Ingineria prompturilor — Proiectarea instrucțiunilor pentru modelele lingvistice mari
Ingineria prompturilor este practica de a crea instrucțiuni structurate în limbaj natural — prompturi — pentru a obține rezultate țintite de la modelele lingvistice mari (LLM). Formalizată de Brown et al. (2020) în contextul GPT-3 și extinsă de Wei et al. (2022) cu promptarea de tip chain-of-thought, aceasta cuprinde patru strategii principale: zero-shot, few-shot, chain-of-thought și tree-of-thought. În loc să re-antreneze un model, analistul modelează comportamentul acestuia exclusiv prin designul textului de intrare.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/ro/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.
- Clasificare text cu puține exemple (Few-Shot Text Classification)Mineritul textelor↔ compare
- Ajustarea fină a modelelor GPTÎnvățare profundă↔ compare
- LoRA și PEFTÎnvățare profundă↔ compare
- Generare de Limbaj NaturalMineritul textelor↔ compare
- Generare Augmentată prin Regăsire (RAG)Mineritul textelor↔ compare
- Clasificarea textuluiMineritul textelor↔ compare
- Clasificare zero-shotMineritul textelor↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →