Kehotetekniikka – ohjeiden suunnittelu suuria kielimalleja varten
Kehotetekniikka on jäsenneltyjen luonnollisen kielen ohjeiden – kehotteiden – laatimisen käytäntö, jolla pyritään saamaan suuria kielimalleja (LLM) tuottamaan kohdennettuja tuloksia. Brown et al. (2020) formalisoivat sen GPT-3:n yhteydessä ja Wei et al. (2022) laajensivat sitä ketjuajattelukehotteilla. Se kattaa neljä päästrategiaa: nolla-esimerkki, muutama-esimerkki, ketjuajattelu ja puuajattelu. Sen sijaan, että mallia koulutettaisiin uudelleen, analyytikko muokkaa mallin käyttäytymistä täysin syötetyn tekstin suunnittelun avulla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/fi/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.
- Muutaman esimerkin tekstiluokitteluTekstinlouhinta↔ compare
- GPT-mallin hienosäätöSyväoppiminen↔ compare
- LoRA ja PEFTSyväoppiminen↔ compare
- Luonnollisen kielen generointiTekstinlouhinta↔ compare
- Retrieval-Augmented Generation (RAG)Tekstinlouhinta↔ compare
- TekstinluokitteluTekstinlouhinta↔ compare
- Nollalaukauksinen luokitteluTekstinlouhinta↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →