---
title: "Stop sequences (language models) (HU)"
source: "https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)"
wiki: "systems-analysis.info/int"
article: "Stop_sequences_(language_models)_(HU)"
language: "hu"
categories:
- "Category:Core LLM concepts"
- "Category:Hungarian"
- "Category:Large language models"
- "Category:Machine learning"
revision_id: 6939
wiki_created_at: 2026-09-07T00:13:32Z
wiki_modified_at: 2026-09-07T00:13:32Z
downloaded_at: 2026-09-07T23:16:31Z
---
# Stop sequences (language models) (HU)
**Stop Sequence** (*megállási szekvencia*) a nagy nyelvi modellek (LLM) kontextusában egy speciális karakter- vagy token-sorozat, amely jelzi a modellnek, hogy állítsa le a szöveggenerálást[\[1\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-promptitude_def-1). Ez a mechanizmus az autoregresszív nyelvi modellek fontos komponense, amely kezelhető és kiszámítható válaszbefejezést biztosít.
A stop sequence használatakor a modell a generálás minden lépésénél ellenőrzi, hogy a már generált szöveg véget ér-e valamelyik megadott szekvenciával. Ha egyezést talál, a folyamat azonnal leáll, miközben maga a stop sequence **nem kerül bele** a végső kimenetbe[\[2\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-openai_api-2). Ez lehetővé teszi a fejlesztő számára, hogy pontosan szabályozza a válasz határait anélkül, hogy magát a lekérést módosítaná.
## Alapvető működési elvek
Az autoregresszív nyelvi modellekben a szöveggenerálás szekvenciálisan, tokenről tokenre történik. Minden lépésben a modell a következő tokent jósolja meg a teljes előző szekvencia (a bemeneti prompt és a már generált szöveg) alapján. Matematikailag ez feltételes valószínűségként fejezhető ki:
$$
P(y_{t} \mid y_{< t},x)
$$
ahol $y_{t}$ az aktuálisan generált token, $y_{< t}$ a korábban generált tokenek sorozata, $x$ pedig a bemeneti sorozat[\[3\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-vellum_params-3).
A **stop sequence** mechanizmus külső leállítási feltételként működik ebben az iteratív folyamatban.
## A megállási szekvenciák típusai
Több alapvető megállási mechanizmus létezik, amelyek önállóan és kombinálva is alkalmazhatók.
### 1. Szekvenciavégi tokenek (EOS)
**End-of-Sequence (EOS)** — speciális tokenek (például \`\<\|endoftext\|\>\`), amelyek be vannak építve a modell szótárába, és a szöveg egy logikai egységének végét jelölik. A modell arra van betanítva, hogy EOS-tokent generáljon, amikor befejezettnek ítéli a választ, mivel a tanítókészlet összes szövege ezzel a tokennel zárul[\[4\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-gpt3_survey-4). Az EOS-token érzékelésekor a generálás automatikusan leáll.
A kutatások azt mutatják, hogy az EOS-tokenek jelenléte befolyásolja az attention architektúráját: a modellek belső pozíciószámláló mechanizmusokat fejlesztenek ki, ami azonban korlátozhatja extrapolációs képességüket azokon a szekvenciákon, amelyek jelentősen meghaladják a tanítási példák hosszát[\[5\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-no_eos_extrapolation-5).
### 2. Egyedi szekvenciák
Ezek tetszőleges karakterláncok, amelyeket a fejlesztő egy adott feladathoz határoz meg. Nem részei a modell szótárának, de karakterszinten követésre kerülnek. Példák:
- **Sortörés karakterek**: \`\n\` vagy \`\n\n\` egy bekezdés utáni megálláshoz.
- **Kontextuális jelölők**: \`Human:\`, \`User:\` vagy \`Q:\` a párbeszédreplikák elválasztásához.
- **Speciális jelölők**: \`###\`, \`\\` vagy \`END\`.
### 3. Strukturális szekvenciák
Ezek speciális jelölők, amelyeket bizonyos strukturális elemek lezárásához használnak, ami kritikusan fontos formázott tartalom generálásakor[\[1\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-promptitude_def-1):
- **Kód**: hármas visszaperjel (\`\`\`) egy kódblokk lezárásához.
- **JSON/XML**: záró zárójelek (\`}\`) vagy tagek (\`\\`).
## Technikai megvalósítás és problémák
A stop sequence hatékony érzékelése nem triviális feladat, számos nehézséggel jár.
### Érzékelési algoritmus és optimalizálás
Az érzékelési folyamat a valós rendszerekben a következőket foglalja magában:
1. **Ellenőrzés minden lépésnél**: Minden új token generálása után a rendszer ellenőrzi, hogy az aktuális kimenet véget ér-e valamelyik megadott stop sequence-szel.
2. **Részleges egyezések kezelése**: A rendszernek nyomon kell követnie azokat a helyzeteket, amikor a szekvencia egy része már generálódott, de teljes egyezés még nem áll fenn.
3. **Többkritériumos ellenőrzés**: A legtöbb rendszer (például az OpenAI API) lehetővé teszi több (legfeljebb négy) stop sequence egyidejű figyelését[\[2\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-openai_api-2).
A Hugging Face Transformers keretrendszerben erre a célra egy absztrakt \`StoppingCriteria\` osztály van megvalósítva, amely lehetővé teszi egyedi megállási feltételek létrehozását, például \`MaxLengthCriteria\` (hossz alapján) vagy \`EosTokenCriteria\` (EOS-token alapján)[\[4\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-gpt3_survey-4).
### Problémák és korlátok
- **Tokenizálási probléma**: Ez az alapvető technikai nehézség. Ugyanaz a karaktersorozat (például \`\nUser:\`) a kontextustól függően különböző módon osztható tokenekre. Ez megnehezíti a megbízható érzékelést, mivel a stop sequence több token között is széteshet[\[5\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-no_eos_extrapolation-5).
- **Teljesítmény**: Számos hosszú stop sequence ellenőrzése minden lépésnél lelassíthatja a generálást, különösen valós idejű, hosszú szekvenciákkal való munkánál.
- **Téves riasztások**: A megadott szekvencia véletlenül megjelenhet a kívánt válasz közepén, ami korai befejezést eredményez. Ezért fontos kellően egyedi és specifikus jelölőket választani (például \`\n###\n\`)[\[6\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-finetune_gpt3-6).
## Alkalmazás és felhasználási esetek
A stop sequence-k hatékony eszközök az LLM viselkedésének szabályozásához.
- **Hossz- és költségkontroll**: Lehetővé teszik a válasz maximális méretének korlátozását és ezáltal a tokenfelhasználás csökkentését, ami fontos fizetős API-k használatakor.
- **Párbeszédes rendszerek**: A beszélgetők replikáinak egyértelmű elválasztására használják, hogy az asszisztens modell ne generálja a felhasználó helyett a választ.
- **Strukturált tartalom generálása**: Nélkülözhetetlenek a helyes kimenet előállításához JSON, XML formátumban vagy kód írásakor, megakadályozva a felesleges információk hozzáadását a struktúra lezárása után[\[7\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-cursor_backticks-7).
- **Nemkívánatos viselkedés megelőzése**: Segítenek megszakítani a generálást ismétlődő vagy helytelen tartalom (hallucinációk) megjelenésekor.
- **Tanítás és finomhangolás (fine-tuning)**: A tanítókészletekben gyakran használnak egyedi jelölőket (például \`###\`) stop sequence-ként, hogy a modell megtanulja a megfelelő helyen befejezni a választ[\[6\]](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_note-finetune_gpt3-6).
## Jelenlegi kutatási irányok
- **Adaptív megállási feltételek**: Olyan módszerek fejlesztése, amelyek dinamikusan határozzák meg a befejezési pontot a kontextus és a generált szöveg minősége alapján.
- **Entrópia-alapú megközelítések**: A token-eloszlás entrópiájának megállási feltételként való alkalmazása. A magas entrópia a modell bizonytalanságát jelezheti, és a generálás leállítására vonatkozó jelzésként szolgálhat.
## Hivatkozások
- Az OpenAI dokumentációja a stop sequence-k használatáról
- A Hugging Face dokumentációja a StoppingCriteria osztályról
## Irodalom
- Sutskever, I.; Vinyals, O.; Le, Q. V. (2014). *Sequence to Sequence Learning with Neural Networks*. arXiv:1409.3215.
- Vaswani, A. et al. (2017). *Attention Is All You Need*. arXiv:1706.03762.
- Keskar, N. S. et al. (2019). *CTRL: A Conditional Transformer Language Model for Controllable Generation*. arXiv:1909.05858.
- Holtzman, A. et al. (2020). *The Curious Case of Neural Text Degeneration*. arXiv:1904.09751.
- Brown, T. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165.
- Zong, M.; Krishnamachari, B. (2022). *A Survey on GPT-3*. arXiv:2212.00857.
- Zhao, Y. et al. (2022). *Calibrating Sequence Likelihood Improves Conditional Language Generation*. arXiv:2210.00045.
- Hu, J. C.; Cavicchioli, R.; Capotondi, A. (2023). *A Request for Clarity over the End-of-Sequence Token in the Self-Critical Sequence Training*. arXiv:2305.12254.
- Zhu, W. et al. (2024). *Improving Open-Ended Text Generation via Adaptive Decoding*. arXiv:2402.18223.
- Zhang, H. et al. (2024). *Adaptable Logical Control for Large Language Models*. arXiv:2406.13892.
- Suh, Y. J. et al. (2025). *The Curious Case of Sequentially Mis-calibrated Language Models*. arXiv:2205.11916.
## Megjegyzések
1. ↑ [1.0](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-promptitude_def_1-0) [1.1](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-promptitude_def_1-1) «Stop Sequence: Understanding & Setting It Correctly». *Promptitude.io Help Center*. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-openai_api_2-0) [2.1](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-openai_api_2-1) «How do I use stop sequences in the OpenAI API?». *OpenAI Help Center*. [2]
3. [↑](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-vellum_params_3-0) «How to use stop sequences?». *Vellum*. [3]
4. ↑ [4.0](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-gpt3_survey_4-0) [4.1](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-gpt3_survey_4-1) Brown, Tom, et al. «A Survey on GPT-3». *arXiv:2212.00857* \[cs.CL\], 1 дек. 2022 г. [4]
5.
6. ↑ [6.0](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-finetune_gpt3_6-0) [6.1](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-finetune_gpt3_6-1) Eric, Mihail. «How to Finetune GPT3». *mihaileric.com*. [6]
7. [↑](https://systems-analysis.info/int/Stop_sequences_(language_models)_(HU)#cite_ref-cursor_backticks_7-0) Corin, Daniel. «Way Enough - Cursor Triple Backticks Stop Sequence». *danielcorin.com*. [7]