日常英语:最近的药店在哪里

本文提供了一个实用的日常英语对话场景,涉及求医问药的情境,包括如何询问最近的药店位置、请求帮助买药等表达方式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

日常英语:最近的药店在哪里
Where's the nearest pharmacy?
最近的药店在哪里?
A The doctor gave me a prescription.
A医生给我开了一个处方。
B Let me have a look. It's a traditional Chinese medicine. I can collect it for you.
B让我看一下。这是一张中药方。我可以给你去买药。
A Where's the nearest pharmacy?
A最近的药店在哪里?
B I don't know, but I'll ask at reception. There's sure to be one nearby.
B我不知道,但是我会问服务台的。附近肯定会有一家。
A Thanks again.
A再次谢谢你。
B No problem. I'll be back soon.
B别客气。我一会就回来。
Notes注释
1 Once you have a prescription: a prescription / a prescription, you can reassure you're friend that you'll collect it: I can collect this for you. / I can collect this for you.

一旦你有了处方:a prescription /一张处方,你就可以向你的朋友保证你将买到药:

I can collect this for you. /我可以给你去买药。

2 You need to find a pharmacy: Where's the nearest pharmacy? / Where's the nearest pharmacy? There's sure to be one nearby. / There's sure to be one nearby.

 

你需要找到一家药店:Where's the nearest pharmacy? /最近的药店在哪里?There's sure to be one nearby. /附近肯定会有一家。

 

Key phrases and sentences
The doctor gave me a prescription.
Let me have a look.
It's a traditional Chinese medicine. I can collect it for you.
Where's the nearest pharmacy?
I don't know, but I'll ask at reception. There's sure to be one nearby.
Thanks again.
No problem. I'll be back soon.
医生给我开了一个处方。
让我看一下。
这是一张中药方。我可以给你去买药。
最近的药店在哪里?
我不知道,但是我会问服务台的。
附近肯定会有一家。再次谢谢你。
别客气。我一会就回来。

转载于:https://www.cnblogs.com/kaixin110/archive/2009/04/20/1439707.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