谷歌推出ASPIRE框架 用于增強大模型的選擇性預測能力

　　1月22日 消息:在人工智能領域中，大型語言模型(LLMs)的重要性不言而喻。然而，傳統(tǒng)的LLMs在預測過程中存在困難，無法對生成的答案的準確性進行自我評估。此外，傳統(tǒng)方法通常難以可靠地區(qū)分正確和錯誤答案。

　　ASPIRE框架的出現(xiàn)則提供了一種新的解決方案，通過對LLMs進行微調(diào)，并訓練它們自我評估生成的答案的正確性，從而增強LLMs的選擇性預測能力。

　　ASPIRE框架的引入為LLMs的選擇性預測能力提供了新的解決方案。該框架通過對LLMs進行微調(diào)，訓練LLMs評估其生成的答案的正確性，從而實現(xiàn)了LLMs的自我評估和選擇性預測。ASPIRE框架的出現(xiàn)填補了傳統(tǒng)LLMs在高風險決策應用方面的空白，為LLMs的應用提供了更可靠的預測能力。

　　傳統(tǒng)的LLMs在生成答案時存在困難，無法對答案的準確性進行自我評估。而ASPIRE框架的出現(xiàn)則為LLMs的選擇性預測提供了新的解決方案，通過對LLMs進行微調(diào)，訓練LLMs評估生成答案的準確性，從而提高了LLMs的可靠性和可信度。

　　在傳統(tǒng)的LLMs中，無法對生成答案的準確性進行自我評估，這限制了LLMs在高風險決策應用中的應用。然而，引入ASPIRE框架填補了這一空白，通過對LLMs進行微調(diào)和自我評估訓練，提高了LLMs的選擇性預測能力，為LLMs的應用提供了更高的可靠性和可信度。