Resumen: Introducimos un método de metadrompto que produce un texto con fluidez para tareas complejas al tiempo que optimizamos la similitud de los estados neuronales entre la expectativa mental de un humano y el procesamiento neural de un modelo de lenguaje grande (LLM). Se aplica una técnica de aprendizaje de refuerzo de agente, en la que un LLM como juez (LLMAAJ) enseña a otro LLM, a través del aprendizaje en contexto, cómo producir contenido interpretando los rasgos de texto generados y no intencionados. Para medir las creencias mentales humanas en torno a la producción de contenido, los usuarios modifican los artículos de texto generados por IA de forma larga antes de la publicación en el US Open 2024 Tennis Grand Slam. Ahora, un llmaaj puede resolver el problema de alineación de la teoría de la mente (TOM) anticipando e incluyendo ediciones humanas dentro de la creación de texto de un LLM. A lo largo de la experimentación e interpretando los resultados de un sistema de producción en vivo, las expectativas de los revisores de contenido humano tenían el 100% de alineación con IA 53.8% del tiempo con un recuento de iteración promedio de 4.38. La interpretación geométrica de los rasgos de contenido como la realidad, la novedad, la repetitividad y la relevancia sobre un espacio de vector de Hilbert combina el volumen espacial (toda importancia del rasgo) con la alineación de los vértices (relevancia del rasgo individual) permitió al LLMAAJ optimizar en Tom humano. Esto dio como resultado un aumento en la calidad del contenido al extender la cobertura de la acción del tenis. Nuestro trabajo que se desplegó en el US Open 2024 se ha utilizado en otros eventos en vivo dentro de deportes y entretenimiento.
Publicado Originalme en rss.arxiv.org El 14 de mayo de 2025.
Ver Fuente Original
