[LLM Architect] 10 为什么LLM无法理解输出马嘉祺，深入理解Glitch（故障）Token，词嵌入漂移、SFT/RL、gradient 视角

摘要

深入解析大型語言模型無法理解特定輸出（如馬嘉祺）的技術原因，涵蓋 Glitch Token、詞嵌入漂移、SFT 與 RL 等機制。觀眾可從 gradient 視角理解模型故障原理。

This video explains why LLMs fail to understand specific outputs like 'Ma Jiaqi' by analyzing Glitch Tokens, embedding drift, and gradient perspectives.

這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。

提到的工具與公司

• gpt4o
• SFT

適合誰看

具備機器學習基礎或正在研究 LLM 架構的開發者與研究者。

摘要依據

講者

五道口納什

依據

標題與說明欄（還沒有取得字幕或內文）

為什麼排在這裡

人氣

0.39

新鮮

0.56

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Never Trust An LLM影片 ・ Matt Pocock ・ 14 分鐘
• An Agent Is Just an LLM in a For-LoopPodcast ・ The Data Exchange with Ben Lorica ・ 35 分鐘
• Why Your LLM Evals Are Missing Critical Failures影片 ・ The TWIML AI Podcast with Sam Charrington
• Extrinsic Hallucinations in LLMs文章 ・ Lilian Weng（部落格）
• LLaMA explained: KV-Cache, Rotary Positional Embedding, RMS Norm, Grouped Query Attention, SwiGLU影片 ・ Umar Jamil ・ 1 小時 11 分
• 【生成式人工智慧與機器學習導論2025】第3講：解剖大型語言模型影片 ・ Hung-yi Lee ・ 2 小時 5 分