倒霉的牙蛀虫

“我是一只小牙虫,小呀小牙虫。”我终于问世了,我为什么会问世呢?那得感谢我的小恩人呀!天天吃糖不刷牙,真是太好了,我一定会好好“报答”他的。

  “兄弟们,GO,GO,GO,吃饭去!”我叫道。我们冲进了牙的身体里,左手叉子,右手斧子,右手一斧头,左手一叉子,就往牙上塞,不一会儿就 把牙的身上钻了那么大一个洞。那颗倒霉的牙是大呼小叫,在自己身上乱敲乱打,想把我们打死,不仅没把我们打死,还使自己更疼,把小主人都疼的上蹿下跳。他 赶紧刷牙,我们迅速往牙洞里钻,可惜还是有几位同志失去了生命。我们也不敢猖狂了,全都回家睡觉去了。刚到了第二天,我就被一阵糖的香味唤醒了,原来小主 人又在偷吃糖了。真是江山易改本性难移呀!昨天牙疼刚好了点,又偷吃。正好满足了我们,我把兄弟们叫起来,都跑到舌头上去抢糖,然后送到了铁匠铺,为我们 量身订做了糖衣铠甲。有了糖衣铠甲,我们再也不怕牙刷牙膏了。冲上去,大肆地啃噬着牙。小主人又开始刷牙,没用了。哈哈!他疼得是……是……反正无法用词 语形容了。他赶紧去看牙医。我不知道什么是牙医,只觉得糖衣铠甲是无敌的。谁知,牙医有更厉害的破甲术,一会儿就把我们的铠甲弄光了。小主人一漱口,我们 就全卸甲归田了。

  现在我在臭水沟里,活下去的日子没有多久了,但我依然很骄傲,因为是我帮小主人改掉吃糖的坏习惯,而且天天刷牙,他还得谢谢我呢!哈哈哈哈……

转载于:https://www.cnblogs.com/ziyaboke/p/4113090.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值