Fable 5 కోసం Anthropic, Claude Code సిస్టమ్ ప్రాంప్ట్ను 80% తగ్గించింది
లార్జ్ లాంగ్వేజ్ మోడల్స్ను (LLMs) ఎలా నడిపించాలనే విషయంలో Anthropic ఒక పారాడైమ్ షిఫ్ట్ను (భావజాల మార్పును) గమనిస్తోంది; భారీ ఇన్స్ట్రక్షన్ సెట్ల నుండి తేలికపాటి, మరింత సహజమైన మార్గదర్శకత్వం వైపు ఇది మళ్లుతోంది. కొత్త Fable 5 (Mythos class) మోడళ్ల ఆవిర్భావం ఈ పరిణామానికి కారణం, ఇవి తక్కువ పరిమితులు మరియు ఎక్కువ సందర్భోచిత సమాచారం (context) ఉన్నప్పుడు అద్భుతంగా పనిచేస్తాయి.
సుదీర్ఘమైన సిస్టమ్ ప్రాంప్ట్ల అంతం
ఏళ్ల తరబడి, AI పనితీరును మెరుగుపరచడానికి భారీ సిస్టమ్ ఇన్స్ట్రక్షన్స్ మరియు సమగ్రమైన few-shot ఉదాహరణల ద్వారా "prompt engineering" చేయడం పరిశ్రమలో ఒక ప్రామాణికంగా ఉండేది. ఎక్కువ నియమాలు మరియు ఎక్కువ "ఇది చేయవద్దు" అనే పరిమితులే విశ్వసనీయతకు కీలవని డెవలపర్లు నమ్మేవారు. అయితే, Anthropic ఈ ధోరణిని మార్చేస్తోంది.
Anthropic సాంకేతిక సిబ్బంది సభ్యుడైన Tariq Shihipar, కంపెనీ Claude Code కోసం సిస్టమ్ ప్రాంప్ట్ను ఏకంగా 80 శాతం తగ్గించిందని వెల్లడించారు. ఈ తగ్గింపు మోడల్ను సరళీకరించడానికి చేసిన ప్రయత్నం కాదు, மாறாக కొత్త Fable 5 మోడళ్ల అధునాతన సంజ్ఞానాత్మక (cognitive) సామర్థ్యాలకు ఇది ఒక స్పందన. మోడల్స్ మరింత అభివృద్ధి చెందుతున్న కొద్దీ, సుదీర్ఘమైన ప్రాంప్ట్ల ద్వారా "చేయి పట్టుకుని నడిపించే" (hand-holding) సాంప్రదాయ పద్ధతి ప్రతికూల ఫలితాలను ఇస్తోంది.
Fable 5 మోడల్స్ పరిమితులను ఎందుకు వ్యతిరేకిస్తాయి?
Fable 5 (లేదా Mythos class) మోడళ్ల వైపు మళ్లడం అనేది మోడల్ ప్రవర్తనలో ఒక ప్రాథమిక మార్పును సూచిస్తుంది. Shihipar ప్రకారం, ఈ నిర్దిష్ట మోడళ్లకు విస్తృతమైన ఉదాహరణలు మరియు కఠినమైన నియమాలను అందించడం వల్ల వాటి పనితీరు నిజానికి తగ్గుతుంది. దీనికి కారణం ఊహించనిది: ఈ మోడల్స్ వాటి పూర్వవత్తీల కంటే సహజంగానే ఎక్కువ "ఊహాశక్తిని" (imaginative) కలిగి ఉన్నాయి.
ఒక డెవలపర్ సుదీర్ఘమైన నిర్దిష్ట ఉదాహరణల జాబితాను అందించినప్పుడు, అది మోడల్ యొక్క తార్కిక సామర్థ్యాలను (reasoning capabilities) పరిమితం చేసే ఒక అడ్డంకిగా మారుతుంది. ఒక సమస్యకు అత్యంత సమర్థవంతమైన లేదా సృజనాత్మక పరిష్కారాన్ని అన్వేషించే బదులు, ప్రాంప్ట్లో అందించిన నిర్దిష్ట నమూనాలను (patterns) అనుకరించడానికి మోడల్ ప్రయత్నిస్తుంది. Mythos class యొక్క నిజమైన సామర్థ్యాన్ని వెలికితీయడానికి, Anthropic కఠినమైన నియమాల నుండి విడివడి "సందర్భోచిత మార్గదర్శకత్వం" (steering through context) వైపు మళ్లుతోంది. ఇది మోడల్ అనవసరమైన ఇన్స్ట్రక్షనల్ ఓవర్హెడ్ వల్ల బంధించబడకుండా, తన తార్కిక సామర్థ్యాలను ఉపయోగించి పనులను పూర్తి చేయడానికి అనుమతిస్తుంది.
Prompt Engineering యొక్క చక్రవత్త పరిణామం
మోడల్స్ పరిణామం చెందుతున్న కొద్దీ, prompt engineering ప్రయాణం ఒక స్పష్టమైన, చక్రవత్త నమూనాను అనుసరించింది. Anthropic యొక్క అంతర్గత పరిశోధనలు మోడల్ అభివృద్ధిలోని మూడు విభిన్న దశలను హైలైట్ చేస్తున్నాయి:
- ప్రారంభ మోడల్స్ (Early Models): ఏదైనా స్థాయి సమన్వయాన్ని (coherence) కాపాడుకోవడానికి ఇవి చాలా ఉదాహరణలు మరియు అత్యంత కఠినమైన ఇన్స్ట్రక్షన్స్తో కూడిన చిన్న, అత్యంత నిర్దిష్టమైన ప్రాంప్ట్లను కోరుకునేవి.
- మధ్యంతర మోడల్స్ (Intermediate Models): అవగాహన మెరుగుపడిన కొద్దీ, ప్రాంప్ట్లు గణనీయంగా పెరిగాయి. మోడల్ ప్రవర్తనలోని ప్రతి అంశాన్ని నియంత్రించే భారీ, సంక్లిష్టమైన సిస్టమ్ ప్రాంప్ట్లను సృష్టించడానికి డెవలపర్లు ఈ పెరిగిన "ఇన్స్ట్రక్షన్ ఫాలోయింగ్" సామర్థ్యాన్ని ఉపయోగించుకున్నారు.
- Fable 5 యుగం: ప్రాంప్ట్లు మళ్లీ చిన్నగా మారుతున్న దశలోకి మనం ప్రవేశించాము. మోడల్కు ఏమి చేయాలో (నియమాలు) చెప్పడం నుండి, మోడల్ స్వతంత్రంగా పనిచేయడానికి అవసరమైన వాతావరణాన్ని (context) అందించడం వైపు దృష్టి మళ్లింది.
ఈ అభివృద్ధి AI రంగంలో ఒక మైలురాయి. మనం మరింత ఏజెంటిక్ (agentic) మరియు తార్కిక సామర్థ్యం కలిగిన మోడళ్ల వైపు వెళ్తున్న కొద్దీ, డెవలపర్ పాత్ర "నియమాలను రూపొందించే వ్యక్తి" (rule-maker) నుండి "సందర్భోచిత సమాచారాన్ని అందించే వ్యక్తి" (context-provider) గా మారుతుందని ఇది సూచిస్తుంది; అంటే ఇన్స్ట్రక్షన్స్ సంఖ్య కంటే సమాచార నాణ్యతకే ప్రాధాన్యత ఉంటుంది.
ముఖ్య అంశాలు
- 80% తగ్గింపు: Fable 5 (Mythos class) మోడళ్ల సామర్థ్యాలకు అనుగుణంగా ఉండేలా Anthropic, Claude Code సిస్టమ్ ప్రాంప్ట్ను 80% తగ్గించింది.
- పరిమితులు సృజనాత్మకతను అడ్డుకుంటాయి: అతిగా ఉదాహరణలు ఇవ్వడం మరియు కఠినమైన "చేయవద్దు" అనే నియమాలు అధునాతన మోడళ్ల తార్కిక మరియు ఊహాశక్తి సామర్థ్యాలను నిజానికి పరిమితం చేయవచ్చు.
- నియమాల కంటే సందర్భోచిత సమాచారమే ముఖ్యం: AIని నడిపించడంలో కొత్త సరిహద్దులు, సుదీర్ఘమైన, పరిమితమైన ఇన్స్ట్రక్షన్ సెట్ల కంటే సమగ్రమైన సందర్భోచిత సమాచారాన్ని (context) అందించడంపై ఆధారపడి ఉన్నాయి.