File size: 4,194 Bytes
9b9c96c | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 | """AUBIN Engine — katmanlı Sistem-1 / Sistem-2 karar motoru.
Laya tek katmanlıdır (her istek küçük bir kodlayıcıya). AUBIN Engine isteği EN UCUZ yeterli katmanda bitirir:
K0 öğrenilmiş beceriler + bellek (AubinLearning: acquire_skill / learn) — milisaniye, yalnız kanıtlanmış soru tiplerinde
K1 hızlı model (ör. AUBIN-E4B, ~0.25 s/karar)
K2 güçlü model (ör. AUBIN-12B / 31B; isteğe bağlı akıl yürütme geçişi)
Her katmanın kalibre güveni o katmanın eşiğini geçerse karar orada verilir; geçmezse bir üst katmana çıkılır. Son katmanda
da eşik tutmazsa ve `abstain=True` ise cevap "çekimser" (null) döner — yanlış ama emin cevap yerine "emin değilim".
Yanıt biçimi Laya/Jev istemcileriyle uyumludur: {"answers": {qid: {"choice"|"score"|"noul", "confidence", ...}}, "routing": {...}}.
eng = AubinEngine([("fast", Aubin("emrevrg/AUBIN-E4B-Control"), 0.85), ("strong", Aubin("emrevrg/AUBIN-12B"), 0.0)])
eng.predict(state, questions)
"""
from __future__ import annotations
import time
from .core import options
def _answer_field(q, key, probs):
"""Laya/Jev alan adları: choice → "choice", score → "score" (seviye indeksi), noul → "noul" (evet olasılığı)."""
t = q.get("type", "choice")
if t == "noul":
return {"noul": round(float(probs.get("true", 0.0)), 4)}
if t == "score":
keys = list(probs)
return {"score": keys.index(key) if key in keys else None, "label": key}
return {"choice": key}
class AubinEngine:
def __init__(self, tiers, abstain=False, learner=None):
"""tiers: [(ad, model, eşik)] ucuzdan pahalıya; model .decide(state, questions) sunar (Aubin, AubinEnsemble,
AubinLearning). eşik: o katmanda kararı kabul etmek için gereken kalibre güven (son katmanda genelde 0).
learner: isteğe bağlı AubinLearning — K0 olarak en başta denenir (öğrenilmiş beceri/bellek)."""
self.tiers = list(tiers)
if learner is not None:
self.tiers.insert(0, ("learned", learner, getattr(learner, "engine_threshold", 0.9)))
self.abstain = abstain
self.stats = {name: 0 for name, _, _ in self.tiers}
self.stats["abstained"] = 0
def predict(self, state, questions, min_confidence=None):
t0 = time.perf_counter()
pending, answers, route, tier_ms = dict(questions), {}, {}, {}
for li, (name, model, thr) in enumerate(self.tiers):
if not pending:
break
last = li == len(self.tiers) - 1
thr = max(thr, min_confidence or 0.0) if not last or self.abstain else thr
t1 = time.perf_counter()
res = model.decide(state, pending)
tier_ms[name] = round((time.perf_counter() - t1) * 1e3, 1)
for qid, r in res.items():
conf = float(r["confidence"])
if conf >= thr or (last and not self.abstain):
answers[qid] = {**_answer_field(questions[qid], r["answer"], r["probabilities"]),
"confidence": round(conf, 4), "probabilities": r["probabilities"], "tier": name}
route[qid] = name; self.stats[name] += 1
pending.pop(qid)
if last:
for qid in list(pending): # son katmanda da eşik tutmadı → çekimser
keys, _ = options(questions[qid])
answers[qid] = {"choice": None, "abstained": True, "tier": name, "confidence": None}
route[qid] = "abstained"; self.stats["abstained"] += 1
pending.pop(qid)
return {"answers": answers, "routing": {"per_question": route, "tier_ms": tier_ms,
"total_ms": round((time.perf_counter() - t0) * 1e3, 1)}}
def learn(self, state, questions, answers):
"""Geri bildirim K0'a (varsa) gider: bir sonraki benzer istek pahalı katmana hiç çıkmadan çözülebilir."""
for name, model, _ in self.tiers:
if hasattr(model, "learn"):
return model.learn(state, questions, answers)
return None
|