Na tomto obrázku je ilustrován způsob, jakým se umělá inteligence učí specifické úkoly, jako je psaní textu o kavárnách Starbuks.  Představte si, že máte velmi chytrého robota, který už se naučil dělat spoustu věcí, ale teď chcete, aby se stal expertem na psaní o kavárnách. Učíte ho, dáváte mu spoustu příkladů a on se zPřečtěte si více o Prefix Tuning (Ladění předpon)[…]

Představte si to jako poskytnutí modelu „cestovní mapy“ myšlenek nebo kontextu, který ho vede k požadované odpovědi. Tato technika je obzvláště užitečná pro složitější úkoly, které vyžadují hlubší porozumění kontextu nebo pro úkoly, které vyžadují, aby model generoval odpovědi, které jsou konzistentní s předchozími informacemi nebo kontextem. Pokud chcete, aby model napsal pokračování příběhu, můžetePřečtěte si více o Chain-of-thought (Řetězec úvah)[…]

Tato technika je založena na principu poskytnutí modelu několika příkladů úkolu, který má vykonat, než mu poskytnete skutečný úkol. Tímto způsobem model „učí“ na základě těchto příkladů, jak vykonat úkol. Představte si to jako učení pomocí příkladů. Například, pokud chcete, aby dítě pochopilo, jak se počítá, nejdříve mu ukážete několik příkladů, jak se sčítá aPřečtěte si více o Few-shot learning (Učení z příkladů)[…]

Tato technika je založena na principu vytváření promptů, které jsou konzistentní v rámci sebe sama. To znamená, že všechny části promptu by měly být konzistentní a smysluplné v kontextu celého promptu. Sebekonzistence je přístup, který jednoduše položí modelu několikrát stejnou otázku a za konečnou odpověď považuje většinový výsledek. Představte si to jako psaní příběhu. KaždáPřečtěte si více o Self-consistency (Udržování soudržnosti a formy obsahu)[…]

Strom myšlenek (ToT) je nový rámec, který rozšiřuje přístup Chain-of-Thought tím, že umožňuje jazykovým modelům zkoumat souvislé jednotky textu („myšlenky“) jako mezikroky k řešení problému. ToT umožňuje LM činit promyšlená rozhodnutí, zvažovat více způsobů uvažování a samostatně vyhodnocovat volby. Umožňuje také LM nahlížet dopředu nebo se v případě potřeby vracet zpět při přijímání globálních rozhodnutí.Přečtěte si více o Tree of Thought (Strom myšlenek)[…]

Tato technika je založena na principu vytváření promptů, které modelu umožňují provádět usuzování bez potřeby přímého pozorování. Modulární paradigma ReWOO (Reasoning WithOut Observation), které odděluje proces usuzování od externích pozorování, čímž významně snižuje spotřebu tokenů. Komplexní hodnocení na šesti veřejných NLP benchmarkách a na vlastním datasetu ukazuje konzistentní zlepšení výkonu s naší navrhovanou metodologií. (ZdrojPřečtěte si více o Reasoning without Observation – ReWOO (Usuzování bez pozorování)[…]

Tato technika je založena na principu využití externích informací nebo dat k doplnění promptu a zlepšení výstupu modelu. Při tvorbě obsahu pro firemní web můžete využít informace z internetu, aby byl obsah aktuální a přitažlivý. AI model s technikou Retrieval Augmented Prompting může hledat a zapracovávat informace z různých online zdrojů. To pomáhá vytvářet přesnějšíPřečtěte si více o Retrieval Augmented Prompting (Doplnění promptu z vyhledávání)[…]

ReAct je technika založená na principu rekurzivní aplikace promptů na výstupy modelu. To znamená, že výstup generovaný modelem na základě jednoho promptu se používá jako nový prompt pro další generování výstupu. Tento proces může být opakován, aby se dosáhlo hlubšího a komplexnějšího výstupu. Představte si to jako řadu otázek a odpovědí, kde každá odpověď vedePřečtěte si více o ReAct (Rekurzivní aplikace)[…]