本网站服务器在美国维护-谷歌推出ASPIRE框架 用于增强大模型的选择性预测能力
在人工智能领域中，大型言语模型（LLMs）的重要性显而易见。然而，传统的LLMs在猜测过程中存在困难，无法对生成的答案的准确性进行自我评价。此外，传统方法一般难以可靠地区分正确和过错答案。
ASPIRE结构的呈现则供给了一种新的解决方案，经过对LLMs进行微调，并练习它们自我评价生成的答案的正确性，从而增强LLMs的选择性猜测才能。
image.png
ASPIRE结构的引进为LLMs的选择性猜测才能供给了新的解决方案。该结构经过对LLMs进行微调，练习LLMs评价其生成的答案的正确性，从而实现了LLMs的自我评价和选择性猜测。ASPIRE结构的呈现填补了传统LLMs在高风险决议计划使用方面的空白，为LLMs的使用供给了更可靠的猜测才能。
(本网站服务器在美国维护)传统的LLMs在生成答案时存在困难，无法对答案的准确性进行自我评价。而ASPIRE结构的呈现则为LLMs的选择性猜测供给了新的解决方案，经过对LLMs进行微调，练习LLMs评价生成答案的准确性，从而提高了LLMs的可靠性和可信度。
在传统的LLMs中，无法对生成答案的准确性进行自我评价，这限制了LLMs在高风险决议计划使用中的使用。然而，引进ASPIRE结构填补了这一空白，经过对LLMs进行微调和自我评价练习，提高了LLMs的选择性猜测才能，为LLMs的使用供给了更高的可靠性和可信度。
