Новости ИИ, 12 октября: ИИ помогает разобрать сложную функцию OpenBMC
В выпуске: ИИ помогает разобрать сложную функцию OpenBMC; Повторное обучение небольшой LLM не дало накопительного роста.
ИИ помогает разобрать сложную функцию OpenBMC
В статье разбирают функцию createSensors из сервиса HwmonTempSensor в проекте OpenBMC. Сервис собирает показания аппаратных датчиков и публикует их через D-Bus, а рассматриваемая функция занимает 280 строк. Автор попросил ИИ-агента объяснить её логику: тот выделил 12 отдельных задач, которые выполняет функция. Среди них — получение конфигурации датчиков, поиск I2C-драйверов, создание объектов датчиков и управление порогами и частотой опроса.
Функция также обрабатывает полный скан при запуске и обновления конфигурации во время работы. По описанию автора, циклы и условия в ней вложены на 6–7 уровней. Публикация рассматривает попытку рефакторинга этого кода с помощью ИИ, однако в приведённом фрагменте не указано, какие изменения агент предложил и к какому результату они привели.
Что это значит для разработчиков. Разбор показывает, что ИИ может помочь выделить обязанности сложной функции и описать её поведение. Это может быть полезным первым шагом перед рефакторингом, но результат изменений в тексте не приведён.
Источник: Хабр
Повторное обучение небольшой LLM не дало накопительного роста
Автор Хабра описал эксперимент с небольшой моделью, размер которой помещается в обычную домашнюю видеокарту. Её проверяли на одном и том же наборе из 200 задач в четырёх раундах дообучения. По словам автора, после первого раунда качество заметно выросло, но затем дальнейший прогресс остановился: накопительного улучшения не произошло. Эксперимент проводили по заранее заданным правилам, а результаты после запуска пересчитали другим кодом, чтобы снизить риск подгонки.
Автор сравнивал три способа работы модели, однако приведённый фрагмент подробно описывает только первый — последовательное дообучение с добавлением результатов каждого раунда. Исследование рассматривается как шаг к архитектуре LANN-4, где неизменяемая модель использует внешнюю память; сама архитектура пока не выбрана и не построена. Для дополнительной проверки автор попросил читателей найти возможную ошибку в устройстве эксперимента до затратного запуска на видеокарте.
Что это значит для разработчиков. Для разработчиков эксперимент показывает, что повторное дообучение на тех же задачах само по себе не гарантирует дальнейшего роста качества. Результаты стоит оценивать на фиксированном наборе задач по нескольким раундам.
Источник: Хабр