просимо
😃 Основи
💼 Основні застосунки
🧙‍♂️ Середній рівень
🤖 Агенти
⚖️ Надійність
🖼️ Написання запитів для створення зображень
🔓 Злом запиту
🔨 Інструменти
💪 Налаштування запиту
🎲 Різне
📙 Словниковий довідник
📚 Бібліографічний список
📦 Рекомендовані продукти
🛸 Додаткові ресурси
🔥 У тренді
✨ Список залучених людей

Запит з кількома ілюстраціями

🟢 This article is rated easy
Reading Time: 3 minutes

Last updated on August 7, 2024

Ще одна стратегія введення запитів: запит з кількома ілюстраціями, який, по суті, просто показує моделі кілька прикладів (так званих ілюстрацій) того, що Ви хочете, щоб вона робила.

Розглянемо наведений вище приклад, у якому ми намагаємося класифікувати відгуки клієнтів як позитивні чи негативні. Ми показуємо моделі 3 приклади позитивних чи негативних відгуків, а потім показуємо новий відгук, який ще не класифіковано (Це не працює!:). Модель бачить, що перші 3 приклади були класифіковані як позитивні або негативні, і використовує цю інформацію, щоб класифікувати новий приклад як негативний.

Те, як ми структуруємо приклади, дуже важливо. Оскільки ми структурували ці 3 приклади як input: classification, модель виводить одне слово після останнього рядка, вимовляти повне речення, наприклад , цей відгук є позитивним.


Note
Кожна пара введення-виведення називається прикладом.

Детальніше про структуру

Ключовий випадок використання запитів з кількома ілюстраціями – це коли вам потрібно, щоб результат був структурований певним способом, який складно описати моделі. Щоб зрозуміти це, розгляньмо відповідний приклад: скажімо, вам потрібно зібрати імена та професії відомих жителів сусідніх міст, проаналізувавши статті місцевих газет. Ви хочете, щоб модель читала кожну статтю та виводила список імен і професій у форматі Перший Останній [OCCUPATION]. Щоб змусити модель зробити це, ви можете показати їй кілька прикладів:

Показуючи моделі приклади правильного формату виводу, вона може створити правильний вивід даних для нових статей.

Note

Навіть попри те, що ви можете отримати той самий результат, використовуючи натомість запит з інструкціями, запит на основі кількох ілюстрацій зробить результат більш узгодженим.

Варіанти запитів з ілюстраціями

Слово «ілюстрація» є синонімом «прикладу». Окрім запитів з ілюстраціями, існують ще два типи запитів. Не надто цим переймайтеся! Єдина різниця між цими варіантами полягає в тому, скільки прикладів ви показуєте моделі.

Варіанти:

  • запит без ілюстрацій: моделі не показано приклади;
  • запит з однією ілюстрацією: моделі показано 1 приклад;
  • запит із кількома ілюстраціями: більш як два приклади показано моделі.

Запит без ілюстрацій

Запит без ілюстрацій є найпростішою формою запиту. Він просто показує моделі запит без прикладів і просить її згенерувати відповідь. Таким чином, усі інструкції та запити ролей, які ви бачили до цього часу, є запитами без ілюстрацій. Додатковий приклад запиту без ілюстрацій:

Додай 2+2:

Це запит без ілюстрацій, оскільки ми не показали моделі повних прикладів.

Запит з однією ілюстрацією

Запит з однією ілюстрацією — коли ви показуєте моделі один приклад. Наприклад, аналог запиту без ілюстрацій в вигляді запиту з однією ілюстрацією Додайте 2+2::

Додай 3+3: 6
Додай 2+2:

Ми показали моделі лише 1 повний приклад (Додай 3+3: 6), тож це запит з однією ілюстрацією.

Запит з кількома ілюстраціями

Запит з кількома ілюстраціями — коли ви показуєте моделі 2 або більше прикладів. Усі запити вище цього розділу з переліком варіантів були запитами з кількома ілюстраціями. Аналог запиту з двома ілюстраціями наведених вище запитів з кількома ілюстраціями такий:

Додай 3+3: 6
Додай 5+5: 10
Додай 2+2:

Це так, оскільки ми показали моделі принаймні 2 повних приклади (Додай 3+3: 6 і Додай 5+5: 10). Як правило, що більше прикладів ви показуєте моделі, то кращим буде результат, тому в більшості випадків запит з кількома ілюстраціями є кращим, ніж запит без ілюстрацій або запит з однією ілюстрацією.

Висновок

Запити з кількома ілюстраціями є потужною технікою, яка дозволяє змусити модель генерувати точні та правильно відформатовані результати!

Сандер Шульхофф

Footnotes

  1. Logan IV, R., Balazevic, I., Wallace, E., Petroni, F., Singh, S., & Riedel, S. (2022). Cutting Down on Prompts and Parameters: Simple Few-Shot Learning with Language Models. Findings of the Association for Computational Linguistics: ACL 2022, 2824–2835. https://doi.org/10.18653/v1/2022.findings-acl.222

  2. Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332–1338.

Copyright © 2024 Learn Prompting.