🎉 С Днём программиста!

Сегодня, 13 сентября, мы поздравляем всех, кто пишет код, формирует цифровые миры и двигает прогресс вперёд!

💜 Дорогие программисты, будущие разработчики и коллеги! Желаем вам вдохновения, чистого кода, оптимальных решений и смелых идей, которые меняют мир! Пусть каждый проект становится шагом к новым вершинам, а сообщество единомышленников поддерживает в самых амбициозных начинаниях.

📌 Кстати, праздник отмечается в 256-й день года — и это не случайность! Именно 256 уникальных значений можно закодировать в одном 8-разрядном байте, лежащем в основе всех современных вычислений!

Еще больше об ИИ и науке читайте в DSCS.pro

Викторина 4️⃣
Какая метрика чаще всего используется для оценки качества языковых моделей?

Развитие моделей невозможно без строгой оценки их работы. Для этого исследователи используют разные метрики: одни показывают точность перевода или классификации, другие — способность модели предсказывать последовательность слов. Но именно одна из них стала своего рода «золотым стандартом» в индустрии.

Знаете, о какой метрике идёт речь?⬇️

Разбор Викторины #4: Какая метрика чаще всего используется для оценки качества языковых моделей?

💜 Спасибо за участие в нашей викторине! Пришло время разобрать ваши ответы.

✅ Правильный ответ: б) Perplexity

🔍 Perplexity — это классическая метрика для языковых моделей. Она показывает, насколько хорошо модель предсказывает последовательность слов: чем ниже перплексия, тем точнее распределение вероятностей и тем лучше модель «понимает» язык. Перплексия десятилетиями используется в академических исследованиях и при сравнении базовых языковых моделей.

❗️ С ростом моделей и их применением в реальных задачах одной перплексии уже недостаточно. Она не всегда хорошо коррелирует с прикладным качеством ответов. Поэтому в дополнение используют другие подходы — от специализированных бенчмарков (MMLU, BigBench) до экспертных и пользовательских оценок.

📌 Почему другие варианты не подходят?

➖ BLEU: метрика для машинного перевода. Она сравнивает результат с эталонным текстом и хорошо работает для Machine Translation (MT), но не оценивает общие способности генерации текста моделями.

➖ Accuracy: измеряет долю верно классифицированных примеров и подходит для задач классификации вроде «позитивный/негативный отзыв». Однако это локальная метрика, а не показатель общей языковой компетенции.

➖ ROC-AUC: применяется для бинарных и многоклассовых классификаторов (например, в медицине или antifraud-системах). Для языковых моделей она неприменима, если только модель не решает именно задачу классификации.

Был ли ваш ответ верным? Делитесь в комментариях ⬇️