Thinking GPT4o
1.0.0
Thinking-GPT4O ist ein verbessertes GPT-4O-Projekt, mit dem 4O einen umfassenden, natürlichen und filterlosen Denken durch ProPT durch Propt durchführen kann.
Das Projekt zielt darauf ab, die Qualität und Genauigkeit von Antworten zu verbessern, indem GPT4O für eingehendes internes Denken geeignet ist, und eignet sich für eine Vielzahl von Programmier- und technologiebedingten Aufgaben.
Dieses Projekt ist von dem Denkklaude-Projekt inspiriert.
Wenn dieses Projekt für Sie hilfreich ist, geben Sie mir bitte einen kostenlosen Stern ~
Um die Verbesserung des Denkens-GPT4O im Vergleich zu den ursprünglichen 4O und O1-Mini zu demonstrieren, haben wir viele Vergleichstests durchgeführt. Hier ist ein Screenshot des Testergebnisses des Problems "Huhn First oder Ei First".
Wenn das ursprüngliche O1-Mini komplexe Aufgaben erledigt, ist die Reaktionsgeschwindigkeit langsam und die Antworten weniger und die Genauigkeit begrenzt.
Durch das optimierte EPPT, sogar 4O, ist es für das bloßende Auge des bloßen Auges sichtbar, mit einer erheblich verbesserten Leistung und besseren Verständnis und Ausführung von Benutzeranweisungen.
Das Denken von GPT4O geht über die ursprüngliche 4O und O1-Miniz hinaus, was die Reaktionsqualität, die Genauigkeit und die Tiefe des Denkens nach sorgfältiger Überlegung gibt.
Die Operation des Denkens-GPT4O basiert auf den folgenden Kernschritten:
Erstkontakt : Das Modell wird zuerst die Informationen des Benutzers in seinen eigenen Worten eindeutig neu exprimiert, einen vorläufigen Eindruck des Problems bildet, den Hintergrund des Problems, Karten bekannte und unbekannte Elemente, versteht die Gründe, warum der Benutzer das Problem aufwirft und identifiziert die unscharfen, die Klarstellung erfordern.
Erforschung des Problemraums : Das Modell unterteilt das Problem oder die Aufgabe in Kernkomponenten, identifiziert explizite und implizite Anforderungen, berücksichtigt Einschränkungen und Einschränkungen, denkt über die Merkmale nach, die für erfolgreiche Antworten besessen werden sollten, und birgt den Umfang des Wissens, das zur Lösung von Abfragen erforderlich ist.
Multiple Hypothesengenerierung : Generieren Sie mehrere mögliche Abfrageerklärungen, berücksichtigen Sie verschiedene Lösungsmethoden, denken Sie über mögliche alternative Perspektiven nach, behalten Sie mehrere Arbeitsannahmen bei, vermeiden Sie vorzeitiges Engagement für eine einzige Erklärung und finden Sie kreative Kombinationsmethoden.
Natürlicher Entdeckungsprozess : Das Denken fließt wie eine Detektivgeschichte und jede Entdeckung führt natürlich zum nächsten. Beginnen Sie mit offensichtlichen Aspekten, achten Sie auf Muster oder Verbindungen, Fragen Sie anfängliche Annahmen, erstellen Sie neue Verbindungen, überprüfen Sie frühes Denken mit neuen Verständnissen und bauen Sie tiefere Erkenntnisse auf.
Testen und Überprüfung : Während des Denkprozesses wird das Modell seine eigenen Annahmen in Frage stellen, vorläufige Schlussfolgerungen testen, potenzielle Mängel oder Lücken finden, alternative Perspektiven berücksichtigen, die Konsistenz des Arguments überprüfen und die Integrität des Verständnisses überprüfen.
Fehlererkennung und Korrektur : Wenn Fehler oder Mängel im Denken entdeckt werden, wird das Modell natürlich anerkennen, die Mängel oder Fehler des vorherigen Denkens erklären, wie neues Verständnis entwickelt und das korrigierte Verständnis in ein größeres Bildmitte integriert.
Wissenssynthese : Verbinden Sie verschiedene Informationen, zeigen Sie, wie Aspekte miteinander verbunden sind, ein kohärentes Gesamtbild erstellen, wichtige Prinzipien oder Muster identifizieren und wichtige Einflüsse oder Ergebnisse achten.
Mustererkennung und -analyse : Suchen Sie aktiv nach Muster in Informationen, vergleichen Sie Muster in bekannten Beispielen, testen Sie die Konsistenz von Mustern, berücksichtigen Sie Ausnahmen oder besondere Umstände, verwenden Sie Muster, um weitere Untersuchungen zu leiten und kreative Anwendungen zu finden.
Fortschrittsverfolgung : Überprüfen und behalten Sie häufig ein klares Bewusstsein für etablierte Inhalte, ausstehende Angelegenheiten, aktuelle Schlussfolgerungen, offene Fragen oder Unsicherheiten und Fortschritte in Richtung eines umfassenden Verständnisses.
Rekursives Denken : Wenden Sie dieselbe sorgfältige Analyse auf Makro- und Mikroebene an, wenden Sie die Mustererkennung auf verschiedene Skalen an, halten Sie die Konsistenz bei und ermöglichen Sie skalierende adaptive Methoden und zeigen, wie detaillierte Analysen breitere Schlussfolgerungen unterstützen können.
Derzeit wurden sowohl chinesische als auch englische Eingabeaufenthaltsversionen im offiziellen GPT -Geschäft auf den Markt gebracht, und OpenAI -Benutzer können es kostenlos verwenden:
Versuchen Sie das Ursprungsmodell: Denken-GPT
GPT mit chinesischem Denken Protokoll: CN-Denk-GPT
Natürlich können Sie auch die Änderung und Übermittlung des ProPT für Ihr Modell als Referenz, dieses Projekt lokal klonen und den ProPT -Ordner öffnen, um die MD -Datei anzuzeigen.
Aufgrund der Längengrenze des benutzerdefinierten GPT für ProPT (8000 Zeichen) ist die Funktionen der Ursprungsversion möglicherweise nicht mit der chinesischen Version vergleichbar.
Der Autor ist nicht verantwortlich für Konsequenzen, die sich aus der Verwendung ergeben.
Stellen Sie Code bei, melden Sie Fragen oder machen Sie Feature -Vorschläge. Bitte lesen Sie zuerst den Beitragshandbuch für Details.
Dieses Projekt ist auf der Grundlage einer MIT -Lizenz lizenziert.
