Porady Andreja Karpathy’ego dotyczące pracy z modelami LLM
Andrej Karpathy dzieli się swoją ulubioną metodą współpracy z dużymi modelami językowymi, sugerując wykorzystanie trybu głosowego do generowania chaotycznych monologów.
Porady Andreja Karpathy’ego dotyczące pracy z modelami LLM
Andrej Karpathy opowiedział o jednym ze swoich ulubionych sposobów pracy z dużymi modelami językowymi (LLM). Radzi on, aby nie zawsze starać się formułować idealnego promptu, lecz zamiast tego po prostu dyktować modelowi strumień świadomości.
Można włączyć tryb głosowy i rozmawiać przez około dziesięć minut na dowolny temat: z powtórzeniami, błędami, urwanymi frazami i skokami między wątkami. Według niego modele LLM świetnie radzą sobie z porządkowaniem takich chaotycznych monologów w spójną całość i często artykułują nasze myśli znacznie jaśniej niż my sami.
Czasem taką sesję można przekształcić w krótki wywiad składający się z kilku wymian zdań. W rezultacie model lepiej rozumie kontekst i ostateczny cel, dzięki czemu rzadziej musimy go korygować.
Dlaczego to ważne
AnalizaTo podejście pozwala na bardziej efektywne wykorzystanie modeli LLM, upraszczając proces tworzenia promptów i znacząco poprawiając jakość końcowych wyników.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
AI Radar: GPT-6.1 Terra, Gemini 4 Carbon, Mistral Large 4 i zmiany cen OpenAI oraz Anthropic
Przegląd najnowszych wiadomości AI: nowe modele LLM, zmiany subskrypcji OpenAI i Anthropic, modele świata, generatory wideo oraz szczegóły korporacyjne.
Badacze z MIT pokazali, że GPT-6 Astra może ulepszać inne modele AI przez bezpośrednią zmianę wag
W eksperymencie Astra zwiększyła dokładność Qwen3.5-0.8B w benchmarku MATH-500 z 7,9% do 48,1%, zmieniając zaledwie 0,016% wag modelu.
Format CSV: Kompletny przewodnik po automatyzacji i pracy z AI
Praktyczny poradnik dotyczący wykorzystania formatu CSV w potokach AI: specyfikacja RFC 4180, porównanie z XLSX i JSON, masowe czyszczenie i wzbogacanie danych, kodowanie w Pythonie oraz gotowe prompty.
Format Markdown: Kompletny przewodnik po pracy z AI i automatyzacją
Wyczerpujący, praktyczny przewodnik po składni Markdown w kontekście rozwoju AI: CommonMark, hierarchia nagłówków, tabele GFM, escapowanie znaków, prompty systemowe oraz pliki CLAUDE.md.