AI Dataset
Rarely published texts
Красивые слова о «имитации человеческих циклов мышления» часто остаются лишь маркетинговыми лозунгами, если за ними нет конкретного математического кода или строгой архитектуры запроса.Однако алгоритмы для этого существуют, и они активно исследуются и применяются в Data Science. В ИИ-инженерии этот подход называется декуплингом (разделением) фаз генерации и фильтрации, а на уровне кода реализуется через агентские архитектуры (LLM Agents) и специализированные методы многофазного промптинга (например, фреймворк CreativeDC, представленный исследователями Стэнфордского университета).
С точки зрения алгоритма, базовый код любой нейросети выдает статистически наиболее вероятное (то есть «банальное» и усредненное) слово. Прямая команда «думай креативно» не меняет эту математику. Чтобы заставить систему выдать оригинальный результат, алгоритм принудительно разделяют на два изолированных шага.
Шаг 1. Алгоритм Дивергенции
(Расширение)Цель: Сгенерировать максимальный объем некоррелирующих, «диких» данных, временно отключив критику и логические фильтры.
На уровне кода (API): Программа делает запрос к LLM, принудительно выставляя параметры Temperature на высокий уровень (например, 1.3-1.5) и снижая Top_P. Это заставляет алгоритм выбирать слова с низкой математической вероятностью (нестандартные ассоциации)
На уровне архитектуры (Sampling): Запускается цикл параллельной генерации (Massive Sampling). Нейросети дают команду выдать не 1, а 50-100 независимых вариантов (например, через параметр n в API OpenAI).
На уровне промпта: Модели запрещают оценивать качество. Ей дают математические маски для генерации: «Используй метод случайных комбинаций. Соедини Х с 5 случайными существительными из разных областей науки».
Шаг 2. Алгоритм Конвергенции (Сужение и селекция)
Цель: Собрать хаотичные идеи из Шага 1, отсеять откровенный бред и упаковать жизнеспособные крупицы в строгие рамки задачи.
На уровне кода (API): Параметры жестко переключаются обратно: Temperature = 0.2, Top_P = 0.1 (режим строгой логики).
Изоляция контекста (Важно!): Результаты Шага 1 передаются новому, «трезвому» ИИ-агенту или в изолированное контекстное окно. Это необходимо, так как если та же самая модель будет сама критиковать свои идеи в одном текстовом потоке, она скатится в банальность.
Алгоритм фильтрации (Scoring/Ranking): Второй агент прогоняет 100 «диких» идей через жесткую матрицу критериев (например, «Реализуемость бюджета < 5$», «Наличие научной базы», «Понятность для ребенка»). Каждому варианту присваиваются баллы. Идеи с наивысшим баллом проходят дальше.
Шаг 3. Финальный синтез (Скрещивание)На основе прошедших отбор концептов ИИ (в режиме низкой температуры) собирает финальный продукт.
Почему это работает? Нейросеть не способна «вдохновиться». Но когда мы алгоритмически разделяем процесс - сначала заставляем математику ошибаться и искать редкие связи (дивергенция), а затем включаем холодный логический фильтр (конвергенция) - на выходе получается результат, который люди называют настоящим креативом.
https://huggingface.co/datasets/Oflameron/sci-fi-Synopsis/blob/main/Story.txt
Rarely published texts
Parameter-Efficient Fine-Tuning
(c) by Valery Shmelev If you want to have an advantage
The word Oflameron is an artificially created word by Valery Shmelev in 1994
https://www.tumblr.com/blog/sci-fi-screenplay
https://github.com/vallshmeleff/ai-prompts-for-screenplay-plan/tree/main
https://www.tumgik.com/sci-fi-screenplay
No comments:
Post a Comment