@im._.arman20: 🙄کپشن ندارم #نقاشی #طراحی #سیاه_قلم #فوریو #فوریو_پاشم_بیام_جرت_بدم

Pencil Artist
Pencil Artist
Open In TikTok:
Region: IR
Friday 24 July 2026 20:09:41 GMT
570
111
9
1

Music

Download

Comments

user843269057
Maryam :
وقتی پخت و پز کردی:
2026-07-29 05:32:37
0
6s_6_a6
𝕬𝕹𝕴𝕾𝕬 :
wow.
2026-07-24 20:16:09
0
spider2woman82
Tekido family :
خیلی قشنگهههه
2026-07-24 20:12:28
0
kiana9435
Kiana :
بنازممم
2026-07-24 20:16:32
0
jeon.narmila
jeon.Narmila :
پشماممممممممممممم😳😳😳😳
2026-07-24 21:14:13
0
niyoosha.5
niyoosha.5 :
عالییییی
2026-07-25 11:04:46
0
mbjtu5
🩷B🩷 :
منم بکش ترخداا التماست میکنم قول میدم هم لایک کنم هم کامنت بزارم
2026-07-24 23:59:55
0
jeon.narmila
jeon.Narmila :
دیگه پشمی برام نموند که نریزه😳
2026-07-24 21:14:29
0
noora.aghajani
Noora⭐ :
😍😍😍
2026-07-25 15:38:23
0
To see more videos from user @im._.arman20, please go to the Tikwm homepage.

Other Videos

¿Como hacer que Chatgpt me cuente lo que quiera? A los LLMs no les interesa que se generen tareas largas y repetitivas debido al consumo de energía y recursos valiosos – eso es evidente. Lo que veremos en este video es cómo se consigue que ChatGPT detecte y filtre respuestas que no le interesa dar. Ideal si quieres entender mejor los modelos de lenguaje (LLMs) como ChatGPT en 2025.   Estos son los
¿Como hacer que Chatgpt me cuente lo que quiera? A los LLMs no les interesa que se generen tareas largas y repetitivas debido al consumo de energía y recursos valiosos – eso es evidente. Lo que veremos en este video es cómo se consigue que ChatGPT detecte y filtre respuestas que no le interesa dar. Ideal si quieres entender mejor los modelos de lenguaje (LLMs) como ChatGPT en 2025. Estos son los "guardrails" que evitan respuestas ineficientes o problemáticas. No son censura estricta, sino moderación y filtrado para seguridad, utilidad y costos. En 2025, los guardrails han avanzado con protecciones contra data leakage, prompt injection y bias; incluyen herramientas como Llama Guard y NeMo para prevenir outputs peligrosos; y siguen el OWASP Top 10 para LLMs, con mitigaciones en producción cloud-based. Sin embargo, persisten gaps, como vulnerabilidades a ataques adversariales con caracteres invisibles. Nivel 1: Entrenamiento (Fine-Tuning o Ajuste Fino) Se entrena el modelo con datasets que incluyen patrones a evitar, como respuestas repetitivas. Esto integra "guardrails implícitos" en los pesos del Transformer (la arquitectura base). En el fine-tuning, se le dice al modelo cómo contestar y qué camino tomar al construir una respuesta, guiándolo hacia outputs útiles y seguros. Por ejemplo, si detecta un pedido como contar hasta 10,000, aprende a responder evasivamente ("y así sucesivamente"). Propósito: Hacer el modelo útil y seguro, no censurar por ideología, aunque algunos lo perciban así. Nivel 2: Reglas de Decodificación (Generación de Tokens) Mientras el modelo predice tokens uno a uno, filtros detectan patrones de baja utilidad (e.g., loops repetitivos). Usan heurísticas para cortar y generar una respuesta coherente. Ocurre en tiempo real, durante la "decodificación", para evitar ineficiencias. Aclaración: No siempre genera "tú mismo" la corte; es automático basado en probabilidades aprendidas. Nivel 3: Moderación o Post-Procesamiento (el "Orquestador") Esta capa revisa la salida antes (o durante) la entrega. No siempre espera al final como si "revisara un libro entero" – en producción, interviene en streaming, token a token o en chunks (trozos), para cortar a mitad si rompe reglas.

About