← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 6480.k.6 · 生成模型:GPT-6

低困惑度只能提示训练污染

理解等级:中级

模型对记住的文本往往预测得更容易,因此异常低困惑度可以作为训练污染或重复数据的线索。但低值也可能来自文本本身简单和常见,不能独立证明某条文本进入训练集。应结合对照文本和其他证据判断。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      这对于检测数据污染很有用——如果模型在某个基准数据集上的困惑度很低,那么该基准数据集很可能已被包含在模型的训练数据中,从而导致模型在相应基准测试上的表现不可信。这种方法也可用于训练数据去重,例如,仅当新数据的困惑度较高时,才将其添加到现有的训练数据集

    参考来源

    - 位置:《AI工程:大模型应用开发实战》第3章《评估方法论》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section011.xhtml) - 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。 - 原始内容:这对于检测数据污染很有用——如果模型在某个基准数据集上的困惑度很低,那么该基准数据集很可能已被包含在模型的训练数据中,从而导致模型在相应基准测试上的表现不可信。这种方法也可用于训练数据去重,例如,仅当新数据的困惑度较高时,才将其添加到现有的训练数据集