mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-08 07:10:41 +00:00
12 lines
1.2 KiB
Plaintext
12 lines
1.2 KiB
Plaintext
|
# Active-Prompt
|
||
|
|
|
||
|
|
import { Callout, FileTree } from 'nextra-theme-docs'
|
||
|
|
import {Screenshot} from 'components/screenshot'
|
||
|
|
import ACTIVE from '../../img/active-prompt.png'
|
||
|
|
|
||
|
|
Os métodos de cadeia de pensamento (CoT) dependem de um conjunto fixo de exemplares anotados por humanos. O problema com isso é que os exemplares podem não ser os exemplos mais eficazes para as diferentes tarefas. Para resolver isso, [Diao et al., (2023)](https://arxiv.org/pdf/2302.12246.pdf) propôs recentemente uma nova abordagem de prompting chamada Active-Prompt para adaptar LLMs a diferentes prompts de exemplo específicos da tarefa ( anotado com raciocínio CoT projetado por humanos).
|
||
|
|
|
||
|
|
Abaixo está uma ilustração da abordagem. A primeira etapa é consultar o LLM com ou sem alguns exemplos de CoT. *k* respostas possíveis são geradas para um conjunto de perguntas de treinamento. Uma métrica de incerteza é calculada com base nas respostas *k* (discordância usada). As questões mais incertas são selecionadas para anotação por humanos. Os novos exemplares anotados são então usados para inferir cada pergunta.
|
||
|
|
|
||
|
|
<Screenshot src={ACTIVE} alt="ACTIVE" />
|
||
|
|
Fonte da imagem: [Diao et al., (2023)](https://arxiv.org/pdf/2302.12246.pdf)
|