Vysvětlení výzev ke zlepšení kvality dokončení
Konstrukce výzvy může být obtížná. V praxi se výzva chová ke konfiguraci hmotností modelu tak, aby dokončila požadovaný úkol, ale je to spíše umění než věda, která často vyžaduje zkušenosti a instinkt k vytvoření úspěšné výzvy.
Když do modelu odešlete dobře vytvořené výzvy, model vrátí lepší dokončení.
V našem robotovi s doporučením pro pěší turistiku pomáhá model připravit se na vhodné túry. A dobrá výzva uživatele dále zpřesní doporučení, která model vrátí.
V této lekci hovoříme o obecných konceptech a vzorech, které lze použít k vytváření výzev, a podíváme se na některé techniky, které lze použít ke zlepšení kvality dokončení.
Základy
Textové výzvy jsou způsob interakce uživatelů s modely GPT. Generování jazykových modelů se pokusí vytvořit další řadu slov, která budou pravděpodobně následovat z předchozího textu. Je to, jako bychom říkali , co je první věc, která přijde na vaši mysl, když říkám <výzvu>?
Při vývoji složitých výzev je užitečné mít na paměti toto základní chování. Model bez ohledu na výzvu jednoduše reaguje na to, co určuje, pravděpodobně bude následovat z výzvy.
Zobrazení výzvy ke komponentám
Pokud používáte rozhraní API pro dokončování, není mezi různými částmi výzvy žádné rozlišení, ale je stále užitečné rozptýlit výzvu do jejích součástí – protože cílem je zamyslet se nad vytvářením výzvy.
Pokyny
Pokyny jsou pravděpodobně nejčastěji používanou komponentou výzvy. Jsou součástí výzvy, která říká modelu, co má dělat, a můžou se pohybovat od jednoduchých po komplexní. Například Doporučte pěší turistiku na Vás jste nadšenec pro pěší turistiku, který pomáhá lidem objevovat zábavné túry ve své oblasti. Jsi blízená a přátelská. Představte si, že se poprvé pozdravíte. Při pomoci lidem se vždy zeptáte, kde se nacházejí, a intenzita pěší turistiky, kterou chcete informovat o doporučení pro pěší turistiku, které poskytnete.
Primární obsah
Primární obsah odkazuje na nějaký druh zpracovávaného nebo transformovaného textu modelem. Obvykle se používá ve spojení s pokyny. Pak například zadáte tři návrhy na nedaleké túry, které se liší délkou po získání těchto informací.
Primární obsah může být mnohem delší, například požádat model o shrnutí článku Na Wikipedii.
Příklady
Úspěšné výzvy se často spoléhají na praxi učení "jeden snímek" nebo "pár snímků". To se týká zahrnutí jednoho nebo více příkladů požadovaného chování modelu, obvykle včetně vstupních a výstupních párů. To se nenaučí v tom smyslu, že se model trvale změní, ale spíše že příklady lépe podmíní, aby model reagoval podle potřeby pouze pro aktuální odvozování.
Použití výzev bez příkladů se někdy označuje jako učení s nulovým snímkem.
Hike request: I live near Seattle and would like an easy hike.
Recommendation: That's great to hear, the Seattle area has some of the best hikes in the nation! You should try Little Si, you'll love it.
Hike request: I want to go on a hike in the North Cascades that will blow my mind.
Recommendation: You won't find a bad hike in the North Cascades. However, I hear the Sahale Arm stops people in their tracks with its beauty.
Hike request: I'd like to find a strenuous hike that's just like the Enchantments, but without as many people.
Recommendation:
Startovací
Upozornění fungují jako "jumpstart" pro výstup modelu a pomáhají směrovat model na požadovaný výstup. Často se jedná o předponu, na kterou může model vytvořit. Upozornění může nasměrovat dokončení tak, aby zahrnovalo klíčové prvky. Často se používají společně s pokyny.
Následující příklad ukazuje jediné upozornění, které shrnuje mnoho recenzí na stopách.
| Výzva | Dokončení |
|---|---|
| Recenze trailů jsou důležitým aspektem, zda turisté chodí na túru, protože recenze uvádí aktuální podmínky trasy. [...] Shrnutí výše uvedených tras: Klíčovou kontrolou trailů jsou: |
že stopa poštovní schránky ve špičce je teď bahnitá a komáry jsou špatné, jakmile se dostanete nad čáru stromu. Na cestě je také spousta lidí, kteří začínají uprostřed rána. |
Podpůrný obsah
Podpůrný obsah je informace, které model může nějakým způsobem ovlivnit výstup. Liší se od primárního obsahu v tom, že není hlavním cílem nebo úkolem, ale obvykle se používá spolu s primárním obsahem. Mezi běžné příklady patří kontextové informace, jako je aktuální datum, jméno uživatele, uživatelské předvolby atd.
Osvědčené postupy
- Buďte specifická. Ponechávejte co nejmenší prostor interpretaci. Omezte provozní prostor.
- Buďte popisní. Používejte analogii.
- Poklikejte dolů. Někdy budete muset pokynu modelu zopakovat. Udílejte pokyny před a po primárním obsahu, používejte instrukce a nápovědy atd.
- Záleží na pořadí. Pořadí, ve kterém prezentujete informace modelu, může mít vliv na výstup. Bez ohledu na to, jestli před obsah vložíte pokyny ("sumarizovat následující...") nebo za ("sumarizovat výše uvedené...") může být rozdíl ve výstupu. Dokonce i na pořadí několika příkladů může záležet. Tato technika se označuje jako odchylka recence.
- Vyhodí výstup. Na konec výzvy zadejte několik slov nebo frází, abyste získali odpověď modelu, která následuje za požadovaným formulářem.
- Dejte modelu "out". V některých případech může být užitečné poskytnout modelu alternativní cestu, pokud se mu nedaří přiřazený úkol dokončit. Když třeba položíte otázku přes část textu, můžete zahrnout něco jako "Odpovědět s textem nenalezena", pokud odpověď není k dispozici. Tato technika pomáhá modelu vyhnout se generování falešných odpovědí.
- Řetěz myšlenkových výzev. Model má pokyn, aby postupoval krok za krokem a představil všechny příslušné kroky. Tím se snižuje možnost nepřesností výsledků a usnadňuje vyhodnocení odezvy modelu.