mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-04 12:00:10 +00:00
22 lines
1.1 KiB
Plaintext
22 lines
1.1 KiB
Plaintext
# 零样本提示
|
||
如今，经过大量数据训练并调整指令的LLM能够执行零样本任务。我们在前一节中尝试了一些零样本示例。以下是我们使用的一个示例：
|
||
|
||
*提示：*
|
||
```
|
||
将文本分类为中性、负面或正面。
|
||
|
||
文本：我认为这次假期还可以。
|
||
情感：
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
中性
|
||
```
|
||
|
||
请注意，在上面的提示中，我们没有向模型提供任何示例——这就是零样本能力的作用。
|
||
|
||
指令调整已被证明可以改善零样本学习[Wei等人（2022）](https://arxiv.org/pdf/2109.01652.pdf)。指令调整本质上是在通过指令描述的数据集上微调模型的概念。此外，[RLHF](https://arxiv.org/abs/1706.03741)（来自人类反馈的强化学习）已被采用以扩展指令调整，其中模型被调整以更好地适应人类偏好。这一最新发展推动了像ChatGPT这样的模型。我们将在接下来的章节中讨论所有这些方法和方法。
|
||
|
||
当零样本不起作用时，建议在提示中提供演示或示例，这就引出了少样本提示。在下一节中，我们将演示少样本提示。
|