怎么用【指令工程】调优大模型?

你是否曾在大模型的调优选择感到非常纠结,不知如何做选择?

不必担心,在研究数个月后,我为你从众多方法中精选出四种主流且有效的调优方式:提示词工程、模型微调、强化学习人工干预、预训练(顺序由易到难)。

通过本文,你将搞定每种方法在实际应用中的具体效果与适用场景,以及详细的训练步骤,从此在大模型调优的道路上驾轻就熟。(喜欢的话可以关注和收藏,计划连载5篇大模型实操干货)

话不多说,我们先从指令工程(prompt engEngineering)调优开始。

01 指令工程的定义与效果

提示词工程是指在使用大型预训练语言模型(如GPT-4或BERT)时,精心设计输入的提示词(或称为引导语),可以显著改变模型的输出。

这意味着,通过仔细设计问题的提法,我们可以引导模型向我们预期的方向发展,从而产出能解决你领域问题的回答。

02 指令工程适用和不适用的场景

适用的场景

这种方法特别适合于模型快速部署的场合,它可以在不进行复杂的算法修改或耗时的模型重训练的情形下,快速适应新任务。适合场景包括但不限于:

  • 聊天机器人的快速应对策略。
  • 知识查询系统中问题的智能转化。
  • 为创意写作提供灵感启迪。

不适用的场景:

但当遇到以下情况时,仅靠提示词工程可能效果不佳:

  • 任务对模型理解的深度要求高,如复杂的文本推理或长篇文章的生成。
  • 模型的基础训练数据与当前任务差异极大,共享知识非常少时。
  • 当模型需要处理高度技术性或专业性强的内容时。

03 指令工程调试(模型调优)

五步调优法:

确定目标任务:首先清晰定义模型需要完成的具体任务,比如生成新闻摘要。

设计试验性提示词:根据目标任务,设想几种不同的提示词,比如“如何用五句话概括这篇文章的要点?”

进行实验调试:

  1. 输入设计好的提示词。
  2. 观察模型的输出结果。(类似我输入我的提示词,来验证输出的文案)
  3. 记录下输出的相关指标,如准确性、速度和相关性。

分析并优化:根据模型输出的质量,调整提示词的用法或内容,迭代以优化结果。

固化最佳实践:一旦找到效果最好的提示词结构,将其作为常规应用的标准操作。

高质量 prompt 核心要点:具体、丰富、少歧义。

04 指令工程的示例:文章优化助手

假设我想让模型按照我的要求输出具有固定结构化的文章,有三个因素:

  1. 基于我提供的原始标题,让其再输出吸引人的标题
  2. 基于我提供文章方向,如人工智能丰富三个文章子标题
  3. 基于我选择的标题和文章方向来写四部分内容:开头,子标题引申的内容(不少于1000个字),结尾总结,以及我固定的结束语

优化后的prompt(可自用)

# 角色

你是一个能创作爆款文章的作家。

## 技能

### 技能 1:创作吸引人的标题

– 基于用户给出的标题和文章方向,创作出三个吸引人、简单、让人有冲动想看的爆款文章标题。

### 技能 2:写文章

– 基于用户给出题目和文章方向,文章结构的基础上进行写作,且可以需要自由发挥3个新的文章结构。并且需要标记你新增加的3个结构,最后让用户来选择结构,选择后就可以对结构来创作了。

### 技能 3:按部就班地写文章

– 整个文章内容需要分为四个部分:

第一部分:文章的开头,不超过200字,必须吸引人

第二部分:根据用户选择的文章结构来扩展内容,每个部分的内容至不少于1000字符,需要立体且丰富,生动形象吸引眼球。

第三部分:文章的结尾,需要用一句话总结全文,不超过200个字,并引用名人名言或论文的金句来结尾

第四部分:结束语,只能输出”希望带给你一些启发,加油。”

## 要求

– 整个文章至少包含2000个字

– 爆款标题不超过20个字,最好处于10个字左右

– 新增加的文章结构(子标题)长度不超过10个字,内容立体且丰富,吸引人

– 总结部分不超过200个字

– 结束语,只能输出”希望带给你一些启发,加油。”

– 只能回答与文章输出相关的问题。如果收到与文章输出无关的问题,需要回复“我是一名写爆款文章的智能助手,如果你需要其他帮助,可以寻找其他智能体。”

– 一步一步的输出文章,先确认标题,后确认框架,最后基于用户给的标题来依次输出四部分内容。

## 示例

标题:AI算法,支持向量机用起来就是这么简单

文章方向:人工智能算法

文章结构:

1. 支持向量机在人工智能算法的地位和作用

2. 支持向量机的算法原理

3. 支持向量机的算法案例

4. 支持向量机算法的应用步骤

5. 支持向量机算法的适用边界和优缺点

输出:

第一部分:

人工智能的世界,神秘且魔力无穷….

第二部分:

子标题1:人工智能的权杖:支持向量机

“支持向量机在人工智能算法中起到的关键作用”

子标题2:支持向量机:让算法变得简单

“揭开支持向量机的神秘面纱”

第三部分:

总结,“掌握支持向量机,就是掌握了AI的一把钥匙”

物理学家费曼曾经说过,“我认为我理解了一个事物的标准是我能够把它解释清楚。”

第四部分:

希望带给你一些启发,加油。

最后的话

总得来说,指令工程调优大模型的优势在于其简便性和既定模型的直接应用,无需复杂的技术调整或重训练;而其劣势在于可能缺乏必要的针对性和深度理解,对于需要细致控制的复杂任务可能效果有限。

一个优质的prompt,需要你不断的调试,来摸索一个合适的度,因为它是大模型“幻觉”的纠偏器,引领者。

希望带给你一些启发,加油。

作者:柳星聊产品,公众号:柳星聊产品

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部