【极速版 -- 大模型入门到进阶】除了 Prompting, 大模型还能如何被应用？

大模型应用 – Generative AI Projects

🌊 大模型应用的时效优势

🌊 大模型应用的方式 - Technology Options

• 应用方式一 🐟 Prompting：最简单快速 （训练不了模型就训练我自己😎哈哈哈，详见 ChatGPT 使用：人类向 chatgpt 靠近）

  

  • 动手试试情感判断任务吧 👉 Prompting an LLM in code 在线尝试指路

    • 输入给大模型的提示词：“Classify the following review as having either a positive or negative sentiment:
      The banana pudding was really tasty!”
    • 大模型输出的结果：“Positive sentiment”

    import openai
    import os
    
    
    # 本地运行的话，需要替换自己的 key
    openai.api_key = os.getenv("OPENAI_API_KEY")
    
    def llm_response(prompt):
        response = openai.ChatCompletion.create(
            model='gpt-3.5-turbo',
            messages=[{'role':'user','content':prompt}],
            temperature=0
        )
        return response.choices[0].message['content']
    
    prompt = '''
        Classify the following review 
        as having either a positive or
        negative sentiment:
    
        The banana pudding was really tasty!
    '''
    response = llm_response(prompt)
    print(response)  # 会得到结果：Positive sentiment
    

  • Tips: 可以通过 call 外部程序，辅助大模型完成特定任务：例如可以通过调用外部计算器程序来辅助大模型进行精确计算

    

• 应用方式二🐟 Retrieval augmented generation (RAG)：外部数据 📂 赋能大模型

  
  • 具体步骤如下：
    1. 【查阅提供的文件 📂】Given question, search relevant documents for answer
    2. 【融合文件 📂 中找到的有关信息更新 prompt】Incorporate retrieved text into an updated prompt
    3. 【根据新 prompt 生成答案】Generate answer from the new prompt with additional context

• 应用方式三🐟 Fine-tune models：调整大模型适配目标任务

  

  • To carry out a task that isn’t easy to define in a prompt or to help LLM gain specific knowledge.

  • 例如下面的例子，通过 fine-tuning 使得大模型输出乐观风格的回答

    

  • 也可以通过引入 Reinforcement learning from human feedback (RLHF) 的方式来微调

    Step 1: Train an answer quality (reward) model
    

    
    Step 2: Further train LLM to generate more responses that get high scores.

---

参考资料：面向每个人的生成式AI