افتتاحیه کامیونیتی CS12 در 05-05-2025 یعنی 15 اردیبهشت ماه سال 1404 از ساعت 14:00 تا 17:00 در لوکیشن "شهر زیبا" در شهر تهران برگزار میشه.

1- Temperature (0 to 1):
میزان تصادفی بودن و خلاقیت متن تولیدشده رو کنترل می‌کنه. مقادیر پایین‌تر متن رو متمرکزتر می‌کنن، و مقادیر بالاتر متن رو متنوع‌تر و خلاقانه‌تر می‌کنن.
مثال:
temp: 0.7
برام یه داستان درباره یه پادشاهی جادویی تعریف کن.

2- Diversity_penalty (0 to 2):
توکن‌هایی که قبلاً در پاسخ استفاده شدن رو جریمه می‌کنه تا متن متنوع‌تری تولید بشه. مقادیر بالاتر تنوع رو بیشتر می‌کنن، در حالی که مقادیر پایین‌تر ممکنه باعث تکرار عبارات بشن.
مثال:
div_penalty: 1.5
یه پاراگراف با واژگان متنوع بنویس.

3- Max tokens (positive integer):
حداکثر طول متن تولیدشده رو تعیین می‌کنه و اندازه خروجی رو کنترل می‌کنه. بر اساس تعداد کلمات یا کاراکترهای دلخواه، یه حد تعیین کنید.
مثال:
max_tokens: 50
یه غروب زیبا رو توصیف کن.

4- Top_p (0–1):
حد آستانه خطای احتمالی برای نمونه‌برداری توکن‌ها رو تعیین می‌کنه و روی گستردگی گزینه‌هایی که هوش مصنوعی در نظر می‌گیره تأثیر می‌ذاره. مقادیر بالاتر تصادفی بودن رو بیشتر می‌کنن، در حالی که مقادیر پایین‌تر خروجی‌های متمرکزتری تولید می‌کنن.
مثال:
top_p: 0.8
یه توصیف خلاقانه از یه جنگل بنویس.

5- Frequency_penalty (-2 to 2):
توکن‌های پرتکرار در متن تولیدشده رو جریمه می‌کنه و هوش مصنوعی رو به استفاده از کلمات کمتر رایج تشویق می‌کنه. مقادیر مثبت کلمات نادرتر رو ترویج می‌دن، در حالی که مقادیر منفی اجازه استفاده از زبان رایج‌تر رو می‌دن.
مثال:
freq_penalty: 1
یه جمله با کلمات غیرمعمول بنویس.

6- Presence_penalty (-2 to 2):
توکن‌هایی که قبلاً در ورودی استفاده شدن رو جریمه می‌کنه. این روی میزان تکرار عبارات از ورودی توسط هوش مصنوعی تأثیر می‌ذاره. مقادیر مثبت تکرار رو کم می‌کنن، در حالی که مقادیر منفی ممکنه باعث انعکاس متن ورودی بشن.
مثال:
pres_penalty: -1
جمله زیر رو تکرار کن: روباه قهوه‌ای سریع از روی سگ تنبل می‌پره.

7- Best_of (positive integer):
تعداد مشخصی پاسخ تولید می‌کنه و اونایی که بر اساس ارزیابی داخلی مدل بالاترین امتیاز رو دارن برمی‌گردونه. برای انتخاب یه خروجی باکیفیت از بین چند گزینه خیلی مفیده.
مثال:
best_of: 3
فواید ورزش چیاست؟

8- N (positive integer):
تعداد تکمیل‌های جایگزین که برای یه ورودی تولید می‌شن رو تعیین می‌کنه.
می‌تونه برای کاوش ایده‌ها یا تغییرات مختلف برای یه دستور استفاده بشه.
مثال:
n: 4
چند روش خلاقانه برای استفاده از ChatGPT پیشنهاد بده.

9- Echo (boolean: true or false):
قابلیت هوش مصنوعی برای تکرار بخش‌هایی از ورودی در پاسخ رو فعال یا غیرفعال می‌کنه.
وقتی روی «درست» تنظیم بشه، مدل احتمالاً عباراتی از ورودی رو در متن تولیدشده می‌اره.
مثال:
echo: true
درباره اهمیت رژیم غذایی متعادل برام بگو.

10- Stop_sequences (list of strings):
لیستی از رشته‌ها رو مشخص می‌کنه که وقتی هوش مصنوعی باهاشون روبرو می‌شه، تولید متن رو متوقف می‌کنه.
برای کنترل محتوا یا ساختار متن تولیدشده خیلی مفیده.
مثال:
stop_sequences: ["Conclusion:", "In summary,"]
فرآیند فتوسنتز رو توضیح بده.

11- User_attributes (list of key-value pairs):
امکان می‌ده اطلاعات اضافی درباره کاربر ارائه بدید.
هوش مصنوعی می‌تونه از این اطلاعات برای تنظیم متن تولیدشده بر اساس ترجیحات، ویژگی‌های جمعیتی یا سایر مشخصات کاربر استفاده کنه.
مثال:
ویژگی‌های_کاربر: {"سن": "30", "علایق": ["فناوری", "سفر"]}
چند مقصد محبوب برای تعطیلات طرفداران فناوری پیشنهاد بده.

12- System_level_settings (dictionary):
گزینه‌های پیشرفته‌ای برای تنظیم دقیق رفتار هوش مصنوعی فراهم می‌کنه.
می‌تونه برای تغییر حافظه داخلی مدل، سرعت پردازش یا استفاده از منابع استفاده بشه.
مثال:
system_level_settings:
{"memory": "high", "processing_speed": "fast"}
تأثیر هوش مصنوعی روی بازار کار رو تحلیل کن.