我在多個會話中測試了OpenGradient Chat，大多數是連續的提示，這通常會洩漏比你在標準AI工具中預期的更多元數據。
引人注目並不是輸出質量——這一部分在各個模型中變得正常——而是沒有出現的部分。在會話之間沒有提示重複滲漏，查詢之間沒有明顯的身份拼接，即使我故意重複使用相似的措辭，稍微變化一下。我在短時間內進行了大約18到22個提示，切換在一般推理和敏感風格的查詢之間，只是想看看上下文是否會以意想不到的方式粘附。
有趣的是行為邊界。在大多數系統中，你可以感覺到幾次互動後殘留的上下文影響，就像模型在安靜地“熱身”你的模式。在這裡，這種效果感覺減弱或完全缺失。它幾乎比預期的重置得更徹底，這在涉及任何形式的記憶優化時是不尋常的。
即使延遲模式也感覺以可控的方式不一致——一些響應在約2.1秒內返回，而在類似提示長度下，其他響應則更接近約3.8到4.2秒。這通常暗示著在不同的執行路徑或模型之間進行路由，儘管在表面上什麼都不明顯。
不過，我還不完全相信這部分是否是真正的加密隔離，還是僅僅是激進的會話分離邏輯。這是有區別的，但從外部很難證明，除非你在基礎設施層內。
我試著用重複的實體引用和重疊的語義提示來推動它——大約12個近似重複的結構——而輸出並沒有像大多數集中系統最終那樣收斂。
這是我卡住的部分……這到底是真正強制的隱私，還是只是非常隱藏的狀態處理，感覺像隱私……
@OpenGradient $OPG #OPG
引人注目並不是輸出質量——這一部分在各個模型中變得正常——而是沒有出現的部分。在會話之間沒有提示重複滲漏，查詢之間沒有明顯的身份拼接，即使我故意重複使用相似的措辭，稍微變化一下。我在短時間內進行了大約18到22個提示，切換在一般推理和敏感風格的查詢之間，只是想看看上下文是否會以意想不到的方式粘附。
有趣的是行為邊界。在大多數系統中，你可以感覺到幾次互動後殘留的上下文影響，就像模型在安靜地“熱身”你的模式。在這裡，這種效果感覺減弱或完全缺失。它幾乎比預期的重置得更徹底，這在涉及任何形式的記憶優化時是不尋常的。
即使延遲模式也感覺以可控的方式不一致——一些響應在約2.1秒內返回，而在類似提示長度下，其他響應則更接近約3.8到4.2秒。這通常暗示著在不同的執行路徑或模型之間進行路由，儘管在表面上什麼都不明顯。
不過，我還不完全相信這部分是否是真正的加密隔離，還是僅僅是激進的會話分離邏輯。這是有區別的，但從外部很難證明，除非你在基礎設施層內。
我試著用重複的實體引用和重疊的語義提示來推動它——大約12個近似重複的結構——而輸出並沒有像大多數集中系統最終那樣收斂。
這是我卡住的部分……這到底是真正強制的隱私，還是只是非常隱藏的狀態處理，感覺像隱私……
@OpenGradient $OPG #OPG