szemlebeta AI hírek. tömören.

AI-fogalom · Kutatás

Paraméter

A neurális háló belső, tanítás közben módosuló számértéke, amely a modell tudását és viselkedését kódolja.

Más néven: Model parameter, Súly, Weight, Tanulható paraméter

A paraméter egy gépi tanulási modell, jellemzően egy neurális háló olyan belső számértéke, amelyet a tanítási folyamat során fokozatosan állítanak be, hogy a modell minél pontosabban teljesítsen a feladatán. Ilyenek elsősorban a rétegek közötti kapcsolatokat leíró súlyok és az úgynevezett bias (eltolás) értékek. Ezek nem előre rögzített szabályok, hanem a bemeneti adatokból tanult mintázatokat kódolják számokká.

A tanítás során a modell először véletlenszerű vagy előre inicializált paraméterértékekkel indul, majd egy hibafüggvény (loss function) segítségével méri, mennyire téved a predikcióiban. Ezt a hibát visszaterjesztve (backpropagation) apránként módosítja a paramétereket úgy, hogy a hiba csökkenjen. Ez a folyamat milliószor, sok esetben milliárdszor megismétlődik, amíg a modell teljesítménye stabilizálódik.

A paraméterek száma gyakran a modell méretének és kapacitásának egyik mutatója: a nagy nyelvi modelleknél emlegetett „milliárd paraméteres” kifejezés arra utal, hány ilyen tanulható értéket tartalmaz a háló. Több paraméter általában nagyobb tanulási kapacitást jelent, ami finomabb mintázatok felismerését teszi lehetővé, de egyben nagyobb számítási és memóriaigénnyel, valamint a túltanulás (overfitting) fokozott kockázatával is jár.

Fontos megkülönböztetni a paramétereket a hiperparaméterektől: az előbbieket a tanítási algoritmus automatikusan tanulja az adatokból, az utóbbiakat (például tanulási ráta, rétegek száma) a fejlesztő állítja be a tanítás megkezdése előtt. A paraméterek végső, betanított értékei alkotják a modell úgynevezett súlyfájlját, amelyet később következtetéshez (inference) használnak fel.

Kapcsolódó fogalmak

Kapcsolódó hírek

  1. Kutatás 2026. július 1., szerda

    SkillOpt: a Microsoft Research az ügynök-készségeket tanítható paraméterként kezeli, modellsúlyok módosítása nélkül

    A Microsoft Research kutatói bemutatták a SkillOpt keretrendszert, amely az AI-ügynökök utasításkészleteit (skill-jeit) nem kézzel szerkeszti, hanem betanítási folyamatként optimalizálja – anélkül, hogy a nyelvi modell súlyait módosítaná. A megközelítés lényege, hogy a skill-fájlt a befagyasztott modellen kívüli tanítható paraméterként kezeli, lépésméret-kontrollt, validációs kapuzást és elutasított szerkesztésekből nyert visszacsatolást alkalmazva. A szerzők szerint hat benchmarkon, hét célmodellen és három végrehajtási módban összesen mind az 52 kiértékelési cellában a SkillOpt érte el a legjobb vagy azzal egyenértékű eredményt. A kutatók azt is állítják, hogy az optimalizált készségek modellméretek, ügynökkeretrendszerek és rokon feladatok között is átvihetők, ami újrafelhasználható munkafolyamat-tudásra utal.

  2. Kutatás 2026. július 25., szombat

    AISE-Bench: új benchmark az akadémiai tudásgráfokon végzett többlépéses információkeresés értékelésére

    Az AISE-Bench egy 1133 kérdés-válasz párból álló, valós felhasználói szándékokra épülő benchmark, amely akadémiai tudásgráfokon teszteli a nagy nyelvi modellek eszközhasználó ágensként való működését. A még nem lektorált kutatás szerint a rendszer teljes munkafolyamatot fed le: lekérdezés-tervezés, API-hívások végrehajtása, paraméterek kitöltése, hivatkozásokkal alátámasztott válaszok generálása és átfogó kiértékelés. A szerzők 14 módszert hasonlítottak össze, és azt találták, hogy még a legjobban teljesítő megközelítés (a Gemini-3-Pro-val működő PLAY2PROMPT) is csak közepes eredményt ért el, különösen az API-tervezés és -végrehajtás terén küzdött nehézségekkel. Az AISE-Bench célja, hogy megbízható tesztágyat biztosítson a többlépéses, nyomon követhető érvelést igénylő LLM-ágensek fejlesztéséhez és összehasonlításához. A kód és az adatok nyilvánosan elérhetők.

  3. Eszközök 2026. július 22., szerda

    Az NVIDIA GB300 NVL72 világrekordot állított a DeepSeek-V3 671B MoE-modell előtanításában

    Az NVIDIA saját technikai blogján jelentette be, hogy a GB300 NVL72 rendszer GPU-nként 1 648 TFLOPS teljesítménnyel világrekordot ért el a DeepSeek-V3 671B paraméteres Mixture of Experts (MoE) modell előtanításában. A vállalat szerint a teljesítmény kulcsa a teljes rack-szintű együttervezés: az ötödik generációs NVLink GPU-nként 1,8 TB/s sávszélességet és összesen 130 TB/s nem blokkoló all-to-all kommunikációt biztosít. Az NVIDIA állítása alapján szoftveres optimalizálásokkal – a Megatron Core, a TorchTitan és a JAX keretrendszerek révén – 3–10-szeres teljesítménynövekedést értek el az előző generációhoz képest, miközben a GPU-nkénti áteresztőképesség 256-ról 1 024 GPU-ra skálázva is 97% felett maradt. A MoE-architektúrák hatékonyságának lényege, hogy a tokenek csak a paraméterek kis részhalmazát aktiválják, ami viszont fokozott kommunikációs igényt támaszt a GPU-k között.

  4. Modellek 2026. július 20., hétfő

    Az Alibaba bemutatta a 2,4 billió paraméteres Qwen 3.8 modellt, célkeresztben a Kimi K3

    Az Alibaba nyilvánosságra hozta legújabb, nyílt súlyú Qwen 3.8 modelljét, amely a vállalat állítása szerint 2,4 billió paraméterrel rendelkezik, és csak a Fable 5 mögött marad el. A csapat szerint ez az első, egybillió paraméternél nagyobb multimodális modelljük, amely képeket, videókat és dokumentumokat is feldolgoz. Független benchmark-eredmények egyelőre nem állnak rendelkezésre, a teljesítményállítások kizárólag a fejlesztő közlésén alapulnak. Az előnézet az Alibaba platformjain a szokásos ár tizedéért érhető el, a nyílt súlyok közzétételét a közeljövőre ígérik. A The Decoder szerint a lépés részben a Moonshot AI Kimi K3 modelljének térnyerését célozza ellensúlyozni.

  5. Kutatás 2026. július 1., szerda

    Képzés nélküli koncepció-alapú magyarázatok: multimodális nyelvi modellek 62–88%-os pontossággal azonosítanak fogalmakat

    Egy nem lektorált kutatás azt vizsgálja, képesek-e közepes méretű multimodális nagy nyelvi modellek (7B–32B paraméter) zero-shot módon – külön betanítás nélkül – szemantikus fogalmakat rendelni képek kijelölt régióihoz objektum- és alkatrész-szinten. A szerzők reprodukálható értékelési protokollt javasolnak (CoNa és Open-CoNa), zárt és nyílt címkekészlettel. Négy modellen végzett kísérleteik szerint 62–88%-os objektumszintű pontos egyezési pontosság érhető el, ami a kutatók szerint a képzés nélküli koncepció-annotálás potenciálját mutatja. A Financial Times emellett arról számol be, hogy az AI kis számítási kapacitással is képes mintázatokat felismerni csillagászati adatokban, ami a költséghatékony megoldások szélesebb alkalmazhatóságát illusztrálja.

  6. Kutatás 2026. június 28., vasárnap

    Narration-of-Thought: új promptolási módszer az LLM-ek etikai következtetésének javítására

    Egy új, arXiv-on megjelent preprint (arXiv:2606.26366v1) a Narration-of-Thought (NoT) nevű rendszerprompt-módszert mutatja be, amely a nagy nyelvi modellek erkölcsi dilemmákkal kapcsolatos gondolatláncát strukturálja. A szerzők szerint a hagyományos chain-of-thought megközelítés két jellemző hibát mutat: az érintettek figyelmen kívül hagyását (stakeholder collapse) és a bizonytalanság elnyomását (uncertainty suppression). A NoT öt szakaszra tagolja a következtetést: protagonista, érintettek, kétlépcsős következmények, bizonytalanság, majd döntés. A módszer nem igényel finomhangolást, új paramétereket vagy tréninget – kizárólag inferenciaidejű scaffolding. A szerzők 100 DailyDilemmas szcenárión, négy különböző generátor modellen tesztelték az eredményeket. Fontos megjegyezni, hogy a tanulmány preprint, így lektorált validálás még nem történt.

← Vissza a fogalomtárhoz