लंबे और जटिल कार्यों के लिए डिज़ाइन किया गया है। Fable 5 को पहले जाँच करने, घंटों या दिनों तक संदर्भ बनाए रखने और अपने काम की खुद पुष्टि करने के लिए प्रशिक्षित किया गया है। यही कारण है कि छोटे सवाल-जवाब की बजाय कोडिंग प्रोजेक्ट्स, जटिल विश्लेषण और कई टूल्स के उपयोग वाले कार्यों में यह पिछली पीढ़ी से कहीं बेहतर प्रदर्शन करता है।
बड़ा कॉन्टेक्स्ट और आउटपुट स्पेस। यह डिफ़ॉल्ट रूप से 1 मिलियन टोकन तक का कॉन्टेक्स्ट और अधिकतम 1.28 लाख टोकन तक का आउटपुट सपोर्ट करता है। इसका मतलब है कि आप बिना जानकारी खोए एक साथ बड़े कोडबेस या कई दस्तावेज़ों पर काम कर सकते हैं, जिससे प्रदर्शन में भारी सुधार होता है।
ट्रेनिंग के दौरान सीधी निगरानी। नए Claude मॉडलों की ट्रेनिंग के दौरान रीयल-टाइम अलाइनमेंट असेसमेंट किया गया। इससे एजेंट के लंबे कार्यों के दौरान होने वाली गलत रणनीतियों को पकड़कर सुधारा गया।
पोस्ट-ट्रेनिंग में केवल मानव प्राथमिकता नहीं। Fable 5 को केवल 'यह मत करो' याद कराने के बजाय, यह समझाने के लिए प्रशिक्षित किया गया है कि कुछ व्यवहार क्यों बेहतर हैं। इसमें Claude का संविधान, मानव फीडबैक, AI फीडबैक और सेफ्टी क्लासिफ़ायर का संयोजन इस्तेमाल किया गया है।
व्यावहारिक रूप से 'दूसरे स्तर का' प्रदर्शन संभवतः सिर्फ़ मॉडल के आकार के कारण नहीं, बल्कि ① एक मजबूत बेस मॉडल, ② लंबी अवधि के एजेंटों के लिए ट्रेनिंग, ③ बड़ा कॉन्टेक्स्ट, ④ टूल उपयोग और स्व-सत्यापन, और ⑤ बेहतर पोस्ट-ट्रेनिंग के संयोजन का परिणाम है। हालाँकि, MoE, पैरामीटर गणना, डेटा संरचना और रीइन्फोर्समेंट लर्निंग एल्गोरिदम जैसी जानकारी सार्वजनिक नहीं है, इसलिए इससे आगे केवल अनुमान ही लगाए जा सकते हैं।
लंबे और जटिल कार्यों के लिए डिज़ाइन किया गया है। Fable 5 को पहले जाँच करने, घंटों या दिनों तक संदर्भ बनाए रखने और अपने काम की खुद पुष्टि करने के लिए प्रशिक्षित किया गया है। यही कारण है कि छोटे सवाल-जवाब की बजाय कोडिंग प्रोजेक्ट्स, जटिल विश्लेषण और कई टूल्स के उपयोग वाले कार्यों में यह पिछली पीढ़ी से कहीं बेहतर प्रदर्शन करता है।
बड़ा कॉन्टेक्स्ट और आउटपुट स्पेस। यह डिफ़ॉल्ट रूप से 1 मिलियन टोकन तक का कॉन्टेक्स्ट और अधिकतम 1.28 लाख टोकन तक का आउटपुट सपोर्ट करता है। इसका मतलब है कि आप बिना जानकारी खोए एक साथ बड़े कोडबेस या कई दस्तावेज़ों पर काम कर सकते हैं, जिससे प्रदर्शन में भारी सुधार होता है।
ट्रेनिंग के दौरान सीधी निगरानी। नए Claude मॉडलों की ट्रेनिंग के दौरान रीयल-टाइम अलाइनमेंट असेसमेंट किया गया। इससे एजेंट के लंबे कार्यों के दौरान होने वाली गलत रणनीतियों को पकड़कर सुधारा गया।
पोस्ट-ट्रेनिंग में केवल मानव प्राथमिकता नहीं। Fable 5 को केवल 'यह मत करो' याद कराने के बजाय, यह समझाने के लिए प्रशिक्षित किया गया है कि कुछ व्यवहार क्यों बेहतर हैं। इसमें Claude का संविधान, मानव फीडबैक, AI फीडबैक और सेफ्टी क्लासिफ़ायर का संयोजन इस्तेमाल किया गया है।
व्यावहारिक रूप से 'दूसरे स्तर का' प्रदर्शन संभवतः सिर्फ़ मॉडल के आकार के कारण नहीं, बल्कि ① एक मजबूत बेस मॉडल, ② लंबी अवधि के एजेंटों के लिए ट्रेनिंग, ③ बड़ा कॉन्टेक्स्ट, ④ टूल उपयोग और स्व-सत्यापन, और ⑤ बेहतर पोस्ट-ट्रेनिंग के संयोजन का परिणाम है। हालाँकि, MoE, पैरामीटर गणना, डेटा संरचना और रीइन्फोर्समेंट लर्निंग एल्गोरिदम जैसी जानकारी सार्वजनिक नहीं है, इसलिए इससे आगे केवल अनुमान ही लगाए जा सकते हैं।