Инжењеринг упутстава — Дизајн инструкција за велике језичке моделе
Инжењеринг упутстава је пракса креирања структурираних инструкција у природном језику — упутстава — како би се постигли циљани излази из великих језичких модела (LLM). Формализован од стране Брауна и сар. (2020) у контексту GPT-3 и проширен од стране Веија и сар. (2022) са ланцем мисли (chain-of-thought prompting), обухвата четири главне стратегије: нулто-шотни (zero-shot), мало-шотни (few-shot), ланац мисли (chain-of-thought) и дрво мисли (tree-of-thought). Уместо поновног тренирања модела, аналитичар обликује понашање модела искључиво кроз дизајн улазног текста.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
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/sr/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.
- Kratkoklasna klasifikaciјa tekstaRudarenje teksta↔ compare
- GPT fino-podešavanjeDuboko učenje↔ compare
- LoRA i PEFTDuboko učenje↔ compare
- Generisaњe prirodnog јezikaRudarenje teksta↔ compare
- Генерација уз побољшано преузимање (RAG)Rudarenje teksta↔ compare
- Klasifikacija tekstaRudarenje teksta↔ compare
- Нула-шут класификацијаRudarenje teksta↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →