Promptu inženierija — instrukciju dizains lieliem valodu modeļiem (LLM)
Promptu inženierija ir strukturētu dabisko valodu instrukciju — promptu — izstrādes prakse, lai panāktu mērķtiecīgu izvadi no lieliem valodu modeļiem (LLM). Formāli to definēja Brown et al. (2020) GPT-3 kontekstā un paplašināja Wei et al. (2022) ar ķēdes-domu (chain-of-thought) promptēšanu; tā ietver četras galvenās stratēģijas: nulles-šāviens (zero-shot), maz-šāviens (few-shot), ķēdes-domu un koka-domu (tree-of-thought). Analītiķis pilnībā veido modeļa uzvedību, izstrādājot ievades tekstu, nevis pārmācot modeli.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/lv/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.
- Klasifikācija ar mazlietotiem paraugiem (Few-Shot Text Classification)Teksta ieguve↔ compare
- GPT smalkoregulēšanaDziļā mācīšanās↔ compare
- LoRA un PEFTDziļā mācīšanās↔ compare
- Datu-teksta dabiskās valodas ģenerēšanaTeksta ieguve↔ compare
- Iegūšanā balstīta ģenerēšana (RAG)Teksta ieguve↔ compare
- Tekstu klasifikācijaTeksta ieguve↔ compare
- Nezināmas klases klasifikācijaTeksta ieguve↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →