Fable 5-க்காக Claude Code-ன் சிஸ்டம் பிராம்ப்ட்டை (System Prompt) 80% குறைத்துள்ளது Anthropic

பெரிய மொழி மாதிரிகளை (Large Language Models) வழிநடத்தும் முறையில் Anthropic ஒரு பாரடைம் மாற்றத்தை (paradigm shift) கண்டுவருகிறது; அதாவது, கனமான அறிவுறுத்தல் தொகுப்புகளிலிருந்து (instruction sets) இலகுவான மற்றும் அதிக உள்ளுணர்வு சார்ந்த வழிகாட்டுதல்களை நோக்கி நகர்கிறது. புதிய Fable 5 (Mythos class) மாதிரிகளின் வருகையே இந்த பரிணாம வளர்ச்சிக்குக் காரணமாகும், இவை குறைந்த கட்டுப்பாடுகளையும் அதிக சூழலையும் (context) கொண்டு சிறப்பாகச் செயல்படுகின்றன.

நீண்ட சிஸ்டம் பிராம்ப்ட்டின் முடிவு

பல ஆண்டுகளாக, AI செயல்திறனை மேம்படுத்துவதற்கான தொழில்முறைத் தரநிலையானது, பிரம்மாண்டமான சிஸ்டம் அறிவுறுத்தல்கள் மற்றும் விரிவான 'few-shot' உதாரணங்கள் மூலம் "prompt engineering" செய்வதை உள்ளடக்கியிருந்தது. அதிக விதிகள் மற்றும் அதிகப்படியான "இதைச் செய்ய வேண்டாம்" என்ற கட்டுப்பாடுகளே நம்பகத்தன்மைக்குத் திறவுகோல் என்று டெவலப்பர்கள் நம்பினர். இருப்பினும், Anthropic இந்த போக்கை மாற்றியமைத்து வருகிறது.

Anthropic-ன் தொழில்நுட்பப் பணியாளர் ஒருவர் ஆன Tariq Shihipar, Claude Code-க்கான சிஸ்டம் பிராம்ப்ட்டை நிறுவனம் வியக்கத்தக்க வகையில் 80 சதவீதம் குறைத்துள்ளதாகத் தெரிவித்தார். இந்த குறைப்பு மாதிரியின் எளிமையைக் குறிப்பதல்ல, மாறாக புதிய Fable 5 மாதிரிகளின் மேம்பட்ட அறிவாற்றல் திறன்களுக்கு (cognitive capabilities) ஒரு பதிலாகும். மாதிரிகள் மிகவும் மேம்பட்டதாக மாறும்போது, நீண்ட பிராம்ப்ட்கள் மூலம் "கைப்பிடித்து வழிநடத்தும்" (hand-holding) பாரம்பரிய முறை எதிர்மறையான விளைவுகளையே தருகிறது.

ஏன் Fable 5 மாதிரிகள் கட்டுப்பாடுகளை எதிர்க்கின்றன

Fable 5 (அல்லது Mythos class) மாதிரிகளை நோக்கி நகர்வது, மாதிரியின் நடத்தையில் ஒரு அடிப்படை மாற்றத்தைக் குறிக்கிறது. Shihipar-ன் கூற்றுப்படி, இந்த குறிப்பிட்ட மாதிரிகளுக்கு விரிவான உதாரணங்களையும் கடுமையான விதிகளையும் வழங்குவது உண்மையில் அவற்றின் செயல்திறனைக் குறைக்கிறது. இதற்குக் காரணம் எதிர்பாராதது: இந்த மாதிரிகள் அவற்றின் முன்னோதிகளை விட இயல்பாகவே அதிக "கற்பனைத் திறன்" (imaginative) கொண்டவை.

ஒரு டெவலப்பர் குறிப்பிட்ட உதாரணங்களின் நீண்ட பட்டியலை வழங்கும்போது, அது மாதிரியின் பகுத்தறியும் திறனை (reasoning capabilities) கட்டுப்படுத்தும் ஒரு தடையாகச் செயல்படுகிறது. ஒரு பிரச்சனைக்கு மிகவும் திறமையான அல்லது ஆக்கபூர்வமான தீர்வை ஆராய்வதற்குப் பதிலாக, பிராம்ப்ட்டில் வழங்கப்பட்ட குறிப்பிட்ட வடிவங்களை அப்படியே பின்பற்ற வேண்டிய கட்டாயத்திற்கு மாதிரி தள்ளப்படுகிறது. Mythos class-ன் உண்மையான திறனை வெளிக்கொணர, Anthropic கடுமையான விதிகளிலிருந்து விலகி, "சூழல் மூலம் வழிநடத்துதல்" (steering through context) என்ற முறையை நோக்கி நகர்கிறது. இது அதிகப்படியான அறிவுறுத்தல் சுமைகளால் முடங்காமல், பணிகளைச் செய்ய மாதிரியின் பகுத்தறியும் திறனைப் பயன்படுத்த அனுமதிக்கிறது.

Prompt Engineering-ன் சுழற்சிமுறை பரிணாம வளர்ச்சி

மாதிரிகள் பரிணமிப்பதற்கேற்ப, prompt engineering-ன் பயணம் ஒரு தனித்துவமான, சுழற்சிமுறைப் போக்கைப் பின்பற்றியுள்ளது. Anthropic-ன் உள் ஆய்வுகள் மாதிரி வளர்ச்சியின் மூன்று வெவ்வேறு நிலைகளைச் சுட்டிக்காட்டுகின்றன:

  1. ஆரம்பகால மாதிரிகள்: எந்தவொரு ஒருமைப்பாட்டையும் (coherence) பேண, பல உதாரணங்கள் மற்றும் மிகவும் கடுமையான அறிவுறுத்தல்களால் வலுப்படுத்தப்பட்ட குறுகிய, மிகவும் குறிப்பிட்ட பிராம்ப்ட்கள் தேவைப்பட்டன.
  2. இடைநிலை மாதிரிகள்: புரிதல் மேம்பட்ட隨著, பிராம்ப்ட்கள் கணிசமாக நீளமாகின. டெவலப்பர்கள் இந்த அதிகரித்த "அறிவுறுத்தல்களைப் பின்பற்றும்" (instruction following) திறனைப் பயன்படுத்தி, மாதிரியின் நடத்தையின் ஒவ்வொரு அம்சத்தையும் நிர்வகிக்கும் பிரம்மாண்டமான, சிக்கலான சிஸ்டம் பிராம்ப்ட்களை உருவாக்கினர்.
  3. Fable 5 காலம்: பிராம்ப்ட்கள் மீண்டும் குறுகியதாகி வரும் ஒரு நிலையை நாம் எட்டியுள்ளோம். மாதிரியிடம் என்ன செய்ய வேண்டும் என்று சொல்வதிலிருந்து (விதிகள்), மாதிரி தன்னிச்சையாகச் செயல்படுவதற்குத் தேவையான சூழலை (context) வழங்குவதை நோக்கி கவனம் மாறியுள்ளது.

இந்த வளர்ச்சி AI துறையில் ஒரு மைல்கல்லாகும். நாம் அதிக ஏஜென்டிக் (agentic) மற்றும் பகுத்தறிவு சார்ந்த மாதிரிகளை நோக்கி நகரும்போது, டெவலப்பரின் பங்கு "விதி உருவாக்குபவர்" என்பதிலிருந்து "சூழல் வழங்குபவர்" என மாறும் என்பதையும், அறிவுறுத்தல்களின் எண்ணிக்கையை விட தகவலின் தரத்திற்கு முன்னுரிமை அளிக்கப்படும் என்பதையும் இது உணர்த்துகிறது.

முக்கியக் குறிப்புகள்

  • 80% குறைப்பு: Fable 5 (Mythos class) மாதிரிகளின் திறன்களுடன் சிறப்பாக ஒத்துப்போக, Anthropic Claude Code-ன் சிஸ்டம் பிராம்ப்ட்டை 80% குறைத்துள்ளது.
  • கட்டுப்பாடுகள் படைப்பாற்றலைக் கட்டுப்படுத்துகின்றன: அதிகப்படியான உதாரணங்கள் மற்றும் கடுமையான "செய்யக்கூடாது" விதிகள், மேம்பட்ட மாதிரிகளின் பகுத்தறிவு மற்றும் கற்பனைத் திறன்களை உண்மையில் கட்டுப்படுத்தக்கூடும்.
  • விதிகளுக்குப் பதில் சூழல்: AI வழிநடத்துதலின் புதிய எல்லை என்பது நீண்ட, கட்டுப்பாட்டு அறிவுறுத்தல் தொகுப்புகளை வழங்குவதற்குப் பதிலாக, செழுமையான சூழலை (context) வழங்குவதாகும்.