როგორ მუშაობს მოთხოვნების შექმნა

იმის გამო, თუ როგორ იწვრთნება OpenAI-ის მოდელები, არსებობს მოთხოვნების კონკრეტული ფორმატები, რომლებიც განსაკუთრებით კარგად მუშაობს და მოდელის უფრო სასარგებლო შედეგებს იძლევა. OpenAI-ის მოთხოვნების შექმნის ოფიციალური სახელმძღვანელო, როგორც წესი, საუკეთესო საწყისი წერტილია მოთხოვნებთან დაკავშირებული რჩევებისთვის.

ქვემოთ წარმოგიდგენთ რამდენიმე მოთხოვნის ფორმატს, რომლებიც, ჩვენი აზრით, კარგად მუშაობს, თუმცა თავისუფლად სცადეთ სხვა ფორმატებიც, რომლებიც შეიძლება თქვენს ამოცანას უკეთ მოერგოს.

პრაქტიკული წესები და მაგალითები

შენიშვნა: „{text input here}“ არის რეალური ტექსტის/კონტექსტის ჩანაცვლების ადგილი

1. გამოიყენეთ უახლესი მოდელი

საუკეთესო შედეგებისთვის, ზოგადად, უახლესი და ყველაზე ძლიერი მოდელების გამოყენებას გირჩევთ. ახალი მოდელებისთვის მოთხოვნების შექმნა, როგორც წესი, უფრო ადვილია.


შენიშვნა: მსჯელობის მოდელისთვის მოთხოვნის შედგენასა და GPT მოდელისთვის მოთხოვნის შედგენას შორის რამდენიმე განსხვავებაა გასათვალისწინებელი. დამატებითი დეტალები აქ.

2. ინსტრუქციები მოათავსეთ მოთხოვნის დასაწყისში და გამოიყენეთ ### ან """ ინსტრუქციისა და კონტექსტის გასაყოფად

ნაკლებად ეფექტური ❌:

უკეთესი ✅:

3. იყავით მაქსიმალურად კონკრეტული, აღწერითი და დეტალური სასურველი კონტექსტის, შედეგის, სიგრძის, ფორმატის, სტილის და ა.შ. შესახებ

იყავით კონკრეტული კონტექსტის, შედეგის, სიგრძის, ფორმატის, სტილის და ა.შ. შესახებ

ნაკლებად ეფექტური ❌:

უკეთესი ✅:

4. სასურველი შედეგის ფორმატი მაგალითებით ჩამოაყალიბეთ

ნაკლებად ეფექტური ❌:

აჩვენეთ და აუხსენით — მოდელები უკეთ რეაგირებენ, როცა მათ კონკრეტული ფორმატის მოთხოვნებს აჩვენებთ. ეს ასევე აადვილებს რამდენიმე შედეგის პროგრამულად და საიმედოდ გარჩევას.

უკეთესი ✅:

5. დაიწყეთ ნულოვანი მცდელობა/სწავლებით, შემდეგ Few-shot სწავლებით; თუ არცერთმა არ იმუშავა, გამოიყენეთ fine-tune

✅ ნულოვანი მცდელობა/სწავლება

✅ Few-shot სწავლება — მიაწოდეთ რამდენიმე მაგალითი

✅Fine-tune: fine-tune-ის საუკეთესო პრაქტიკები იხილეთ აქ.

6. შეამცირეთ „ზედმეტად ზოგადი“ და არაზუსტი აღწერები

ნაკლებად ეფექტური ❌:

უკეთესი ✅:

7. იმის ნაცვლად, რომ მხოლოდ თქვათ, რა არ უნდა გაკეთდეს, თქვით, რა უნდა გაკეთდეს ამის ნაცვლად

ნაკლებად ეფექტური ❌:

უკეთესი ✅:

8. კოდის გენერაციისთვის სპეციფიკური — გამოიყენეთ „საწყისი სიტყვები“, რათა მოდელს კონკრეტული შაბლონისკენ უბიძგოთ

ნაკლებად ეფექტური ❌:

ქვემოთ მოცემულ კოდის მაგალითში „import“-ის დამატება მოდელს მიანიშნებს, რომ Python-ზე წერა უნდა დაიწყოს. (მსგავსად, „SELECT“ კარგი მინიშნებაა SQL განცხადების დასაწყისისთვის.)

უკეთესი ✅:

9. გამოიყენეთ ფუნქცია „ნებისმიერის გენერირება“

დეველოპერებს შეუძლიათ გამოიყენონ ფუნქცია „ნებისმიერის გენერირება“, რათა აღწერონ ამოცანა ან მოსალოდნელი ბუნებრივი ენის შედეგი და მიიღონ მორგებული მოთხოვნა.


გაიგეთ მეტი ფუნქციის „ნებისმიერის გენერირება“ გამოყენების შესახებ.

პარამეტრები

ზოგადად, ვხედავთ, რომ `model` და `temperature` ყველაზე ხშირად გამოყენებული პარამეტრებია მოდელის შედეგის შესაცვლელად.

1. `model` - უფრო მაღალი წარმადობის მოდელები, როგორც წესი, უფრო ძვირია და შეიძლება უფრო მაღალი დაყოვნება ჰქონდეს.

2. `temperature` - საზომი იმისა, რამდენად ხშირად გამოიტანს მოდელი ნაკლებად სავარაუდო token-ს. რაც უფრო მაღალია temperature, მით უფრო შემთხვევითია (და, როგორც წესი, შემოქმედებითი) შედეგი. თუმცა, ეს იგივე არ არის, რაც „სიმართლე“. ფაქტებზე დაფუძნებული გამოყენების უმეტეს შემთხვევაში, როგორიცაა მონაცემთა ამოღება და ზუსტი კითხვა-პასუხი, საუკეთესოა temperature 0.

3. `max_completion_tokens` (მაქსიმალური სიგრძე) - არ აკონტროლებს შედეგის სიგრძეს, არამედ ადგენს token-ების გენერაციის მკაცრ შეწყვეტის ზღვარს. იდეალურ შემთხვევაში, ამ ზღვარს ხშირად არ მიაღწევთ, რადგან თქვენი მოდელი შეჩერდება ან მაშინ, როცა ჩათვლის, რომ დაასრულა, ან მაშინ, როცა თქვენ მიერ განსაზღვრულ stop sequence-ს მიაღწევს.

4. `stop` (stop sequences) - სიმბოლოების (token-ების) ნაკრები, რომლის გენერირებაც ტექსტის გენერაციის შეჩერებას გამოიწვევს.

სხვა პარამეტრების აღწერებისთვის იხილეთ API-ს ცნობარი.