از سخنرانی های Bootcamp LLM از طرف فارغ التحصیلان دکتری برکلی، من کلید یاد گرفته ام قوانین و روشها این باعث بهبود می شود. این مقاله تکنیک هایی مانند اعلان فعال ، فرکانس متا ، و تعداد کمی از شات و غیره طراحی شده اند تا مدل ها به طور سیستماتیک تر فکر کنند و نتایج بهتری کسب کنند.
قوانین اساسی برای نوشتن مطالب مؤثر
در اینجا چند قانون مهم وجود دارد که می تواند باعث مؤثرتر شود. این تکنیک ها دقت و سودمندی پاسخ ها را بهبود می بخشند.
از متن ساختاری استفاده کنید
مدل های زبان در هنگام ورودی به خوبی سازمان یافته عملکرد بهتری دارند. درست همانطور که انسان دستورالعمل های روشنی را آسان تر می کند ، مدل ها نیز با اعلان های ساختاری بهتر کار می کنند.
مثال: درخواست عملکرد پایتون
❌ بدون ساختار:
“یک تابع پایتون بنویسید که بررسی می کند که آیا یک شماره اصلی است.”
✅ با ساختار (شبه کد):
Define a function is_prime(n):
If n is less than 2, return False
For each number i from 2 to sqrt(n):
If n is divisible by i, return False
Return True
یک سریع ساختار یافته ، درک و پیروی از مراحل خاص ، کاهش اشتباهات را برای مدل آسانتر می کند.
درخواست های پیچیده (تجزیه)
هنگام درخواست یک مدل برای انجام یک کار بزرگ ، بهتر است آن را در مراحل کوچکتر تقسیم کنید. این باعث بهبود دقت می شود و پاسخ ها را بیشتر متمرکز می کند.
مثال: نوشتن پست وبلاگ
❌ همه در یک سریع:
“یک پست وبلاگ در مورد تغییرات آب و هوا بنویسید و شامل آمار اخیر است.”
✅ رویکرد گام به گام:
جمع آوری حقایق: “لیست آمار اخیر تغییرات آب و هوا را از سال 2023 ذکر کنید.”
محتوا را برنامه ریزی کنید: “یک طرح کلی برای پست وبلاگ تغییر آب و هوا ایجاد کنید.”
در بخش ها بنویسید: “یک مقدمه جذاب برای پست وبلاگ تغییر آب و هوا بنویسید.”
هر بخش را به طور جداگانه گسترش دهید.
شکستن کار تضمین می کند که هر قسمت قبل از حرکت به قسمت بعدی به درستی اداره می شود.
✅ با ساختار (شبه کد):
Define a function is_prime(n):
If n is less than 2, return False
For each number i from 2 to sqrt(n):
If n is divisible by i, return False
Return True
استدلال مدل (زنجیره اندیشه) را راهنمایی کنید
به جای درخواست پاسخ مستقیم ، هدایت مدل از طریق مراحل منطقی منجر به پاسخ های بهتر می شود.
مثال: بررسی یک شماره اصلی
prompe سریع:
“آیا 2،345 شماره اصلی است؟”
prompe سریع مرحله به مرحله:
“بیایید تعیین کنیم که آیا 2،345 با بررسی تقسیم پذیری گام به گام ، شماره اصلی است.”
این رویکرد مدل را ترغیب می کند تا استدلال خود را توضیح دهد و پاسخ را قابل اطمینان تر می کند.
ترکیب چندین پاسخ (گروه)
هیچ مدلی کامل نیست. هر کدام دارای نقاط قوت و ضعف هستند ، بنابراین ترکیب پاسخ های متعدد می تواند منجر به دقت بهتر شود.
به عنوان مثال ، به جای تکیه بر یک مدل واحد برای خلاصه کردن یک مقاله ، می توانید:
- از دو مدل مختلف بپرسید و نتایج را مقایسه کنید.
- چندین بار همان مدل را اجرا کنید و بهترین پاسخ ها را ادغام کنید. این روش به فیلتر کردن ناسازگاری ها کمک می کند و کیفیت پاسخ را بهبود می بخشد.
انواع مختلفی از روشهای سریع
اعلان فعال
Promision Active روشی است که به مدل های زبان کمک می کند تا با انتخاب مفیدترین نمونه های یادگیری ، استدلال خود را بهبود بخشند. این رویکرد به جای تکیه بر یک مجموعه ثابت از پیش نویس های از پیش نوشته شده ، سؤالات نامشخص یا مبهم را مشخص می کند و آنها را از طریق حاشیه نویسی انسانی اصلاح می کند.
فوریت فعال چگونه کار می کند
این روند شامل چهار مرحله کلیدی است:
- برآورد عدم اطمینان – مدل چندین بار به مجموعه سؤالات آموزشی پاسخ می دهد (به عنوان مثال ، پنج تلاش). اگر پاسخ ها به طور قابل توجهی متفاوت باشند ، سؤال به عنوان نامشخص مشخص می شود.
- انتخاب – نامشخص ترین سؤالات برای بررسی انسان انتخاب شده است.
- حاشیه نویسی-انسان استدلال گام به گام برای این سؤالات منتخب ارائه می دهد.
- استنباط – نمونه های تازه حاشیه نویسی به سیستم اضافه می شوند و دقت مدل را برای کارهای مشابه بهبود می بخشند. #### چرا موارد فعال کننده فعال
ادامه خواندن مقاله کامل در اینجا: https://journal.hexmos.com/dont-let-your-llm-hallucinate-check-u-these-prompting-rules-and-method/
