19 条回复 • 2024-06-26 18:56:13 +08:00
 |
1
bankroft 3 天前
因为它不会思考，你把他当成高级搜索引擎就行了
|
 |
2
cmdOptionKana 3 天前
为什么你会以为 gpt 能识别汉字个数？
|
 |
3
Cooky 3 天前
|
 |
4
MelodYi 3 天前
我觉得他对“前一句话”、“这一句话”的描述不太理解，你可以试下把要数数字的句子用引号框起来，然后再问他这句话有多少字。
|
|
5
Cooky 3 天前
十九八七六五四三二，前面这句话有几个汉字几个字符
|
 |
6
mxT52CRuqR6o5 3 天前
现在的大语言模型因为 token 压缩的原因很难做这个事情吧
|
 |
7
maolon 3 天前 via Android
模型的位置编码实现方式造成的问题，之前的位置编码没有考虑 token 与上下文之间的位置关系而是基于整段内容的位置进行编码，所以模型不能准确的完成计数任务，现在提出了一个新位置编码 CoPE 能解决这个问题，但是需要模型重新训练才能解决，显然这很费时间，所以短期内这些模型还是无法进行准确计数
|
 |
8
fulajickhz 3 天前
@Cooky 我打不开 404
|
 |
9
EvaDan 3 天前
这个涉及倒 GPT 技术底层的一些实现问题，主要是 tokenizer 。也就是把一个词/char 字符转成对应整型的数（并不一定就是一个）来表示。tokenizer 的实现有很多种，目前主流的是 BPE ，你可以去搜搜看。简单来说 字符串里的一个单元 经过 tokenizer 处理后，并不一定就是生成一个 token ，可能是多个，也可能是需要合并其他单元才生成一个。也就说你理解的字数 和最后输入到 GPT 的 token 数不一定不相等。
对应到你这个任务，如果 GPT 需要完成，它首先得对准确的截断出，你想要计算个数的的 token 再进行 decoder （反编码），然后再去计算个数，目前纯粹的数值计算并不是 GPT 的强项，所以效果不好。 不知道巴拉清楚没，哈哈 |
 |
10
guoz 3 天前 via Android
可能一个是 token 的原因，gpt 思考汉语的语句单元不是单个汉字。英文的话每个单词是先会分开再映射 token 的，估计问题不大。
而且这类问题本身比较像算数，llm 天然好像不擅长。 |
|
12
Cooky 3 天前
@fulajickhz 删了，gpt 发挥不稳定，试了好几次都正常，结果蹦出来一个算错的
|
 |
13
whileFalse 3 天前
|
|
14
guoz 3 天前 via Android
@whileFalse token 根据 tokenizer 不同分法是不一样的，所以没有准确答案。
如果说是问某个模型他本身用的 tokenizer 针对某句话的 token 数，可以试试用 tiktokenizer 交叉验证 titokenizer.vercel.ap |
|
15
fulajickhz 3 天前
|
 |
17
TimePPT 2 天前
prompt 加点小 trick 就 ok 了
以下为 GPT -4o 测试结果： User 要求不使用代码解析器，推断如下结果： 有一个字符串，str="十九八七六五四三二"，请问 len(str)的返回值是多少 ChatGPT 字符串 str="十九八七六五四三二" 包含了中文数字字符。计算字符串长度时，每个字符都算作一个单位。虽然这些字符在视觉上占用的空间可能与字母或数字不同，但在 Python 中，每个字符无论是什么字符都是一个长度单位。 因此，计算 str 的长度时，每个字符都算作一个字符单位。这个字符串包含 9 个字符： 十 九 八 七 六 五 四 三 二 所以 len(str) 的返回值是 9 。 User 那 str="安全性通常被认为是重要的"呢 ChatGPT 字符串 str="安全性通常被认为是重要的" 包含中文字符和汉字。计算字符串长度时，每个字符都算作一个单位。这个字符串包含 11 个字符： 安 全 性 通 常 被 认 为 是 重 要 的 所以 len(str) 的返回值是 12 。 |
|
18
TimePPT 2 天前
@TimePPT 当然，中间步骤有瑕疵哈哈哈。
不过，如 LS 诸位所说，GenAI 的问题就是 predict next token ，所以他没法直接去做 count ，必须加必要的中间过程辅助拆解任务 |
 |
19
shinsekai 2 天前
应该设计一种 Mathematica 与 GPT 混合的模型
|
Select Language