เปรียบเทียบวิธี

	ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)	การปรับละเอียด GPT (GPT Fine-Tuning)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2019
ผู้ริเริ่ม	Vaswani, A. et al.	Radford, A. et al. (OpenAI)
ประเภท	Attention mechanism (Transformer core)	Fine-tuning of pretrained autoregressive language models
แหล่งต้นตำรับ	Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.	Radford, A., Wu, J., Child, R., Luan, D., Amodei, D. & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. OpenAI Technical Report.
ชื่อเรียกอื่น	Öz-Dikkat ve Çok Başlı Dikkat (Multi-Head Self-Attention), öz-dikkat, multi-head attention, scaled dot-product attention	GPT İnce Ayar ve Talimat Uyarlaması, GPT fine-tuning, instruction tuning, LLM fine-tuning
ที่เกี่ยวข้อง	5	5
สรุป	Multi-head self-attention, introduced by Vaswani and colleagues in 2017, is the mechanism that lets every position in a sequence compute its relationship to all other positions in parallel. It is the core of the Transformer architecture and the foundation underneath BERT, GPT, and T5.	GPT fine-tuning adapts pretrained autoregressive language models such as GPT-2/3/4 or LLaMA — introduced in OpenAI's 2019 work by Radford and colleagues — to domain-specific data or to instruction following via reinforcement learning from human feedback (RLHF) or DPO. It is used for instruction following, domain adaptation, and generative tasks.