Ảnh hưởng trả lời của mô hình với học trong bối cảnh
Cho tới điểm này, chúng ta đã khám phá năng lực của GPT-3.5 sử dụng các prompt cơ bản như phương tiện ban dầu để
ảnh hưởng hành vi của nó. Chúng ta sẽ không dừng làm việc với prompt, nhưng chúng ta sẽ thử một cách mới để ảnh
hưởng đầu ra nó sinh ra: bằng cách cung cấp các ví dụ về chúng ta muốn các kết quả đó là như thế nào.
Phụ thuộc vào số ví dụ cung cấp, kĩ thuật được biết đến theo các tên khác nhau:
+ Zero-Shot: Chúng ta không cung cấp model bất cứ ví dụ nào. Cái này dựa vào hoàn toàn vào kiến thức
hiện có trước của model hiểu về ngôn ngữ và các lệnh prompt.
+ One-Shot: Chúng ta cung cấp một ví dụ đơn về một câu hỏi và trả lời lí tưởng của nó. Cái này cung
cấp model một cái huých nhẹ theo đúng hướng, minh họa hình thức và dạng của trả lời chúng ta đang tìm
kiếm cho.
+ Few-Shots: Chúng ta cung cấp cho model một vài ví dụ (thường là nhỏ hơn 6). Cái này cung cấp một
hướng dẫn sâu hơn, thể hiện các sắc thái khác nhau và các trả lời tiềm tàng với cùng các câu hỏi.
Các ví dụ chúng ta sẽ cung cấp tới model chứa các cặp câu hỏi và trả lời. Trong thực hành, vì chúng
ta sẽ truyền các mẫu tại cuối prompt tới model, nó có thể biên dịch chúng như các trả lời nó đã
khởi tạo trước.
Khi model đang học từ các ví dụ này, cái rất là tương tự với cái gì chúng ta sẽ sử dụng trong một tập
dữ liệu cho tinh chỉnh model, kĩ thuật này cũng được biết đến như là học trong bối cảnh. Model học
online bằng cách nghiên cứu cái gì nó tin là các trả lời của bản thân nó.