Chiến lược lấy mẫu thích nghi Min-P Sampling

Mô tả bài toán

Min-P Sampling là một phương pháp lọc hiện đại đang dần thay thế Top-P trong cộng đồng mã nguồn mở. Thay vì tích lũy xác suất, Min-P tính ngưỡng động trực tiếp theo xác suất của token đứng đầu:

p_i = softmax(z)_i, p_top = max_j p_j p_threshold = p_top × p_min

Mọi token có xác suất p_i < p_threshold sẽ bị loại bỏ bằng cách gán logit thành filter_value (-∞).

• Ví dụ: nếu p_min = 0.05 và token đầu bảng có p_top = 0.8, thì ngưỡng là 0.8 × 0.05 = 0.04. Bất kỳ token nào có xác suất nhỏ hơn 4% đều bị loại.
• Nếu token đầu bảng chỉ đạt p_top = 0.1 (mô hình không chắc chắn), ngưỡng chỉ là 0.005, cho phép nhiều token cạnh tranh tự nhiên.

Hãy viết hàm min_p_filtering(logits: np.ndarray, min_p: float = 0.05, filter_value: float = -float('inf')) -> np.ndarray:

• Kiểm tra 0.0 ≤ min_p ≤ 1.0. Nếu vi phạm, raise ValueError.
• logits: mảng 1D không rỗng.
• Trả về bản sao mảng logits sau khi lọc theo Min-P.

Ràng buộc

• Thời gian chạy tối đa: 6000ms.
• Giới hạn bộ nhớ: 512MB.
• Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.