Инженеринг на подканите — Дизайн на инструкции за големи езикови модели
Инженерингът на подканите е практиката на създаване на структурирани инструкции на естествен език — подкани — за извличане на целеви изходи от големи езикови модели (LLMs). Формализиран от Brown et al. (2020) в контекста на GPT-3 и разширен от Wei et al. (2022) с верига от мисли подкани, той обхваща четири основни стратегии: zero-shot, few-shot, верига от мисли и дърво от мисли. Вместо да преобучава модел, анализаторът оформя поведението на модела изцяло чрез дизайна на входния текст.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/bg/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Класификация на текст с малко примери (Few-Shot Text Classification)Извличане на текст↔ compare
- Фината настройка на GPT (GPT Fine-Tuning)Дълбоко обучение↔ compare
- LoRA и PEFTДълбоко обучение↔ compare
- Генериране на естествен езикИзвличане на текст↔ compare
- Генериране с разширение за извличане (Retrieval-Augmented Generation, RAG)Извличане на текст↔ compare
- Класификация на текстИзвличане на текст↔ compare
- Класификация без примериИзвличане на текст↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →