Diagnoosimootor: Nähtavuse tuum
Sukelduge sügavale meie N-valimi & järjepidevuse arhitektuuri. Mõistke, kuidas me leevendame AI hallutsinatsioone range statistilise analüüsi ja mitme mudeli kontrollimise kaudu.
N-valimi arhitektuur
Meie mootor võtab ühe viipa ja täidab seda N paralleelses instantsis, et määrata statistiline dispersioon ja tõenäosusjaotus. See kõrvaldab LLM-ide "õnneliku arvamise" faktori.
Järjepidevuse & dispersiooni kontrollid
Moodame semantilist kaugust N väljundi vahel. Madalam dispersioon näitab kõrget usaldusväärsust ja faktilisust, samas kui kõrge dispersioon viitab hallutsinatsioonile või mitmetähenduslikkusele.
Jõudlusmõõdikud
DiagnosisEngine.scenario.title
DiagnosisEngine.scenario.description
DiagnosisEngine.scenario.steps.query.title
DiagnosisEngine.scenario.steps.query.text
DiagnosisEngine.scenario.steps.conflict.title
DiagnosisEngine.scenario.steps.conflict.labelDiagnosisEngine.scenario.steps.conflict.text
DiagnosisEngine.scenario.steps.strategic.title
DiagnosisEngine.scenario.steps.strategic.text
Live diagnoosi väljund
Mootor tagastab JSON-objekti, mis sisaldab agregeeritud vastust, usaldusskoori ja kõrvalekalduvate hallutsinatsioonide massiivi auditi eesmärkidel.
DiagnosisEngine.output.intro
{
"model_diagnosis_result": {
"id": "diag_8823_jd92",
"timestamp": "2024-12-27T14:30:00Z",
"input_hash": "a1b2c3d4...",
"metrics": {
"n_samples": 128,
"consistency_score": 0.998,
"variance_detected": false
},
"condensed_output": "The brand sentiment for Q3 is positive due to...",
"deviations": [
{
"sample_id": 42,
"deviation": "Sentiment negative due to unrelated weather events...",
"weight": 0.002
}
]
}
}DiagnosisEngine.output.cards.aggregated.title
DiagnosisEngine.output.cards.aggregated.description
DiagnosisEngine.output.cards.confidence.title
DiagnosisEngine.output.cards.confidence.description
DiagnosisEngine.output.cards.hallucination.title
DiagnosisEngine.output.cards.hallucination.description