Bonne réponse
Explication
Le paramètre frequency_penalty réduit la probabilité que le modèle répète les mêmes phrases en pénalisant les jetons qui sont déjà apparus dans le texte généré. Une valeur de frequency_penalty plus élevée (par exemple de 0.5 à 1.0) décourage le modèle de réutiliser les mêmes mots ou phrases, rendant le résultat plus diversifié et naturel. Cela résout directement le problème des formulations répétitives dans les avis sur les produits.
Pour aller plus loin
Azure OpenAI Service expose à la fois frequency_penalty et presence_penalty pour contrôler la répétition. Frequency_penalty met à l'échelle le score logit d'un jeton par un facteur proportionnel à sa fréquence d'apparition, tandis que presence_penalty applique un bonus ou une pénalité fixe si un jeton est apparu au moins une fois. Les deux sont implémentés en modifiant les logits calculés avant l'échantillonnage, et non par un post-filtrage du texte. Une idée reçue fréquente est que ces paramètres garantissent un résultat lexicalement unique; en pratique, ils atténuent mais n'eliminent pas la répétition, et des valeurs extrêmes peuvent rendre le texte non naturel ou incohérent. Notez également que ces pénalisations interagissent avec temperature et top_p: une température élevée peut réintroduire de l'aléas qui neutralise partiellement la pénalité, de sorte que le réglage doit prendre en compte l'ensemble du pipeline d'échantillonnage. Comprendre ces distinctions est important pour contrôler la qualité générative dans des scénarios tels que les descriptions de produits.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.