Anthropic ने Fable 5 साठी Claude Code चा सिस्टम प्रॉम्प्ट ८०% ने कमी केला
लार्ज लँग्वेज मॉडेल्सना (LLMs) कशा प्रकारे नियंत्रित केले जाते, यामध्ये Anthropic एक महत्त्वपूर्ण बदल (paradigm shift) अनुभवत आहे. आता जड सूचनांच्या संचाकडून (heavy instruction sets) हलक्या आणि अधिक अंतर्ज्ञानी मार्गदर्शनाकडे (intuitive guidance) वळले जात आहे. हा बदल नवीन Fable 5 (Mythos class) मॉडेल्सच्या आगमनामुळे झाला आहे, जी कमी निर्बंध आणि अधिक संदर्भावर (context) उत्तम काम करतात.
लांब सिस्टम प्रॉम्प्टचा अंत
अनेक वर्षांपासून, AI कार्यक्षमता सुधारण्यासाठी "प्रॉम्प्ट इंजिनिअरिंग" (prompt engineering) हा उद्योग मानकाचा भाग होता, ज्यामध्ये प्रचंड सिस्टम सूचना आणि सविस्तर 'few-shot' उदाहरणांचा वापर केला जात असे. डेव्हलपर्सना असे वाटत होते की, अधिक नियम आणि अधिक "हे करू नका" असे निर्बंध हे विश्वासार्हतेसाठी महत्त्वाचे आहेत. मात्र, Anthropic आता ही प्रवृत्ती बदलत आहे.
Anthropic मधील तांत्रिक कर्मचारी तारिक शिहीपार (Tariq Shihipar) यांनी खुलासा केला की, कंपनीने Claude Code साठीचा सिस्टम प्रॉम्प्ट तब्बल ८० टक्क्यांनी कमी केला आहे. ही घट मॉडेलचे सुलभीकरण करण्याचा प्रयत्न नसून, नवीन Fable 5 मॉडेल्सच्या प्रगत संज्ञानात्मक क्षमतेचा (cognitive capabilities) प्रतिसाद आहे. मॉडेल्स अधिक प्रगत होत असताना, लांब प्रॉम्प्ट्सद्वारे "हात धरून मार्गदर्शन करणे" (hand-holding) ही पारंपारिक पद्धत आता उलट परिणामकारक ठरत आहे.
Fable 5 मॉडेल्स निर्बंधांना का विरोध करतात?
Fable 5 (किंवा Mythos class) मॉडेल्सकडे होणारे हे वळण मॉडेलच्या वर्तणुकीतील मूलभूत बदल दर्शवते. शिहीपार यांच्या मते, या विशिष्ट मॉडेल्सना सविस्तर उदाहरणे आणि कडक नियम दिल्यास प्रत्यक्षात त्यांची कार्यक्षमता कमी होते. याचे कारण अनपेक्षित आहे: ही मॉडेल्स त्यांच्या पूर्ववर्ती मॉडेल्सपेक्षा उपजतच अधिक "कल्पनाशील" (imaginative) आहेत.
जेव्हा एखादा डेव्हलपर विशिष्ट उदाहरणांची लांब यादी देतो, तेव्हा ते एक निर्बंध म्हणून काम करते जे मॉडेलच्या तर्कक्षमतेवर (reasoning capabilities) मर्यादा आणते. एखाद्या समस्येचे सर्वात कार्यक्षम किंवा सर्जनशील समाधान शोधण्याऐवजी, मॉडेल प्रॉम्प्टमध्ये दिलेल्या विशिष्ट नमुन्यांची (patterns) नक्कल करण्यास भाग पडते. Mythos class ची खरी क्षमता अनलॉक करण्यासाठी, Anthropic कडक नियमांकडून दूर जाऊन "संदर्भाद्वारे मार्गदर्शन" (steering through context) करण्याकडे वळत आहे. यामुळे मॉडेलला अतिरिक्त सूचनांच्या ओझ्याखाली दबल्या न जाता, आपली तर्कक्षमता वापरून कामे पूर्ण करण्यास मदत होते.
प्रॉम्प्ट इंजिनिअरिंगची चक्रीय उत्क्रांती
मॉडेल्सच्या उत्क्रांतीनुसार प्रॉम्प्ट इंजिनिअरिंगचा प्रवास एका विशिष्ट, चक्रीय (cyclical) नमुन्याने पुढे गेला आहे. Anthropic च्या अंतर्गत संशोधनानुसार मॉडेल विकासाचे तीन टप्पे समोर आले आहेत:
- सुरुवातीची मॉडेल्स (Early Models): सुसंगतता टिकवून ठेवण्यासाठी या मॉडेल्सना अनेक उदाहरणे आणि अत्यंत कडक सूचनांसह लहान आणि अत्यंत विशिष्ट प्रॉम्प्ट्सची आवश्यकता होती.
- मध्यम मॉडेल्स (Intermediate Models): समज वाढल्यामुळे प्रॉम्प्ट्स लक्षणीयरीत्या लांब झाले. डेव्हलपर्सनी मॉडेलच्या वर्तणुकीच्या प्रत्येक पैलूवर नियंत्रण ठेवण्यासाठी या वाढलेल्या "सूचनांचे पालन करण्याच्या" (instruction following) क्षमतेचा वापर करून प्रचंड आणि जटिल सिस्टम प्रॉम्प्ट्स तयार केले.
- Fable 5 युग (The Fable 5 Era): आपण अशा टप्प्यावर आलो आहोत जिथे प्रॉम्प्ट्स पुन्हा लहान होत आहेत. आता लक्ष मॉडेलला काय करायचे ते सांगण्याकडून (नियम) मॉडेलला स्वायत्तपणे कार्य करण्यासाठी आवश्यक वातावरण (context) उपलब्ध करून देण्याकडे वळले आहे.
हा विकास AI क्षेत्रासाठी एक मैलाचा दगड आहे. हे सूचित करते की, जसजसे आपण अधिक 'एजेंटिक' (agentic) आणि तर्कक्षम मॉडेल्सकडे वळू, तसतसे डेव्हलपरची भूमिका "नियम बनवणारा" (rule-maker) कडून "संदर्भ पुरवणारा" (context-provider) अशी बदलेल, जिथे सूचनांच्या संख्येपेक्षा माहितीच्या गुणवत्तेला प्राधान्य दिले जाईल.
मुख्य निष्कर्ष
- ८०% घट: Fable 5 (Mythos class) मॉडेल्सच्या क्षमतेशी अधिक चांगल्या प्रकारे जुळवून घेण्यासाठी Anthropic ने Claude Code चा सिस्टम प्रॉम्प्ट ८०% ने कमी केला आहे.
- निर्बंध सर्जनशीलता मर्यादित करतात: अतिरेकी उदाहरणे आणि कडक "करू नका" असे नियम प्रगत मॉडेल्सच्या तर्कक्षमतेवर आणि कल्पनाशक्तीवर मर्यादा आणू शकतात.
- नियमांपेक्षा संदर्भ महत्त्वाचा: AI नियंत्रणाचे नवीन क्षेत्र लांब आणि निर्बंधात्मक सूचनांच्या संचाऐवजी समृद्ध संदर्भ (context) प्रदान करण्यावर आधारित आहे.