Inženjering upita — Dizajn instrukcija za velike jezične modele
Inženjering upita je praksa oblikovanja strukturiranih uputa u prirodnom jeziku — upita — kako bi se iz velikih jezičnih modela (LLM) dobili ciljani izlazi. Formaliziran od strane Browna et al. (2020) u kontekstu GPT-3 i proširen od strane Weia et al. (2022) s lancem misli (chain-of-thought prompting), obuhvaća četiri glavne strategije: nulti-hitac (zero-shot), malo-hitaca (few-shot), lanac misli (chain-of-thought) i stablo misli (tree-of-thought). Umjesto ponovnog treniranja modela, analitičar oblikuje ponašanje modela isključivo dizajnom ulaznog teksta.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/hr/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.
- Kratko-primjerska klasifikacija tekstaRudarenje teksta↔ compare
- Prilagođavanje GPT modela (GPT Fine-Tuning)Duboko učenje↔ compare
- LoRA i PEFTDuboko učenje↔ compare
- Generiranje prirodnog jezikaRudarenje teksta↔ compare
- Retrieval-Augmented Generation (RAG)Rudarenje teksta↔ compare
- Klasifikacija tekstaRudarenje teksta↔ compare
- Klasifikacija bez ijednog primjera (Zero-Shot Classification)Rudarenje teksta↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →