HarmonyFidelisHarmonyFidelis
Connexion
Aller au contenu
AURA
ComprendreConfigurerProgrammes publics
Comprendre

Premiers repères

ApprentissageInférence

Mécanismes

ReprésentationsContexte & mémoireArchitecturesDiffusion

Recherches avancées

Raisonnement & agentsModèles du mondeAGI & ASIÉvaluation

Chaque espace se visite librement. Les détails restent accessibles à tout moment.

Entrée Aura
AuraComprendre l’IAModèles du monde

Prédire pour choisir une action

Explorer l’effet d’un horizon plus long et le risque d’un modèle inexact.

L’essentielExpérimenterApprofondir
Sources scientifiques

L’essentiel

Comment cela fonctionne

Un modèle du monde prédit des aspects utiles de l’évolution d’un environnement. DreamerV3 apprend des comportements sur des trajectoires imaginées dans un modèle latent. MuZero associe un modèle appris utile à la décision à une recherche arborescente.

À retenir

Ces systèmes n’utilisent pas leurs prédictions de la même manière. Des erreurs de modèle peuvent s’accumuler ; regarder plus loin n’est pas une garantie de meilleure décision. Le jouet ci-dessous n’exécute aucun de ces algorithmes.

Expérimenter

Sources scientifiques

  • Hafner et al. · 2023Mastering Diverse Domains through World ModelsDreamerV3 · arXiv v2 · 2024
    Publication originale
  • Schrittwieser et al. · 2019Mastering Atari, Go, Chess and Shogi by Planning with a Learned ModelarXiv v2 · 2020
    Publication originale

Synthèse pédagogique des sources citées. Les résultats des publications restent liés à leurs tâches, protocoles et budgets.

Explorer aussiAGI & ASIInférence

Rechercher Aura

18 résultats

ComprendreApprendre, puis utiliser un modèleDistinguer les paramètres appris des informations fournies au moment d’une demande.
ComprendreDu contexte au prochain tokenDistinguer les probabilités du modèle de la règle utilisée pour choisir une sortie.
ComprendreDu texte aux représentationsComprendre pourquoi les mots deviennent des vecteurs, sans confondre vecteur et sens humain.
ComprendreDe quelle mémoire parle-t-on ?Séparer contexte de travail, état récurrent, paramètres appris et stockage persistant.
ComprendreTransformers : comprendre l’attentionComparer architectures, méthodes d’apprentissage et systèmes complets au bon niveau.
ComprendreGénérer par débruitageSuivre la différence entre corruption pendant l’apprentissage et génération progressive.
ComprendreDu modèle au système qui agitComprendre le rôle du harnais autour d’un modèle et de ses outils.
ComprendrePrédire pour choisir une actionExplorer l’effet d’un horizon plus long et le risque d’un modèle inexact.
ComprendreDes définitions, pas un verdict uniqueExaminer la généralité, la performance et l’adaptation avant d’employer une étiquette.
ComprendreCe qu’un résultat permet de conclurePasser d’une impression convaincante à une comparaison reproductible.
ConfigurerPréparer un projet ChatGPTUn objectif clair, le bon contexte et des instructions que vous pouvez réellement utiliser.
ConfigurerChoisir pour votre tâcheCommencez par votre besoin. Comparez les accès et les résultats, sans classement universel des modèles.
ConfigurerRendre votre demande vérifiableTransformez une intention en objectif, contexte et critères de réussite.
ConfigurerDonner la bonne information au bon endroitDistinguez les règles de travail, les ressources de la tâche et la mémoire gérée par le produit.
ConfigurerPréparer un environnement de développementDéfinissez le rôle du modèle, les capacités du harnais et les accès réellement nécessaires.
ConfigurerComposer une procédure de développementOrganisez préparation, modification, vérification et restitution. Réutilisez les étapes qui vous aident.
ConfigurerPréparer une mission, puis vérifier le résultatUn exemple reproductible, une liste de contrôle et un compte rendu de vos observations.
Programmes publicsTentacularUsages, fonctions et ressources publiquement disponibles.