Mere pålidelig kategorisering på tværs af sprog
Et tilbagevendende problem med lokale modeller er ikke forståelse, men konsistens. Samme koncept kan formuleres en smule forskelligt afhængigt af kontekst eller sprog. I 1.7.3 foretages kategoriseringen nu i en kanonisk intern form (engelsk), og først derefter oversættes den til det valgte sprog.
Dette fører til:
- mere stabile kategorier på tværs af kørsler
- mindre drift ved sprogskift
- færre næsten-duplikater forårsaget af forskelle i formulering
Lokal AI, der holder sig til opgaven
LLM'er returnerer nogle gange output, der er for ordrige, underligt formaterede eller "kreativt fortolkede." Dette blev allerede håndteret i de fleste tilfælde, men visse kanttilfælde kunne stadig påvirke resultaterne. I 1.7.3 er kategoriseringspipeline blevet gjort mere robust:
- forbedret prompt-budgettering
- strengere output-parsing
- mere pålidelig kategori-/underkategori-udtrækning
Resultatet er ikke "klogere AI," blot mere forudsigelig adfærd.
Mere robuste lange kørsler
Filsystemer er ikke altid perfekt "rene": nogle mapper kan være ulæselige, nogle filer kan være låst, nogle stier kan opføre sig inkonsistent. I 1.7.3 tager rekursive scanninger højde for dette, så:
- problematiske undermapper springes over
- så resten af kørslen fortsætter
Så et enkelt kanttilfælde afbryder ikke længere et komplet sorteringsjob.
OS-afhængige og automatiserede opdateringer
Opdateringssystemet er blevet forbedret:
- separat opdateringshåndtering for Windows, macOS og Linux
- bedre tilpasning til platformspecifikke pakker
- på Windows kan installationsprogram-downloads verificeres, før de startes
Stabilitetsforbedringer (den stille slags)
Flere mindre forbedringer mindsker friktion over tid:
- sikrere håndtering af cachelagrede kategorimærkater
- mere robust håndtering af macOS-runtime for lokale AI-backends
- forbedringer af pakkehåndtering og afhængigheder på tværs af platforme
Ingen af disse er, strengt taget, særligt synlige funktioner, men de får systemet til at opføre sig mere konsekvent.
Comments (0)
No comments yet.
Log ind to add a comment.