Модель принятия решений
Модель принятия решений читает ситуацию и список вопросов, а затем возвращает вероятность для каждого допустимого ответа вместо того, чтобы писать текст.
Чат-модель генерирует слова и оставляет разбор вам. Модель принятия решений создана для шага, где агент должен выбрать: вы отправляете ситуацию и типизированные вопросы — например, «истина или ложь», «выбери одну из этих команд» или «оцени серьёзность от одного до четырёх». Модель оценивает все допустимые варианты за один проход, и результат — набор вероятностей, с которым ваш код может сравнивать порог, маршрутизировать запрос или передать его человеку. Clef от Cloudflare, посттренированный из Qwen, — открытый пример, и его формат запроса совместим с Jev от Typesafe AI. Другие примеры: d1 от Liquid AI, модели Decider от AutoTrust, pplx-decider от Perplexity, Prism от Sarvam, построенный на модели 105B, Smaug-Decisions от Abacus.AI, принимающий ещё и аудио, hs-decide-1-flash от Hindsight и DuplexJev от Adventists AI, который определяет очерёдность реплик, перебивание и тон прямо из аудиозаписи речи.
Поскольку текст не генерируется, такие модели могут быть быстрыми и стабильными, а метки можно менять без переобучения. Они не умеют объяснять себя и выполнять действия, а вопросы, требующие очень тяжёлых рассуждений, лучше отдать более крупной чат-модели. Считайте вероятности оценками, которые нужно проверить на собственных размеченных примерах: калибровка у всех разная, а вендорские таблицы бенчмарков получены из запусков самого вендора.
Связанные термины
- ИИ-агент ИИ-агент — это система, в которой модель планирует и выполняет многошаговые задачи, вызывая инструменты: например, запуская код, ища в интернете или редактируя файлы.
- Вызов инструментов (function calling) Вызов инструментов позволяет модели попросить вашу программу выполнить функцию, например поиск или калькулятор, и затем использовать результат в ответе.
- Мультимодальная модель Мультимодальная модель умеет работать более чем с одним типом данных — текстом, изображениями, аудио или видео — на входе, на выходе или и там и там.
- Дообучение (fine-tuning) Дообучение продолжает обучение предобученной модели на ваших собственных примерах, чтобы она лучше работала в конкретной задаче, стиле или предметной области.