GPT-5-mini (yüksek) modeli yine de daha düşük maliyetle geliyor.
- En pahalı model olan GPT-5 (yüksek), ikinci en iyi performans gösteren modelden yalnızca üç kıyaslamada daha iyi performans gösteriyor ve bu fark bile %3'ten fazla değil. Diğer tüm kıyaslamalarda ise daha ucuz alternatifler tarafından geride bırakılıyor.
Yüksek-orta-düşük-minimal parametre ayarları
LLM parametreleri genellikle sayısal ayarlamalar şeklinde tanımlansa da, yüksek, orta ve düşük gibi niteliksel aralıklar olarak da ifade edilebilirler. Bu aralıklar sabit standartlar değildir; bunun yerine, bir parametrenin modelin çıktısı üzerindeki etkisinin ne kadar olduğunu açıklayan kavramsal kategorilerdir.
Bu üç seviyeyi kullanmak, istenen yaratıcılık, belirleyicilik veya süre düzeyine bağlı olarak farklı görevler için ayarları hızlı bir şekilde seçmeye yardımcı olur. Bu seviyeler, en iyi P, maksimum jeton ve ceza parametrelerini ayarlarken faydalıdır.
Orta parametre, bir modelin normal (parametrelendirilmemiş) versiyonunu ifade eder.
Minimum ayar :
- En yüksek p/en yüksek k değeri: Çok düşük (en yüksek p ≈ 0,1–0,2, en yüksek k = 1–5)
- Maksimum token sayısı: Kısa limit
- Cezalar: Çok düşük veya hiç yok
- Etkileri:
- Son derece belirleyici, neredeyse her seferinde aynı sonuçlar.
- Son derece özlü, gerçekçi ve katı.
- Kodlama, matematik, veritabanı sorguları veya katı uyumluluk gereksinimlerine yönelik sorular için en uygunudur.
- Rastgelelik oranı düşük, öngörülebilirliği ve hassasiyeti destekleyen, oldukça kısıtlı bir sistem.
Düşük ayar:
- En yüksek p / En yüksek k: Düşük (en yüksek p ≈ 0,3–0,5, en yüksek k = 5–10)
- Maksimum jeton sayısı: Kısa ila orta
- Cezalar: Düşük ila orta düzeyde
- Etkileri:
- Çoğunlukla deterministiktir ancak küçük değişikliklere izin verir.
- Minimal seviyeye kıyasla robotik tekrarlamayı azaltır.
- Özetler, yapılandırılmış açıklamalar veya tutarlı bir üsluba sahip profesyonel yazılar için uygundur.
Orta ayar :
- Top-p / Top-k: Orta Düzey (top-p ≈ 0,7–0,9, top-k = 20–50)
- Maksimum jeton sayısı: Orta uzunlukta
- Cezalar: Tekrardan kaçınmak ama biraz yaratıcılığa izin vermek için orta düzeyde.
- Etkileri:
- Doğruluk ve yaratıcılık arasında bir denge.
- Çalışmalar arasında hafifçe değişen doğal tepkiler üretir.
- Genel soru-cevap, taslak hazırlama ve fikir üretme için uygundur.
Yüksek ayar :
- En İyi p / En İyi k: Yüksek (en iyi p ≈ 0,95–1,0, en iyi k = 50–100)
- Maksimum belirteç sayısı: Daha uzun çıktılar için yüksek sınır.
- Cezalar: Orta ila yüksek, çeşitliliği ve yeniliği teşvik ediyor.
- Etkileri:
- Son derece yaratıcı ve çeşitli çıktılar.
- Daha az tahmin edilebilir ve halüsinasyon riski daha yüksektir.
- Hikaye anlatımı, fikir üretme, rol yapma ve yaratıcı yazma için en uygunudur.
Hangi seviyeyi kullanacağınıza karar verirken şunları göz önünde bulundurun:
- Görev türü/amacı : Doğruluk gerekiyorsa ( yasal , tıbbi , kod , olgusal ), minimum veya orta seviyeyi seçin. Yaratıcılık, üslup, yenilik gerekiyorsa, yüksek seviye daha iyi olabilir.
- Hata toleransı : Ara sıra meydana gelen aksaklıklar veya hatalar ne kadar kötü? Eğer düşükse, yüksek rastgelelikten kaçının.
- Hesaplama kısıtlamaları : Yüksek çıktı uzunlukları ve yüksek rastgelelik genellikle daha fazla işlem gücü ve bellek gerektirir.
- Model boyutu : Daha büyük modeller yüksek rastgelelik durumlarıyla daha iyi başa çıkma eğilimindeyken, daha küçük modeller yüksek ayarlarda önemli ölçüde performans düşüşü yaşayabilir.
- İstenen çıktı uzunluğu : Daha uzun üretilen metinler sapmaya neden olabilir, bu nedenle yüksek rastgelelik ve uzun metin bir arada daha risklidir.
GPT-5
GPT-5, üst düzey muhakeme yeteneğini orta düzey hızla dengeleyerek, doğruluk ve uyarlanabilirliğin çok önemli olduğu karmaşık, çok adımlı görevler için uygun hale getirir.
- Bağlam penceresi : 400.000
- Maksimum çıktı belirteç sayısı : 128.000
- Bilgi edinme son tarihi : 30 Eylül 2024
- Akıl yürütme : Daha yüksek, akıl yürütme belirteci desteğiyle
Fiyatlandırma (1 milyon token başına)
- Girdi: 1,25 $
- Önbelleğe alınmış giriş: $0.125
- Çıktı: 10,00 $
Modalities
- Metin: giriş ve çıkış
- Görüntü: yalnızca giriş
- Ses: desteklenmiyor
GPT-5 mini
GPT-5 mini , GPT-5'un daha küçük, daha hızlı ve daha uygun fiyatlı bir versiyonudur. Güçlü mantıksal düşünme yeteneğini korurken, iyi tanımlanmış görevler için daha uygundur.
- Bağlam penceresi : 400.000
- Maksimum çıktı belirteç sayısı : 128.000
- Bilgi edinme son tarihi : 31 Mayıs 2024
- Özellikler : Web araması, dosya araması ve kod yorumlayıcıyı destekler.
1 milyon token başına fiyatlandırma :
- Giriş: 0,25 $
- Önbelleğe alınmış giriş: $0.025
- Çıktı: 2,00 $
GPT-5 nano
GPT-5 nano , sınıflandırma ve özetleme gibi hafif görevler için tasarlanmış en hızlı ve en ucuz seçenektir.
- Bağlam penceresi : 400.000
- Maksimum çıktı belirteç sayısı : 128.000
- Bilgi edinme son tarihi : 31 Mayıs 2024
- Özellikler : Dosya arama, görüntü oluşturma ve kod yorumlama desteği sunar (ancak web araması desteklemez).
1 milyon token başına fiyatlandırma :
- Giriş: 0,05 $
- Önbelleğe alınmış giriş: $0.005
- Çıktı: 0,40 $
GPT-5 serisi özellikleri
GPT-5 serisi, kontrolü, biçimlendirmeyi ve verimliliği artıran çeşitli özellikler sunar. Bu özellikler GPT-5, GPT-5 Mini ve GPT-5 Nano modelleri için geçerlidir.
Ayrıntı düzeyi parametresi
Verbosity parametresi, geliştiricilerin komut istemini değiştirmeden model çıktılarındaki ayrıntı düzeyini etkilemelerine olanak tanır.
Üç değer kabul eder:
- Düşük: kısa ve öz sonuçlar
- Orta: dengeli sonuçlar (varsayılan)
- Yüksek: Açıklama, dokümantasyon veya inceleme için uygun ayrıntılı çıktılar
Daha fazla ayrıntı, daha uzun yanıtlar ve daha fazla çıktı belirteci kullanımına yol açar.
Serbest biçimli fonksiyon çağrısı
GPT-5 serisi, yapılandırılmış JSON yerine ham metin çıktısı kabul eden özel araç çağrılarını destekler. Bu sayede, aşağıdakiler gibi harici çalışma ortamlarına doğrudan iletilen kod, SQL sorguları veya yapılandırma metni oluşturmak mümkün olur:
- Kod kum havuzları
- SQL motorları
- Kabuk ortamları
- Yapılandırma sistemleri
Özel araç türü, paralel araç çağrılarını desteklemez. Bu tür, katı bir JSON şeması yerine doğal metnin tercih edildiği durumlar için tasarlanmıştır.
Bağlamdan bağımsız dilbilgisi (CFG) desteği
Modeller, Lark veya regex sözdizimiyle tanımlanmış bir dilbilgisiyle sınırlandırılmış metin üretebilir. Bu, oluşturulan metnin katı yapısal kurallara uymasını sağlar. Yaygın kullanım örnekleri şunlardır:
- Belirli SQL lehçelerinin uygulanması
- Zaman damgalarını veya tanımlayıcıları kısıtlamak
- Yapılandırma formatlarının doğrulanması
Kontrollü akış diyagramları (CFG) kullanılırken, geliştiriciler kabul edilebilir dizeler kümesini tanımlayan terminaller ve kurallar belirler. Model yalnızca bu kurallarla eşleşen çıktıları üretir.
Minimal akıl yürütme modu
Minimal akıl yürütme modu, akıl yürütme belirteçlerini azaltır veya ortadan kaldırır. Bu, gecikmeyi azaltır ve ilk belirtece ulaşma süresini iyileştirir.
Aşağıdaki gibi görevler için uygundur:
- Sınıflandırma
- Kısa yeniden yazımlar
- Yapılandırılmış ekstraksiyon
- Temel biçimlendirme işlemleri
Gerekçelendirme ayarı belirtilmediğinde, varsayılan çaba düzeyi orta seviyedir.
Temel farklılıklar
Üç model arasındaki temel farklar, mantık yürütme derinliği, hız ve maliyettir. Yeni özellikler tüm modellerde kullanılabilir, ancak etkileri modele göre değişir.
Akıl yürütme
- GPT-5 en güçlü mantıksal çıkarım yeteneğini sağlar. Kodlama, bilimsel analiz veya karar destek sistemlerindeki karmaşık, çok adımlı problemler için uygundur.
- GPT-5 mini, öngörülebilir görev sınırlarına sahip yapılandırılmış yönlendirmeler için güçlü bir gerekçe sunar.
- GPT-5 nano orta düzeyde mantıksal performans sergiler ve derinlemesine analiz gerektirmeyen görevlerde en iyi sonucu verir.
- Minimum mantık yürütme modu tüm modellerde kullanılabilir ve hız avantajları göz önüne alındığında, özellikle GPT-5 nano ve GPT-5 mini modelleri için en önemli faydayı sağlar.
Hız
- GPT-5 nano en hızlı seçenektir ve gerçek zamanlı veya büyük ölçekli iş yükleri için etkilidir.
- GPT-5 mini, hızı mantıkla dengeleyerek düzenli üretim iş yükleri için uygun hale gelir.
- GPT-5 daha fazla içsel mantık yürütme işlemi gerçekleştirdiği için daha yavaştır, ancak bu daha hassas bir çıktı sağlar.
- Minimal mantık modu, özellikle nano için gecikmeyi daha da azaltabilir.
Maliyet
- GPT-5 nano, token başına en düşük maliyete sahiptir. Toplu sınıflandırma veya özetleme gibi yüksek hacimli görevler için tercih edilir.
- GPT-5 mini, orta segmentte yer alarak yetenek ve maliyet arasında bir denge sunuyor.
- GPT-5 en pahalı modeldir ve genellikle doğruluk ve tutarlılığın öncelikli olduğu durumlarda kullanılır.
- Ayrıntı düzeyi ayarları maliyeti etkiler çünkü daha yüksek ayrıntı düzeyi daha fazla çıktı belirteci üretir.
LLM parametreleri nelerdir?
LLM parametreleri, büyük dil modellerinin (LLM'ler) çıkarım sırasında metin üretme biçimini etkileyen ayarlardır. Bu parametre kontrolleri, önceden eğitilmiş bir modelin öğrenilmiş ağırlıklarını değiştirmez. Bunun yerine, dil modelinin yanıtlar üretirken olası belirteçler üzerindeki bir olasılık dağılımından nasıl örnekleme yapacağını şekillendirirler.
Büyük dil modelleri, genellikle transformatör modeli mimarisi üzerine kurulu sinir ağı sistemleridir. Eğitim sırasında model, ağırlıklar ve sapmalar adı verilen sayısal değerler öğrenir. Ağırlıklar, farklı girdilere atanan önemi temsil eder ve modelin kelimeler, kavramlar ve bağlam arasındaki ilişkileri yakalamasına olanak tanır. Sapmalar, belirli koşullar altında nöronları etkinleştirmeye yardımcı olan katmanlar içinde eklenen sabit değerlerdir. Bu değerler birlikte, modelin dildeki karmaşık kalıpları tanıma yeteneğini tanımlar.
Öte yandan, çıkarım parametreleri eğitimden sonra devreye girer. Temel ağırlıkları değiştirmeden, modelin öğrendiği bilginin nasıl kullanılacağını şekillendirirler. LLM parametrelerini ayarlamak, kullanıcıların çıktı çeşitliliğini, öngörülebilirliğini, tekrarını ve çıktı uzunluğunu etkilemesine olanak tanır; bu da yaratıcı yazarlık, yapılandırılmış üretim veya teknik açıklamalar gibi belirli görevlerde model performansını optimize etmek için çok önemlidir.
Temel parametreler arasında en iyi p çekirdek örneklemesi, maksimum belirteç sayısı, frekans cezası, varlık cezası ve durdurma dizileri yer almaktadır. Bu örnekleme parametreleri birlikte, çıktı kalitesi, hesaplama maliyeti ve çıkarım verimliliği arasında denge kurarak üretilen çıktıyı kontrol eder.
Model boyutu, parametreler ve eğitim temelleri
Büyük dil modellerindeki parametre sayısı milyarlara ulaşabilir. Daha büyük modeller genellikle incelikli dili, uzun menzilli bağımlılıkları ve karmaşık akıl yürütmeyi ele alma konusunda daha güçlü bir yeteneğe sahiptir. Bu gelişmiş model performansı, hem eğitim hem de çıkarım sırasında daha yüksek hesaplama gücü gereksinimleri pahasına elde edilir.
Daha küçük modeller daha az hesaplama kaynağı gerektirir ve daha iyi hesaplama verimliliği sunar, ancak daha karmaşık desenlerle veya daha uzun bağlam pencereleriyle başa çıkmakta zorlanabilirler. Daha büyük modeller ile daha küçük modeller arasında seçim yapmak, göreve, kabul edilebilir gecikmeye ve mevcut altyapıya bağlıdır. Yapay zeka araştırmacılarının model boyutu, veri kalitesi ve eğitim stratejisinin etkisini nasıl değerlendirdiğini öğrenmek için LLM ölçekleme yasalarına bakın.
Çıkarım yapmadan önce bir modelin nasıl öğrendiğini şekillendiren çeşitli eğitim parametreleri vardır:
- Toplu işlem boyutu, modelin ağırlıklarını güncellemeden önce işlenen eğitim örneklerinin sayısını ifade eder. Daha büyük toplu işlem boyutları eğitim verimliliğini artırır ancak bellek kullanımını da artırır.
- Öğrenme oranı, modelin ağırlıklarını ve sapmalarını ne kadar hızlı ayarladığını kontrol eder. Daha yüksek değerler öğrenmeyi hızlandırır ancak istikrarsızlık riskini artırırken, daha düşük değerler istikrarlı yakınsamayı teşvik eder.
- Hiperparametreler , model boyutu, toplu işlem boyutu ve öğrenme oranı gibi harici ayarları tanımlayarak genel eğitim sürecini şekillendirir.
Ön eğitimden sonra, ince ayar ve hizalama çok önemlidir. İnce ayar, önceden eğitilmiş bir modeli alana özgü verilere veya görevlere uyarlarken, hizalama ise oluşturulan metnin insan niyetini yansıtmasını sağlar.
Parametre açısından verimli ince ayar (PEFT), parametrelerin çoğunu dondurarak ve yalnızca görevle ilgili parametrelerin küçük bir alt kümesini güncelleyerek hesaplama verimliliğini artırır.
En iyi p örneklemesi
En yüksek olasılıklı örnekleme (top-p sampling), diğer adıyla çekirdek örnekleme, belirteç seçimini, kümülatif olasılığı belirli bir eşik değeri p'yi aşan en küçük grupla sınırlandırır. Model, sabit sayıda belirteç arasından seçim yapmak yerine, birlikte belirtilen olasılık kütlesini oluşturan olası belirteçler arasından dinamik olarak seçim yapar.
- Daha düşük değerler (örneğin, p = 0,5), örneklemeyi en yüksek olasılığa sahip belirteçlerin dar bir kümesiyle sınırlandırır ve bu da tutarlı ancak daha az çeşitli bir metinle sonuçlanır.
- Daha yüksek değerler (örneğin, p = 0,9), daha geniş bir havuzdan örnekleme yapılmasına olanak tanıyarak çıktı çeşitliliğini artırır, ancak aynı zamanda konudan sapma riskini de artırır.
En iyi k örneklemesi
En yüksek k örnekleme, modelin seçimini metin oluşturmanın bir sonraki adımı için en yüksek olasılığa sahip k belirteçle sınırlandırır. Aday kümesini daraltarak, bu parametre tahmin edilebilirliği ve çeşitliliği doğrudan etkiler.
- Daha düşük en iyi k değerleri, seçimi yüksek olasılıklı belirteçlerden oluşan küçük bir kümeyle sınırlandırarak daha tahmin edilebilir ve odaklanmış sonuçlar üretir.
- Daha yüksek değerler aday havuzunu genişleterek çeşitliliği artırır ve daha çeşitli dilleri destekler.
En iyi p örneklemesi olasılık kütlesine göre dinamik olarak uyarlanırken, en iyi k örneklemesi sabit bir kesme noktası kullanır. İkisi, belirli görevler için en uygun ayarları belirlemek amacıyla model değerlendirmesi sırasında sıklıkla karşılaştırılır.
Maksimum jeton sayısı (Jeton numarası)
`max_tokens` parametresi, modelin tek bir yanıtta üretebileceği maksimum belirteç sayısını tanımlar. Çıktı uzunluğunu doğrudan belirler ve hesaplama maliyetini etkiler.
- Daha düşük maksimum değerler, kısa ve öz yanıtlar verilmesini sağlar ancak önemli ayrıntıları gözden kaçırabilir.
- Daha yüksek değerler daha ayrıntılı açıklamalara olanak tanır ancak daha fazla işlem kaynağı gerektirir ve çıkarım süresini uzatır.
Maksimum belirteç sayısı, hem giriş verilerini hem de oluşturulan çıktıyı içeren bağlam penceresiyle sınırlıdır. Eğer toplam belirteç sayısı modelin belirteç sınırını aşarsa, maksimum belirteç ayarından bağımsız olarak oluşturma işlemi durdurulacaktır.
Frekans cezası parametresi
Frekans cezası, oluşturulan metinde daha önce ne sıklıkla göründüklerine bağlı olarak belirteçlerin olasılığını ayarlar.
- Pozitif değerler tekrarlamayı azaltarak daha uzun yanıtlarda çıktı kalitesini artırır.
- Olumsuz değerler yeniden kullanımı teşvik eder; bu da tutarlı terminoloji gerektiren belgeler için faydalı olabilir.
Aşırı yüksek cezalar tutarlılığı zedeleyebilir, çünkü insan benzeri metinler için doğal tekrarlar genellikle gereklidir. Bu parametre, uzun metin üretimi için model performansını optimize ederken en etkilidir.
Bulunma cezası
Varoluş cezası, sıklıklarından bağımsız olarak, en az bir kez görünmüş belirteçlerin olasılığını azaltır. Bu, modelin yeni fikirler ortaya atmasını teşvik eder.
- Olumlu değerler, yenilikçiliği ve keşfi teşvik eder; bu da beyin fırtınası ve yaratıcı yazma süreçlerinde faydalıdır.
- Negatif değerler mevcut terimleri güçlendirir ve bu da yapılandırılmış veya kısıtlanmış çıktılara yardımcı olabilir.
Varoluş cezası, fikir çeşitliliğini yönlendirmek için değerli bir kontrol mekanizmasıdır, ancak anahtar terimlerden yapay bir şekilde kaçınmayı önlemek için dikkatli bir şekilde uygulanmalıdır.
Durdurma dizileri
Durdurma dizileri, modelin üretimi durdurmasını işaret eden belirli belirteçleri veya dizeleri tanımlar. Genellikle yapılandırılmış uygulamalarda kullanılırlar.
- Diyalog sistemlerinde veya kod üretiminde şablonların uygulanması için kullanışlıdır.
- Çıktı uzunluğunu kontrol etmeye ve alakasız devam ifadelerini önlemeye yardımcı olur.
Duraklama dizileri, yalnızca belirteç sınırlarına dayanmadan, oluşturulan metin çıktılarında tahmin edilebilirliği artırır.
Tohum ve determinizm
Bazı sistemler, kullanıcıların rastgele bir tohum değeri belirlemesine olanak tanıyarak, aynı giriş verileri ve parametre ayarlarının aynı çıktıyı üretmesini sağlar.
- Model değerlendirmesi ve test edilmesi için kullanışlıdır.
- Rastgele varyasyonların sonuçları etkilemeden farklı parametre yapılandırmalarını karşılaştırmaya yardımcı olur.
Deterministik üretim, tekrarlanabilirliği destekler; ancak kesin çıktılar farklı yapay zeka modelleri veya dağıtım ortamlarında yine de değişiklik gösterebilir.
Temel parametreler arasındaki farklılıklar
Temel parametrelerin nasıl farklılık gösterdiğini anlamak, en iyi sonuçları elde etmek için LLM parametrelerini ayarlarken yardımcı olur.
- Sıklık cezası ve varlık cezası : Sıklık cezası, bir belirtecin ne sıklıkla göründüğüyle orantılı olarak artarken, varlık cezası bir belirteç ilk kez göründükten sonra bir kez uygulanır.
- En iyi k örnekleme yöntemi ile en iyi p örnekleme yöntemi arasındaki fark : En iyi k örnekleme yöntemi, seçimi sabit sayıda belirteçle sınırlarken, en iyi p örnekleme yöntemi kümülatif olasılığa dayalı olarak dinamik olarak belirteçler seçer.
- Maksimum belirteç sayısı ve bağlam penceresi : Maksimum belirteç sayısı çıktı uzunluğunu sınırlarken, bağlam penceresi hem giriş hem de çıkış belirteçlerini kapsayan sabit bir üst sınırdır.
Bu parametrelerin dikkatli bir şekilde ayarlanması, uygulayıcıların bilgi edinimiyle zenginleştirilmiş üretim, analitik görevler ve açık uçlu metin üretimi gibi uygulamalar genelinde çıktı kalitesi, hesaplama verimliliği ve LLM performansı arasında denge kurmalarını sağlar.
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.