Promptide insenering — suurte keelemudelite juhiste kujundamine
Promptide insenering on struktureeritud loomuliku keele juhiste ehk promptide koostamise praktika, et saada suurtest keelemudelitest (LLM) sihipäraseid väljundeid. Brown jt (2020) formaliseerisid selle GPT-3 kontekstis ja Wei jt (2022) laiendasid seda mõttekäigu ahelaga (chain-of-thought prompting). See hõlmab nelja peamist strateegiat: null-võttega (zero-shot), väheste võtetega (few-shot), mõttekäigu ahelaga (chain-of-thought) ja mõttekäigu puuga (tree-of-thought). Mudeli uuesti koolitamise asemel kujundab analüütik mudeli käitumist täielikult sisendteksti kujundamise kaudu.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/et/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.
- Teksti väheste näidistega klassifitseerimineTekstikaeve↔ compare
- GPT peenhäälestusSüvaõpe↔ compare
- LoRA ja PEFTSüvaõpe↔ compare
- Keelestruktuuride automaatne genereerimineTekstikaeve↔ compare
- Päringuga täiendatud genereerimine (RAG)Tekstikaeve↔ compare
- Teksti klassifitseerimineTekstikaeve↔ compare
- Null-kujuline klassifitseerimineTekstikaeve↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →