Sıfırdan Yapay Sinir Ağı ile Çalışmayı Öğrenme ve Bir Formül Kullanarak Prompt'ları Doğru Yazma

Öneri: Python'da sıfırdan küçük bir sinir ağı oluşturun ve prompt'ları oluşturmak için tek bir formülü kullanın. Bu, ağırlıkların nasıl güncellendiğinin ve prompt'ların çıktıların nasıl yönlendirdiğinin kökeni, fikirleri test etmek için canlı bir veri seti ile. Görev somut: 2–3 katmanlı bir ağ uygulayın, kompakt bir eğitim döngüsü çalıştırın ve küçük bir doğrulama setinde hatayı ölçün. İnsanlar, her deney için ek bir kontrol listesi ve özlü bir detay seti tutarsanız ilerlemenin daha hızlı geldiğini yazıyor.

Formülü güvenilir bir şekilde uygulamak için her görevi Prompt = Görev + Bağlam + Kısıtlamalar + Stil + Girdi + Çıktı olarak eşleştirin. Her istek için yeniden kullandığınız bir şablon (template) kullanın ki sonuçlar karşılaştırılabilir kalsın. Basit görevlerle başlayın ve kademeli olarak ölçekleyin, her nesil için girdileri ve çıktıları kaydederek iyileştirmelerin nerede gerektiğine bakın.

Öğrenme yolu uygulamalı: Minimal bir Python ortamı kurun, küçük bir veri seti oluşturun ve temel bir eğitim döngüsü oluşturun. Verilerin bir alt kümesini (etiketli olanlar) belleğe yükleyin, ileri geçişler çalıştırın ve kayıp hesaplayın. Tek bir unsuru değiştirerek yineleyin –aktivasyon, öğrenme oranı veya toplu iş boyutu– ve ayrılmış kısımda sonuçları karşılaştırın. Bu yaklaşım deneyleri odaklanmış tutar ve net neden-sonuç ilişkilerini görmenize yardımcı olur.

Prompt'ları kompakt ve tekrarlanabilir tutarken varyasyonları keşfedin: Basit bir görev için başlangıç prompt'ları, sonra bir kısıtlama veya stili test eden varyantlar. Modelin farklı bağlamlar altında nasıl yanıt verdiğini karşılaştırmak için prompt'ları kullanın ve hangi şablonun istekler genelinde en istikrarlı çıktıları verdiğini belgeleyin. Her yeni isteğin aynı şablon ve formülle yönlendirildiği güvenilir bir iş akışı oluşturacaksınız, tahmin işini azaltarak.

Uygulamada, daha sonra denetleyebileceğiniz nesiller ve detaylar biriktireceksiniz. Modelin görsel benzeri prompt'lar, altyazılar ve betimleyici metinleri nasıl ele aldığını göstermek için kediler ve giysiler etrafında veri senaryoları oluşturun. Kayıp, doğruluk ve çıktı tutarlılığı gibi metrikleri izleyin ve modelin başarılı veya zorlandığı yerleri not edin. Sisteminizin kökeni bu yinelemeli turlarda ortaya çıkacak ve hangi parametrelerin kalite ve tutarlılığı en çok etkilediğini öğreneceksiniz. Bu sürecin sonunda, prompt tasarımı için tekrarlanabilir bir yöntem ve ağda küçük değişikliklerin nasıl yayıldığını anlamak için sağlam bir sezgi kazanırsınız.

Bu yaklaşım sizi gerçek dünya görevlerine hazır tutar: Şablonu birden fazla alana uyarlayabilir, veri setlerini değiştirebilir ve formülü yeni kısıtlamalara uydurmak için rafine edebilirsiniz. Hazır olduğunuzda, hem sinir ağı hem de prompt disiplini ustalığını gösteren organize bir portföyü –prototip'ler, karşılaştırmalar ve not edilmiş nesiller– paylaşacaksınız. Öğrendiklerinizi yeni sorunlara uygulamaya ve deneylerinizi güvenle ölçeklemeye hazır mısınız?

Net Bir Öğrenme Hedefi ve Minimal Sinir Ağı Kapsamı Tanımlayın

Net bir göreve sahip olun: Basit bir görevi çözen minimal bir ağ ve sabit bir prompt formülü ile başarıyı belgeleyin. Bu hedefi bugün her karar için çapa olarak ayarlayın. Bu yaklaşım kapsamı dar tutar, ilerlemeyi ölçülebilir kılar ve teoriden pratik prompt'lara geçişi sağlar. Girdi, çıktı ve değerlendirmeyi uyumlu hale getirmek için studyai rehberliğini okuyun. Bugün, hata ayıklamayı basitleştirmek için küçük bir veri seti ve renkler seçin. İstenen metrikleri ulaşmak için an, oyuncak bir görevde eğitimi stabilize ettikten sonra gelecek. Karmaşıklığı kovalamayın; fikri bir fikir, bir veri seti ve bir formül üzerine odaklanmış tutun.

Belirli Bir Öğrenme Hedefi Belirleyin

Problemi tek, somut bir hedef ve gerçekçi bir son tarihle netleştirin. Doğruluk ve kayıp gibi metrikleri tanımlayın ve başarıyı işaret eden bir eşik seçin (örneğin, ayrılmış sette %70 doğruluk). Prompt formülünün tutarlı girdiler ve çıktılar verdiğini doğrulamak için rehberliği okuyun. Sonunda izleyeceğiniz gerekli token'ları ve özellikleri belirtin ve planı bugünün yeteneklerine sınırlayın. Model hedefe ulaştığında anı yakalayın ve sonucu kaydettikten sonra yalnızca ayarlayın. Kapsamı tek bir göreve sınırlayın ve hedefe ulaşılana kadar ekstra veri setleri veya görevler eklemeyin.

Minimal Sinir Ağı Kapsamı Tanımlayın

Kompakt bir mimariye sınırlayın: İki katman, küçük gizli boyut ve seçilen token'lara uyan net bir girdi boyutu. Bir veri seti, bir görev ve bir eğitim döngüsüne odaklanın. İlerlemeyi görselleştirmek için renkler kullanın, ancak prompt'u gereksiz bağlamla karmaşıklaştırmaktan kaçının. Modelin basit ilişkileri nasıl öğrendiğini ve prompt formülünün yanıtı nasıl yönlendirdiğini vurgulayın. Karmaşıklığı dışarıda tutarak, temel davranışı daha hızlı ve net hata ayıklama sinyalleriyle göreceksiniz. Sonuç, sürüklenme veya özellik genişlemesi olmadan yineleyebileceğiniz yeniden üretilebilir bir temel çizgidir.

Öğe	Tanım	Örnek
Öğrenme Hedefi	Belirli, ölçülebilir hedef ve son tarih	2 gün içinde 200 örnekli ayrılmış sette %70 doğruluk
Ağ Kapsamı	Minimal mimari ve veri özellikleri	4 gizli birimle 2 katmanlı ağ; ikili görev
Veri & Token'lar	Sadece gerekli token'lar ve küçük veri seti kullanın	100 örnek; gerekli token'lar vurgulanmış
Prompt'lar	Tutarlı çıktı elde etmek için sabit formül	Prompt: "X özelliklerine göre Y'yi sınıfla"
Değerlendirme	Döngü başına kayıp ve son doğruluk	En iyi kontrol noktası kaydedilmiş ve karşılaştırılmış

Sinir Ağı Deneyleri İçin Yeniden Üretilebilir Bir Python Ortamı Kurun

Temiz bir sistemle başlayın: Adanmış bir proje klasörü oluşturarak, bir Git repo'su başlatın ve conda veya venv kullanarak sanal ortamı etkinleştirin. Python'u belirli bir sürüme (örneğin 3.11.4) sabitleyin ve bağımlılıkları environment.yml (conda) veya requirements.txt (pip) ile kilitleyin. Bu, tam konfigürasyonun kaydını oluşturur ki her katılımcı kendi makinesinde yeniden üretebilsin ve bağımsız çalışmaya başlasın. Görselleştirme için, veri setleri genelinde tutarlı aydınlatmayı sağlamak üzere renk paletlerini önceden planlayın.

Bağımlılık yönetimi tek bir gerçeklik kaynağı kullanır. Sürümleri kilitlemek için Poetry, Pipenv veya sabitlenmiş requirements.txt kullanın. Yorumlayıcının kararlı olmasını sağlamak için pyenv veya conda ile Python'u platformlar genelinde sabitleyin; bu yaklaşım, tutarlılığın önemli olduğu takımlarda kullanılır, özellikle tanıma görevlerinde. Ortamı yeniden oluşturmak için kullanılan tam komutları belgeleyin ve kolay yeniden kurulum için dosyayı depoda saklayın.

Karşılaştırmalar için determinizm önemlidir. Tohumları ve deterministik işlemleri ayarlayın: numpy.random.seed(42), random.seed(42) ve torch.manual_seed(42). PyTorch'ta deterministik algoritmaları etkinleştirin ve mümkünse belirlenemez CUDA işlemlerinden kaçının. Bu, istikrarlı sonuçlar sağlar; her çalıştırma tekrarlanabilir davranışa sahiptir, fonksiyonları ve sonuçları karşılaştırmaya yardımcı olur. Hassas modellerle çalışırken, makalenin adanmış bir bölümünde kaçınılmaz belirlenemezlikleri not edin ve temel çizgiyi temiz tutun.

Veri işleme ve görüntü boru hatları netlik gerektirir. Ön işleme adımlarını sabitleyin, mümkünse deterministik artırmaları ve tüm görüntü işleme zincirini kaydedin. Sağlam görüntü yükleme kullanın ve görüntülerde çalışan fonksiyonların deterministik olmasını sağlayın. Farklı dillerdeki dinleyicileri barındırmak için, uygun yerlerde boru hattını ikidilli formda belgeleyin ve çıktıları yeniden üretmek için veri bölünmesinin ve tohumun kaydını saklayın. Bu yaklaşım, müşterilerin tutarlılığı değerlendirmesine yardımcı olur ve ortamlar genelinde sürüklenmeyi azaltır.

Deney izleme ve raporlama takımları güçlendirir. Zaman damgaları, ortam hash'i ve hiperparametrelerle çalıştırmaların yerel bir defterini tutun. Sonuçları grafikler ve özetlerde net aydınlatın ve notları insanlar ve müşteriler için erişilebilir tutun. Her çalıştırmayı tam ortam durumuna ve veri sürümüne bağlayın, ki her paydaş iş akışını denetleyebilsin ve bu makalede belgelenen sonuçları yeniden üretebilsin.

Şimdi başlamak için pratik adımlar: environment.yml veya requirements.txt oluşturun, temel rastgele tohumu bildirin ve yeniden üretilebilirliği doğrulamak için kısa bir eğitim geçişi test edin. Dokümanlarınızda temel proje adını akira olarak adlandırın ve bağımlılıkları ve ortam detaylarını sabitlemek için мэпплторп.yaml adlı bir konfigürasyon dosyasına atıf yapın. Yaklaşımı müşterilere satmayı planlıyorsanız, hazır çalıştırma betiği ve özlü adımların kaydı ile şeffaf, minimal bir yeniden üretme yolu sağlayın. İlk doğrulama için, renklerin ve görüntüleme fonksiyonlarının beklendiği gibi davrandığını doğrulamak üzere bir görüntü örneğinin hızlı görselleştirmesini çalıştırın ve her görüntü yolunun belgelenen boru hattıyla uyumlu olmasını sağlayın.

Küçük Bir İleri Beslemeli Ağ Uygulayın: İleri Geçiş, Aktivasyon ve Kayıp Fonksiyonu

İleri geçişi ve kaybı doğrulamak için iki katmanlı küçük bir ağla başlayın. Buradaki görev ileri geçişi, aktivasyonu ve bir kayıp fonksiyonunu uygulamak, sonra sağlam sonuçlar elde ettikten sonra genişletmek. Ağ, girdi özelliklerinden doğrudan tahminler üretir, bu yüzden aktivasyonları görselleştirmek için küçük bir renk paleti kullanın ve gürültüden kaçınmak için aydınlatmayı basit tutun. Bu yaklaşım, hata ayıklama için sakin bir atmosfer yaratır ve her hesaplamanın sonuç göreve nasıl eşlendiğini görmenize yardımcı olur.

İleri geçişi şöyle planlayın: x R^n'de, W1 R^{h×n}'de, b1 R^h'de, a1 = σ(W1 x + b1). Sonra W2 R^{m×h}'de, b2 R^m'de, z2 = W2 a1 + b2, a2 = σ(z2). Kayıp, a2'yi hedef y'ye R^m'de MSE ile karşılaştırır: L = 0.5 ||a2 − y||². Sınıflandırma için çapraz entropiye geçin. Her adımı doğrulamak için doğrudan hesaplamalar kullanın ve fiyakalı hileler yerine akışa odaklanın. Hedef, bugün mevcut en gerekli detaylarla net, pratik bir çözümdür.

Temel denklemler ve küçük sayısal örnek

Örnek: n = 2, h = 2, m = 1; x = [0.5, −0.2], W1 = [[0.5, −0.3], [0.2, 0.7]], b1 = [0, 0], W2 = [0.4, −0.6], b2 = [0]. z1 = W1 x + b1 = [0.31, −0.04], a1 = ReLU(z1) = [0.31, 0]. z2 = W2 a1 + b2 = 0.124, a2 = sigmoid(0.124) ≈ 0.532. Hedef y = 0.60; L ≈ 0.5 × (0.532 − 0.60)² ≈ 0.0023. Bu tek örnek, ileri geçişin somut bir sonuca nasıl dönüştüğünü gösterir, her katmandaki katkıları izlemeye yardımcı olan token eşleştirmesi ile. Grafiğin rengiyle hangi ağırlıkların aktive olduğunu ve her adımda değerlerin nasıl değiştiğini işaretleyebilirsiniz.

Basit Bir Prompt Formülü Türetin: Yapı, Değişkenler ve Kurallar

Dört parçalı bir prompt şablonuyla başlayın: Hedef, Konu, Bağlam ve Kısıtlamalar. Bu basit yaklaşım, sinir ağlarını doğrudan müşterilerin temalarına uyan bir resim üretmeye yönlendirir. Her parçayı somut değerlerle doldurarak, midjourney ve artstation görevleri için tekrarlanabilir bir boru hattı oluşturursunuz ve sonuçları hızlıca karşılaştırabilirsiniz. Bu yaklaşım ek netlik ekler ve çözüme daha hızlı ulaşmanıza yardımcı olur. İfadeleri en basit formatta tutun ve son görüntüyü nasıl kaydırdığını test etmek için alanları doğrudan ayarlayabilirsiniz. Temel kuralları bir yere yerleştirin, ki ekip tek bir net prompt'tan çalışsın ve belirsizlik sorunlarını azaltsın. Bu netlik, sinir ağlarının müşterilerin faydalı bulacağı çıktılar üretmesine yardımcı olacaktır.

Yapı

Hedef: istenen sonucu belirten bir cümle. Konu: ana nesne veya karakter. Bağlam: ortam, aydınlatma ve ruh hali. Kısıtlamalar: stil, en-boy oranı, çözünürlük ve midjourney veya prompt gibi referanslar. Örnek: Hedef: müşteriler için beyin kavramı görüntüsü üret; Konu: insansı bir dedektif; Bağlam: gece neon şehri sinematik aydınlatma ile; Kısıtlamalar: 16:9, 8k, fotogerçekçi, хосода stili, non-fiction görseller için uygun, midjourney ve artstation'da prompt dağıtımı için hazır.

Değişkenler ve Kurallar

Kontrol ettiğiniz değişkenler temalar, ruh hali, aydınlatma, renk paleti, kompozisyon, kamera açısı ve çözünürlük gibi teknikler içerir. Kurallar: Her alanı özlü tutun (1–2 ifade), prompt ile bitirin ve midjourney ile artstation'a gerekli referansları ekleyin. Çıktının hedeflenen müşterilere uymasını sağlayın. Farklı bir stil istiyorsanız, farklı bir set deneyin ve çıktıları karşılaştırın; böyle bir yaklaşım non-fiction görevlerini optimize etmeye yardımcı olur. İş akışını standartlaştırmak için son prompt'u gerekli yere yerleştirin; bu beyin havası, niyet ve ortam hakkında belirli detaylar eklemekten gelir.

Formülü Prompt Şablonlarına Dönüştürün: Sözdizimi, Örnekler ve Kısıtlamalar

Temel formülü kilitleyin ve bir şablon ailesine dönüştürün. Bu, sinir ağlarıyla çalışan insanlara, abonelik iş akışlarında tutarlı kalmalarına ve çaba çoğaltmadan prompt'ları ölçeklemelerine yardımcı olur. Net bir birleştirme kuralı kullanın: fikir + stil + palet + ortam + kısıtlamalar. Alanları yer tutucular olarak ele alın: {idea}, {style}, {palette}, {medium}, {constraints}. Dili keskin, özlü ve sabit detay seviyesinde tekrarlanabilir tutun ki çıktı sürüklenmesi olmasın. Kapsamı genişletmek istiyorsanız, genel yapıyı korurken bir temel şablonu genişletilmiş kısıtlamalarla tamamlayın.

• Sözdizimi prensipleri
  1. Temel formül taslağı: fikir + stil + palet + ortam + kısıtlamalar.
  2. Yer tutucular gazeteci benzeri netliğe eşlenir: {idea} kavramı tanımlar, {style} sanatsal yaklaşımı adlandırır, {palette} renk rehberliğini ayarlar, {medium} çıktı türünü işaretler, {constraints} uzunluk, ton ve formatı yönetir.
  3. Bazı prompt'ların tutarlılık kaybetmeden abonelik katmanları altında birleştirilebilmesi için tek bir genel çerçeve koruyun.
• Dağıtılacak şablonlar
  1. Temel prompt (sadece metin): "Seçilen stilde minimal bir paletle verilen kısıtlamaları karşılayarak bir fikir oluşturun."
  2. Genişletilmiş prompt (metin-görüntü odaklı): "{idea} fikrinin {style} stiline neon palet kullanarak, {palette}, keskin çizgiler ve minimal kompozisyon ile büyüleyici detaylı bir görüntüsünü üretin, 16:9 en-boy oranı ile. Kısıtlamalar: {constraints}."
  3. Tek tık prompt (nötr ton): "{idea} fikrini {style} stiliyle {palette} tonlarında tarif edin. Çıktı uzunluğu: {constraints}."
• Ortam-bireysel ipuçları
  1. Metin-görüntü görevleri için, keskin sonuçları itmek üzere ortam ipuçları ekleyin: "görsel, yüksek kontrastlı, poster benzeri".
  2. Sinir ağı çıktıları için, detay seviyesini ve bağlamı belirtin: "bir özlü paragraf" veya "çok panelli düzen" nesli yönlendirmek için.
  3. Minimal stil ve Banksy etkisini hava notu olarak referans verin: ruh halini netleştirmek için parantez içi ipucunda бэнкси ekleyin.

• Örnekler

  1. Örnek 1 – metin-görüntü:

     Prompt: {idea} fikrinin postimpressionism stiliyle büyüleyici detaylı bir görüntüsünü üretin, neon vurgular ve minimal kompozisyon, keskin kenarlar ve Banksy benzeri kenar (бэнкси) ile. 16:9 oran kullanın; genişlik 1920, yükseklik 1080. Kısıtlamalar: {constraints}.

  2. Örnek 2 – sinir ağı tanımı:

     Prompt: {idea} fikrinin {style} stiliyle {palette} tonlarında bir paragraf tanımı sağlayın. Özlü tutun (120 kelimeye kadar). Hedef, aşağı akış görevleri için net kavram transferi. Kısıtlamalar: {constraints}.

  3. Örnek 3 – genel şema:

     Prompt: {idea} fikri {style} stiliyle {palette} paletiyle tarif edilmiş, abonelik kullanımı için uyarlanmış. Çıktı: {constraints}. Küçük bir bağlamsal not ekleyin: hedef kitle (insanlar) hakkında bir şey ve uygulandığı yer (yer) hakkında.

• Kısıtlamalar ve koruma rayları
  1. Sürüklenmeyi önlemek için şablon ailesi başına bir ana format tutun.
  2. Metin çıktıları için uzunluğu sınırlayın (en fazla bir-iki cümle veya yaklaşık 120 kelime).
  3. Görüntüler için çözünürlüğü 1920x1080 veya uzun kenarda 2048px ile sınırlayın; en-boy oranını net belirtin (örneğin, 16:9).
  4. Ton ve stili uygulayın: keskin, minimal ve görsel odaklı; uzun anlatımdan kaçının.
  5. Bazı esnekliklere izin verin: bazen palet veya ruh halindeki küçük sapmalar, temel fikir bozulmadığı sürece kabul edilebilir.

Hızlı Deneyler Çalıştırın: Veri, Metrikler ve Yinelemeli Ayarlamalar

Öneri: Basit 2 katmanlı bir ağ kullanarak 1.000 örnekli bir temel çizgiyle başlayın. %70–72 doğruluk, doğrulama kaybı 0.9'un altında ve CPU'da öğe başına 60 ms'nin altında gecikme hedefleyin. İstekleri kaydedin ve girdiyi çıktıya eşleştirmek için yanıtların bir indeksini oluşturun; bu, görevin anatomisini net bir şekilde ortaya çıkarır ve hangi özelliğin hataları sürüklediğini gösterir. İlk çalıştırmaları dragon-01 ve genesis-01 olarak adlandırın ki eğilimleri karşılaştırın, her varyasyonu küçük tutun ki somut değişiklikleri aşağıda görebilesiniz. Sonuçları takım arkadaşlarımla paylaşın ki sıradaki testi neyi test edeceğimizde uyum sağlayalım. Sonuçlar, kaç vaka ve hangi özelliklerin metrikleri hareket ettirdiğini net bir şekilde gösterir, önyargı bir yana.

Temel Çizgi Kurulumu

Veri: 1.000 eğitim örneği, 200 doğrulama; giyimle çalışıyorsanız, hesaplama hafif tutmak için bir giysi (giysiler) alt kümesi ve basit 28x28 resim dahil edin. Model: 128/64 birimle 2 katmanlı MLP; aktivasyon ReLU; optimizatör Adam; öğrenme oranı 0.001; toplu iş 32; döngü 3. Metrikler: doğrulama üzerinde doğruluk, kesinlik, geri çağırma, F1, çapraz entropi kaybı; motor üzerinde gecikme ölçümü; toplu iş başına süreyi milisaniye cinsinden raporlayın. Özellik etkisini anlamak için, kompakt bir özellik kütlesi tutun ve özellikleri düşürdüğünüzde veya eklediğinizde doğruluğun nasıl kaydığını gözlemleyin, ki göreve önemli sinyalleri görebilesiniz.

Hızlı Deney Planı

Üç hızlı ayarlamayı çalıştırın ve karşılaştırın: 1) öğrenme oranları 0.0005, 0.001, 0.005; 2) toplu iş boyutları 16, 64, 128; 3) basit artırma veya normalizasyon (var veya yok). Her çalıştırma için, aynı metrikleri sorunlu istek sayısını ve indekslerin yanıtlar için güncellenip güncellenmediğini kaydedin. Her denemeden sonra, hangi sınıfların kazanç gördüğünü görün ve ağırlık kütlesini buna göre ayarlayın. Çalıştırmaları net adlandırın (örneğin, dragon-02, genesis-02) ve bu sonuçları prompt'ları ve veri dilimlerini ilk tür görev temaları için rafine etmek için kullanın. Bu ayarlamaları doğrudan eğitim döngüsüne yerleştirin, ki sonuçlar takım çalışması ve soru görselleştirmesi için yeniden üretilebilir ve anlaşılır olsun.

Prompt'ları ve Eğitim Döngülerini Hata Ayıklayın: Yaygın Tuzaklar ve Düzeltmeler

Eğitim döngülerinde başka sık görülen sorun determinizm eksikliği: Farklı tohumlar, karıştırma ve örnekleme ayarları farklı ilerleme üretir. Tohumları kilitleyerek, mümkünse deterministik işlemleri kullanarak ve her çalıştırma için kullanılan tam motoru, sıcaklığı ve top-p değerlerini kaydederek düzeltin; toplu iş boyutlarını aynı değerlere bağlayın ve öğrenmeyi ve nesli stabilize etmek için tutarlı gradyan kırpma uygulayın.

Nesilde, dengesiz ayarlar tutarsız kaliteye neden olur: İterasyonlar arasında sıcaklık veya top-p'yi değiştirin ve değerlendirme metriklerini karıştırırsınız. Varsayılan ve sabit parametreleri ayarlayın (örneğin, sıcaklık = 0.2, top-p = 0.9) ve bir seferde bir değişiklik test edin; boyuta ve sonuca etkiyi izleyin; daha sonra ne olduğunu izlemek için her değişikliği kayıtta belgeleyin.

İşbirlikçi iş akışları için, yönetici ve ekip için uygun özlü özetler olarak çıktıları yapılandırın. Prompt'ların kısa bir analizini, sayısal kalite puanını, token kullanımını ve gecikmeyi dahil edin; ilerlemeyi göstermek ve düzeltmelerin mantıklı olduğu yerleri göstermek için önceki çalıştırmaları ekleyebilirsiniz, моримото, gemini ve diğer motor katılımcılarının sonraki adımlarda uyum sağlamasına yardımcı olur. Sonra, yineleme hazır bir birikmiş liste tutun: Sorun başına bir kayıt, net bir hipotez ve tüm gelecek verilere ve prompt'lara uygulanacak somut, üretilebilir bir düzeltme.