llama-python-streamingllm / rp_sample_config.json
Limour's picture
Upload rp_sample_config.json
1007899 verified
raw
history blame
3.74 kB
{
"setting_cache_path": {
"value": "cache/"
},
"setting_seed": {
"value": 4294967295
},
"setting_n_gpu_layers": {
"value": 0
},
"setting_ctx": {
"value": 4096
},
"setting_max_tokens": {
"value": 1024,
"minimum": 1
},
"setting_n_discard": {
"value": 256,
"minimum": 1,
"maximum": 4095
},
"setting_temperature": {
"value": 0.7,
"step": 0.1,
"info": "温度设置:通过缩放概率而不删除选项来控制输出的「随机」程度。较低的值更合乎逻辑,但创意较差。可以根据需要随时调整。"
},
"setting_repeat_penalty": {
"value": 1.1,
"minimum": 0,
"maximum": 2,
"step": 0.1,
"info": "重复惩罚:应用惩罚以减少最近已经使用的单词的重复,使 AI 的输出减少重复。"
},
"setting_frequency_penalty": {
"value": 0,
"minimum": 0,
"maximum": 2,
"step": 0.1,
"info": "频率惩罚:应用惩罚以减少最近已经使用的单词的重复,使 AI 的输出减少重复。将值设置为 0 以禁用其效果。"
},
"setting_presence_penalty": {
"value": 0,
"minimum": 0,
"maximum": 2,
"step": 0.1,
"info": "存在惩罚:应用惩罚以减少指定范围内已经使用的单词的重复,使 AI 的输出减少重复。将值设置为 0 以禁用其效果。"
},
"setting_repeat_last_n": {
"value": 1200,
"minimum": 0,
"maximum": 4095,
"info": "惩罚时会考虑的最近的 tokens 数量"
},
"setting_top_k": {
"value": 40,
"minimum": 0,
"info": "此设置将可供选择的可能字词数量限制为前 K 个最有可能的选项,并删除其他所有内容。可与 Top-P 一起使用。将值设置为 0 以禁用其效果。"
},
"setting_top_p": {
"value": 0.92,
"minimum": 0,
"maximum": 1,
"step": 0.1,
"info": "在采样过程中丢弃不太可能的文本。仅考虑累积概率总和为 P 的单词。低值使文本可预测,因为删除了不常见的标记。将值设置为 1 以禁用其效果。"
},
"setting_min_p": {
"value": 0.05,
"minimum": 0,
"maximum": 1,
"step": 0.01,
"info": "作为 Top-P 的替代项,相对于最可能的令牌的概率,令牌被考虑的最小概率。例如,当p=0.05且最可能的令牌的概率为0.9时,数值小于0.045的logits将被过滤掉。"
},
"setting_typical_p": {
"value": 1,
"minimum": 0,
"maximum": 1,
"step": 0.01,
"info": "典型采样:从可能的单词清单中随机选择单词,每个单词都有相等的机会被选中。此方法可以生成更多样化的文本,但也可能不太连贯。将值设置为 1 以禁用其效果。"
},
"setting_tfs_z": {
"value": 1,
"minimum": 0,
"maximum": 1,
"step": 0.01,
"info": "无尾采样:作为 Top-P 的替代项,此设置在文本生成过程中从考虑范围中删除最不可能的单词,考虑二阶导数。可以提高生成的文本的质量和连贯性。将值设置为 1 以禁用其效果。"
},
"setting_mirostat_mode": {
"value": 0,
"minimum": 0,
"maximum": 2,
"info": "覆盖其他采样器的替代采样方法。将值设置为 0 以禁用其效果。"
},
"setting_mirostat_eta": {
"value": 0.1,
"minimum": 0,
"step": 0.01,
"info": "学习率影响算法对生成文本的反馈作出反应的速度。较低的学习率会导致调整较慢,而较高的学习率会使算法更具响应性。"
},
"setting_mirostat_tau": {
"value": 5,
"minimum": 0,
"step": 0.1,
"info": "调整目标熵可以控制生成文本中连贯性和多样性之间的平衡。较低的数值会导致更加集中和连贯的文本,而较高的数值则会导致更多样化但潜在地更不连贯的文本。"
},
"msg": {
"value": "我亲爱的妹妹,早上好"
}
}