Nhận định, soi kèo Sharjah FC vs Shabab Al Ahli, 1h00 ngày 19/3: Đòi nợ

Năm 2024, 4 thí sinh góp mặt tại trận chung kết năm Đường lên đỉnh Olympia diễn ra ngày 13/10 tới đây đến từ Hà Nội, Thừa Thiên Huế, Phú Yên, Gia Lai.

Như vậy, Thừa Thiên Huế đứng trước cơ hội san bằng cách biệt với Quảng Ninh để trở thành các tỉnh cùng có số quán quân nhiều nhất (3 quán quân - nếu thí sinh Võ Quang Phú Đức giành chiến thắng).

Hà Nội có cơ hội vươn lên là địa phương có 2 quán quân Olympia (nếu Nguyễn Nguyên Phú chiến thắng). Phú Yên và Gia Lai cũng đứng trước cơ hội được ghi tên mình vào danh sách những tỉnh, thành có quán quân (nếu thí sinh Trần Trung Kiên hoặc Nguyễn Quốc Nhật Minh giành chiến thắng).

Trận chung kết Đường lên đỉnh Olympia năm thứ 24 sẽ được truyền hình trực tiếp vào 8h30 Chủ Nhật ngày 13/10 tới đây trên VTV3.

4 thí sinh góp mặt tại trận đấu quan trọng được chờ đợi này gồm: Trần Trung Kiên (học sinh Trường THPT Lê Hồng Phong, Phú Yên) nhất Quý 1 với 235 điểm; Nguyễn Quốc Nhật Minh (học sinh Trường THPT Chuyên Hùng Vương, Gia Lai) nhất Quý 2 với 250 điểm; Võ Quang Phú Đức (học sinh Trường THPT Chuyên Quốc học, Thừa Thiên - Huế) nhất Quý 3 với 185 điểm; Nguyễn Nguyên Phú (học sinh Trường THPT Chuyên ĐH Sư phạm, Hà Nội) nhất Quý 4 với 215 điểm.

Thí sinh giành chiến thắng trận chung kết năm sẽ nhận được vòng nguyệt quế, cúp kỷ niệm cùng phần thưởng bằng tiền mặt khoảng một tỷ đồng và cơ hội du học. Các thí sinh về Nhì và Ba nhận giải thưởng trị giá 100 và 50 triệu đồng.

Phú Đức vô địch chung kết Đường lên đỉnh Olympia năm thứ 24

Nghiên cứu của MIT tập trung vào việc phát triển một khung đánh giá dựa trên sự phù hợp của niềm tin của con người về khả năng của LLM trong thực hiện các nhiệm vụ cụ thể. Họ mô tả cách con người cập nhật niềm tin của mình về khả năng của LLM sau khi tương tác với nó. Các nhà nghiên cứu phát hiện rằng: khi LLM không đáp ứng kỳ vọng của con người, người dùng có thể trở nên quá tự tin hoặc thiếu tự tin về việc sử dụng chúng, dẫn đến hiệu suất kém trong các tình huống quan trọng.

Tổng quát hóa con người

Nghiên cứu do GS. Ashesh Rambachan - giáo sư trợ giảng kinh tế tại Phòng thí nghiệm Hệ thống Thông tin và Quyết định của MIT (LIDS) và các cộng sự thực hiện đã chỉ ra rằng: sự tổng quát hóa của con người - tức là khả năng dự đoán hiệu suất của một LLM dựa trên các phản hồi trước đó - rất quan trọng để đánh giá đúng khả năng của mô hình. Họ đã tạo ra một bộ dữ liệu gồm gần 19.000 ví dụ để đo lường cách con người tổng quát hóa về hiệu suất của các LLM trên 79 nhiệm vụ khác nhau.

Kết quả cho thấy, con người thường tổng quát hóa tốt hơn với các mô hình. Nhưng họ gặp khó khăn khi đánh giá hiệu suất của LLM. Các thí sinh khảo sát có xu hướng dự đoán hiệu suất của LLM kém chính xác hơn so với việc đánh giá hiệu suất của con người. GS. Rambachan cho rằng: “Sự tổng quát hóa của con người có thể bị phá vỡ khi áp dụng cho LLMs, vì các mô hình này không thể hiện các mẫu chuyên môn rõ ràng như con người”.

Đo lường sự không phù hợp

Con người cũng có xu hướng điều chỉnh niềm tin của họ về LLM khi mô hình trả lời sai hơn khi nó trả lời đúng. Nhiều người cũng cho rằng, hiệu suất của LLM trên các câu hỏi đơn giản không ảnh hưởng nhiều đến hiệu suất của nó trên các câu hỏi phức tạp hơn. Trong những tình huống sự phản hồi không chính xác được coi trọng, các mô hình đơn giản có thể vượt qua các mô hình tinh vi như GPT-4.

Một lý do cho sự kém hiệu quả trong việc tổng quát hóa các LLM là do những mô hình này còn mới mẻ, và con người có ít kinh nghiệm tương tác nó hơn so với việc tương tác người - người. GS. Rambachan cho rằng, việc tương tác nhiều hơn với LLM có thể giúp cải thiện khả năng tổng quát hóa của con người về chúng. Nghiên cứu hướng đến có thể cải thiện về niềm tin của con người khi tương tác với LLM và cách tổng quát hóa có thể được tích hợp vào việc phát triển các LLM.

Bài nghiên cứu nhấn mạnh rằng, để huấn luyện và điều chỉnh các LLM hiệu quả, cần phải xem xét cách con người tổng quát hóa về các mô hình này. Bộ dữ liệu các nhà nghiên cứu tạo ra có thể trở thành tiêu chuẩn để so sánh hiệu suất của các LLM liên quan đến hàm tổng quát hóa của con người, từ đó giúp cải thiện mô hình trong các tình huống thực tế.

Alex Imas - giáo sư khoa học hành vi và kinh tế tại Trường Kinh doanh Booth của Đại học Chicago cho rằng, nghiên cứu của MIT có 2 đóng góp quan trọng. Thứ nhất, nó nêu bật vấn đề khi triển khai LLM cho các mục đích chung, nếu người dùng không hiểu rõ khi nào LLM sẽ chính xác hay thất bại, họ có thể gặp khó khăn trong việc tiếp tục sử dụng chúng. Thứ hai, nghiên cứu cung cấp cái nhìn sâu sắc về cách các mô hình xử lý các vấn đề và cho thấy liệu LLM có "hiểu" các vấn đề mà chúng giải quyết hay không. 

(Theo: MIT News)