两种大型语言模型
- 基础大模型(Base LLM)
- 基于训练数据预测下文
- 指令调优大模型(Instruction Tuned LLM)
- 尝试听从指令
- 基于基础大模型，进一步使用指令内容输入+遵循指令内容输出来训练和微调模型
- RLHF(Reinforcement Learning with Human Feedback)：从人类反馈中进一步改进，让系统更得力，更听话。
清晰具体的书写提示词
- 原则1：编写清晰明确的提示词
- 在提示词中使用”定界符”
- 向模型请求结构化的输出
- 要求模型检查任务条件是否满足
- 输入多范例提示，举例说明
- 在提示词中使用”定界符”
- 原则2：给模型充足的思考时间
- 指定完成任务所需的步骤
- 让模型自己推理并制定出解决方案
- 指定完成任务所需的步骤
注意规避模型的局限性，例如：gpt-3.5-tuibo模型的局限性：
更好的迭代提示词
- 不奢求”一针见血”，不断打磨，形成良好的提示词迭代流程
- 多维度，堆样本，踏实迭代提示词
用大语言模型总结文本
使用大语言模型的语义推理
语义推理：让模型针对文本内容执行某种分析，例如：提取标签，提取名称，文本情感分析等等。
在传统的机器学习工作流程中，如果您想识别一段文本到底是积极还是消极的情感，就必须收集标签数据集、训练模型，弄清楚如何在某个地方部署模型并进行推理。
在上述例子中，我们没有给它任何带有标记的训练数据，在机器学习中，这种算法叫做零样本学习算法。正如这个例子当中体现的一样，我们只需写一下提示词，它就能够确定该新闻文章涵盖了哪些主题，生成相应的推送，发送给指定的用户，这就是语义推理。
使用大模型进行文本转换
ChatGPT：天生的多语言能力者，利用GPT模型，轻轻松松实现通用翻译器。
语气转换，模型在语气和格式上都能做出转换，例如：将俚语翻译成商业书信。
ChatGPT非常擅长格式转换，例如：JSON、XML、HTML、MarkDown等。
大语言模型的拼写检查和语法检查的技能。
使用ChatGPT的温度值(temperature)
在ChatGPT中，temperature值的高低能够影响模型输出的创造性和随机性。当温度值为”0″时，模型将始终选择概率最大的词。而温度值越高，它选择不太可能出现的词的概率越大，多次生成的结果也会更多样。当温度值为”1″时，生成的回复会非常随机，非常有创意，甚至可能会产生一些奇怪的回复。所以大多数情况下，为了构建一个可靠、可预测的系统，我们一般设置温度值为”0″。但如果需要模型更具有创意，可以试试调高温度值。
构建自己的聊天机器人
在大语言模型的对话中，我们发送的消息称之为user message，模型的回答叫做assistant message，系统消息system message是指在user message和assistant message之间的一种类型的消息。系统消息通常由系统或对话管理器生成，用于在对话中引导和控制交互。
系统消息可以用于提供上下文、引导对话流程、提醒用户或助手采取特定的行动，以及提供其他对话管理方面的指令。系统消息的目的是影响对话的进展和行为，以确保对话在预期的方向上进行。
原文地址:https://blog.csdn.net/lichunericli/article/details/135480156
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_56300.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
