Msaidizi wa uandishi wa kodi wa Genshijin ulipunguza majibu ya kodi ya Kijapani kwa takriban 28%, lakini yaliyafanya majibu ya Kiingereza kuwa marefu zaidi kwa 2.5%, na katika pande zote mbili, bili ya jumla ya API iliongezeka.

Yeyote anayelipia kodi inayozalishwa na AI anahisi athari hiyo. Bei inayozingatia tokeni inageuza kila neno la ziada katika maelekezo (prompt) au matokeo kuwa dola zinazotumika. Zana inayofupisha lugha moja huku ikiongeza nyingine inaweza kubadilisha makadirio ya gharama kwa kiasi kikubwa.

Jinsi jaribio lilivyofanyika

Jaribio hilo lilihusisha maelekezo (prompts) 192 ya uhandisi wa programu katika Kijapani na Kiingereza. Watafiti walituma kila swali kwa modeli chini ya mipangilio minne ya majibu: msingi wa kawaida na mabadiliko matatu yaliyotumia ujuzi wa Genshijin kwa seti tofauti za maelekezo. Ujuzi huo hufanya kazi kwa kuongeza mwongozo wa ziada kwenye maelekezo, jambo ambalo hutumia tokeni za ziada za pembejeo (input tokens).

Walipima urefu wa matokeo kwa tokeni na wakaongeza gharama ya tokeni za pembejeo na matokeo ili kupata gharama ya jumla ya API.

Namba zinachosema

  • Matokeo ya Kijapani yalipungua kwa 27.5% wakati Genshijin ukiwa unatumika.
  • Matokeo ya Kiingereza yalikuza kwa 2.5% chini ya hali zilezile.
  • Kwa lugha zote mbili, matumizi ya jumla ya API yalipanda.

Ongezeko la gharama linatokana na maelekezo ya ziada ambayo Genshijin huingiza. Maelekezo hayo huongeza tokeni kabla hata modeli haijaanza kuzalisha kodi. Katika jaribio hili, akiba ya tokeni kutokana na matokeo mafupi ya Kijapani haikuweza kufidia tokeni za ziada za pembejeo zilizohitajika.

Ili kufikia hali ya usawa (break even), swali la Kijapani lingehitaji kupunguza takriban tokeni 479 za matokeo, wakati swali la Kiingereza lingehitaji upunguzaji wa tokeni 435. Akiba iliyopimwa ilikuwa chini ya viwango hivyo.

Kwa nini kuna pengo la lugha?

Kijapani mara nyingi huwa na maneno ya ziada katika mfumo wa heshima na sentensi ndefu sana. Marekebisho ya maelekezo ya Genshijin yanalenga maneno hayo ya ziada, yakiondoa maneno yasiyo ya lazima na kufupisha jibu. Kiingereza, kinyume chake, huwa kifupi tayari, hivyo maelekezo yale yale yanaweza kwa bahati mbaya kuongeza maneno ya ziada yanayofanya jibu kuwa refu.

Mambo ambayo watengenezaji wanapaswa kuzingatia

  • Maelezo marefu ya Kijapani: Ikiwa unaomba maelezo ya kina ya usanifu au maoni mengi kwa Kijapani mara kwa mara, Genshijin inaweza kupunguza maneno yasiyo na maana na kupunguza idadi ya tokeni za matokeo.
  • Maswali mafupi: Kwa maswali mafupi, maelekezo rahisi ya “jibu kwa ufupi” ni bora kuliko kutumia ujuzi kamili wa Genshijin, jambo linalotoa majibu mafupi na gharama nafuu.
  • Mchakato unaotumia Kiingereza kwa wingi: Tarajia matokeo marefu zaidi. Pima athari kabla ya kudhani kuwa utapata faida ya gharama.
  • Pima mwenyewe: Matumizi ya tokeni hutofautiana kulingana na mtindo wa maelekezo, toleo la modeli, na ugumu wa kazi. Fanya majaribio yako mwenyewe badala ya kutegemea asilimia zinazotangazwa.

Upunguzaji wa 75% unaotajwa katika baadhi ya nyaraka unahusu idadi ya tokeni za matokeo pekee, si bili ya jumla. Watengenezaji wanaozingatia namba hiyo pekee wanaweza kushangaa wakati ankara zao zinapobaki vilevile au hata kuongezeka.

Nini cha kufuatilia baadaye

Hitimisho: Genshijin inaweza kupunguza kwa kiasi kikubwa matokeo ya kodi ya Kijapani, lakini tokeni za ziada za maelekezo zinazoongezwa hufuta faida yoyote ya gharama ya haraka—na inaweza hata kuongeza majibu ya Kiingereza. Itumie kwa uangalifu, na kila wakati thibitisha athari ya tokeni kwenye kazi yako mwenyewe.

Chanzo: https://dev.to/anicca_301094325e/coding-assistant-tests-japanese-28-shorter-english-3-longer-4f83