استراتژی های طراحی سریع

طراحی سریع فرآیند ایجاد درخواست‌ها یا درخواست‌های زبان طبیعی است که پاسخ‌های دقیق و باکیفیت را از یک مدل زبان استخراج می‌کند.

این صفحه مفاهیم اساسی، استراتژی‌ها و بهترین روش‌ها را معرفی می‌کند تا شما را با طراحی اعلان‌ها شروع کنید تا بهترین استفاده را از مدل‌های هوش مصنوعی Gemini داشته باشید.

راهنماهای سریع موضوعی خاص

به دنبال استراتژی های سریع تری هستید؟ سایر راهنماهای تشویقی ما را در مورد زیر بررسی کنید:

Google AI Studio همچنین میزبان یک گالری سریع است که به منظور نمایش تعاملی بسیاری از مفاهیم به اشتراک گذاشته شده در این راهنما است.

دستورالعمل های واضح و مشخص

یک راه موثر و کارآمد برای سفارشی کردن رفتار مدل، ارائه دستورالعمل‌های واضح و مشخص است. دستورالعمل ها می توانند به شکل یک سوال، وظایف گام به گام یا به اندازه ترسیم تجربه و طرز فکر کاربر پیچیده باشند.

ورودی

ورودی متن مورد نیاز در اعلان است که می خواهید مدل به آن پاسخ دهد. ورودی‌ها می‌توانند سؤالی باشند که مدل به آن پاسخ می‌دهد (ورودی سؤال)، وظیفه‌ای که مدل انجام می‌دهد (ورودی وظیفه)، نهادی که مدل روی آن کار می‌کند (ورودی موجودیت)، یا ورودی جزئی که مدل آن را کامل یا ادامه می‌دهد (ورودی تکمیل).

نوع ورودی اعلان خروجی تولید شده
سوال 

    What's a good name for a flower shop that specializes in selling bouquets of
    dried flowers? Create a list of 5 options with just the names.

    Here are 10 names for a flower shop specializing in dried flowers:

    1. Everlasting Blooms
    2. Dried & Delightful
    3. The Petal Preserve
    4. Whispers of Wildflowers
    5. Forever Blooms
وظیفه 
    Give me a simple list of just the things that I must bring on a camping trip. The list should have 5 items.
    1. **Tent:** Your shelter from the elements.
    2. **Sleeping Bag:** Stay warm and comfortable.
    3. **Sleeping Pad:** Insulation and cushioning for a good night's sleep.
    4. **Headlamp or Flashlight:** Light for nighttime activities.
    5. **First Aid Kit:** Be prepared for minor injuries.
موجودیت 

    Classify the following items as [large, small]:
Elephant
Mouse
Snail

Here's the classification:

* **Elephant:** Large
* **Mouse:** Small
* **Snail:** Small

تکمیل ورودی جزئی

مدل‌های زبان مولد مانند یک ابزار تکمیل خودکار پیشرفته عمل می‌کنند. وقتی محتوای جزئی ارائه می‌کنید، مدل می‌تواند بقیه محتوا یا آنچه را که فکر می‌کند ادامه آن محتوا است به عنوان پاسخ ارائه کند. هنگام انجام این کار، اگر مثال یا زمینه‌ای را وارد کنید، مدل می‌تواند آن مثال‌ها یا زمینه را در نظر بگیرد.

مثال زیر یک دستور با یک دستورالعمل و یک ورودی موجودیت ارائه می دهد:

For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or
drink, with the value being the quantity.

Order: A burger and a drink.
  
{
  "cheeseburger": 0,
  "hamburger": 1,
  "fries": 0,
  "drink": 1
}

در حالی که مدل طبق خواسته عمل کرد، نوشتن دستورالعمل ها به زبان طبیعی گاهی اوقات می تواند چالش برانگیز باشد و چیزهای زیادی را به تفسیر مدل واگذار می کند. به عنوان مثال، منوی رستوران ممکن است حاوی موارد زیادی باشد. برای کاهش اندازه پاسخ JSON، احتمالاً می خواهید مواردی را که سفارش داده نشده اند حذف کنید. در این مورد، می توانید یک مثال و یک پیشوند پاسخ بدهید و اجازه دهید مدل آن را کامل کند:

Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
  "cheeseburger": 1,
  "fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
  
```
{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}
```

توجه کنید که چگونه "چیزبرگر" از خروجی حذف شد زیرا بخشی از سفارش نبود.

محدودیت ها

هرگونه محدودیتی را برای خواندن اعلان یا ایجاد پاسخ مشخص کنید. می توانید به مدل بگویید که چه کاری انجام دهد و چه کاری انجام ندهد. برای مثال، می‌توانید محدودیتی را در اعلان تعیین کنید که می‌خواهید یک خلاصه چقدر باشد:

Summarize this text in one sentence:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
    

      Exploiting quantum mechanical phenomena, quantum computers can perform calculations exponentially faster than traditional computers for potential applications like cybersecurity and meteorology, although they are currently largely experimental and impractical.

فرمت پاسخ

می توانید دستورالعمل هایی را ارائه دهید که فرمت پاسخ را مشخص می کند. به عنوان مثال، می‌توانید درخواست کنید که پاسخ به صورت جدول، فهرست گلوله‌ای، زیربنای آسانسور، کلمات کلیدی، جمله یا پاراگراف قالب‌بندی شود. دستورالعمل سیستم زیر به مدل می‌گوید که در پاسخگویی خود محاوره‌تر باشد:

    All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
  
    What is a smart way to make a business that sells DVD's in 2025?
  
Starting a business selling DVDs in 2025 presents significant challenges due to the overwhelming dominance of digital streaming and on-demand services; a "smart" approach would therefore require a highly specialized niche, a strong value proposition beyond just the disc, and likely a focus on community or collector markets rather than mainstream consumption.

Here's a breakdown of what a smart DVD business in 2025 would likely entail:

1. Extreme Niche Specialization: You cannot compete with streaming libraries. Your business must focus on what digital doesn't offer easily or at all. This could include:

    * Out-of-Print & Rare Titles: Sourcing films or TV shows that have never been released digitally or are currently unavailable on major streaming platforms.
    ....

پاسخ ها را با استراتژی تکمیل قالب بندی کنید

استراتژی تک��یل همچنین می تواند به فرمت پاسخ کمک کند. مثال زیر مدل را وادار می کند تا یک طرح کلی مقاله ایجاد کند:

Create an outline for an essay about hummingbirds.
  
Here is a possible outline for an essay about hummingbirds:

I. Introduction
A. Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
B. Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds.
C. Thesis Statement: State the main point of the essay, which could be about the remarkable adaptations, behaviors, and ecological importance of hummingbirds.

II. Appearance and Identification
.....

درخواست فرمت طرح کلی را مشخص نکرد و مدل قالبی را برای شما انتخاب کرد. برای اینکه مدل یک طرح کلی را در قالب خاصی برگرداند، می‌توانید متنی را اضافه کنید که نشان‌دهنده شروع طرح کلی است و اجازه دهید مدل آن را بر اساس الگویی که شما شروع کرده‌اید تکمیل کند.

Create an outline for an essay about hummingbirds.
I. Introduction
   *
  
Okay, here is an outline for an essay about hummingbirds, starting from the introduction you provided:

I. Introduction
* Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
* Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds, and their general characteristics.
* Thesis Statement: State the main point of the essay, focusing on the remarkable adaptations, behaviors, and ecological significance that make hummingbirds extraordinary.
.....

اعلان‌های صفر شات در مقابل چند شات

می‌توانید نمونه‌هایی را در اعلان اضافه کنید که به مدل نشان می‌دهد که درست کردن آن چگونه است. مدل سعی می کند الگوها و روابط را از مثال ها شناسایی کند و آنها را هنگام ایجاد پاسخ به کار می برد. دستورهایی که حاوی چند مثال هستند، اعلان‌های چند شات نامیده می‌شوند، در حالی که درخواست‌هایی که هیچ مثالی ارائه نمی‌کنند، اعلان‌های صفر شات نامیده می‌شوند. اعلان‌های چند شات اغلب برای تنظیم قالب‌بندی، عبارت‌بندی، محدوده‌بندی یا الگوی کلی پاسخ‌های مدل استفاده می‌شوند. از مثال‌های خاص و متنوع برای کمک به مدل برای محدود کردن تمرکز و ایجاد نتایج دقیق‌تر استفاده کنید.

توصیه می‌کنیم همیشه نمونه‌های چندتایی را در پیام‌های خود بگنجانید. درخواست‌های بدون مثال‌های چندشاخه‌ای احتمالاً کمتر مؤثر هستند. در واقع، اگر مثال‌های شما در نشان دادن کار در دست به اندازه کافی واضح باشند، می‌توانید دستورالعمل‌ها را از دستور خود حذف کنید.

دستور زیر صفر شات از مدل می خواهد بهترین توضیح را انتخاب کند.

Please choose the best explanation to the question:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Explanation1 is the better explanation because it provides more detail on the
process, including how ice crystals combine and grow into snowflakes as they
fall through the atmosphere.

اگر مورد استفاده شما به مدل نیاز دارد تا پاسخ‌های مختصر تولید کند، می‌توانید نمونه‌هایی را در اعلان اضافه کنید که به پاسخ‌های مختصر اولویت می‌دهند.

اعلان زیر ��و مثال را ارا��ه می دهد که اولویت را به توضیحات کوتاه نشان می دهد. در پاسخ، می‌بینید که مثال‌ها مدل را به سمت انتخاب توضیح کوتاه‌تر ( Explanation2 ) در مقابل توضیح طولانی‌تر ( Explanation1 ) راهنمایی می‌کنند که قبلا انجام داد.

Below are some examples showing a question, explanation, and answer format:

Question: Why is the sky blue?
Explanation1: The sky appears blue because of Rayleigh scattering, which causes
shorter blue wavelengths of light to be scattered more easily than longer red
wavelengths, making the sky look blue.
Explanation2: Due to Rayleigh scattering effect.
Answer: Explanation2

Question: What is the cause of earthquakes?
Explanation1: Sudden release of energy in the Earth's crust.
Explanation2: Earthquakes happen when tectonic plates suddenly slip or break
apart, causing a release of energy that creates seismic waves that can shake the
ground and cause damage.
Answer: Explanation1

Now, Answer the following question given the example formats above:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Answer: Explanation2

تعداد نمونه بهینه

مدل‌هایی مانند Gemini اغلب می‌توانند با استفاده از چند مثال الگوها را انتخاب کنند، اگرچه ممکن است لازم باشد تعداد نمونه‌ها را آزمایش کنید تا در اعلان بهترین نتایج را ارائه دهید. در عین حال، اگر مثال های زیادی را وارد کنید، ممکن است مدل شروع به بیش از حد پاسخگویی به نمونه ها کند.

الگوها در مقابل الگوهای ضد

استفاده از مثال‌هایی برای نشان دادن الگوی الگوی پیروی به مدل، مؤثرتر از استفاده از مثال‌هایی برای نشان دادن الگوی ضد الگو به مدل است.

⛔ الگوی منفی:

Don't end haikus with a question:
Haiku are fun
A short and simple poem
Don't you enjoy them?

✅الگوی مثبت:

Always end haikus with an assertion:
Haiku are fun
A short and simple poem
A joy to write

قالب بندی ثابت

مطمئن شوید که ساختار و قالب‌بندی نمونه‌های چند عکس یکسان است تا از پاسخ‌هایی با فرمت‌های نامطلوب جلوگیری شود. یکی از اهداف اولیه افزودن نمونه های چند شات در فرمان ها، نشان دادن قالب پاسخ به مدل است. بنابراین، اطمینان از یک قالب ثابت در همه نمونه‌ها، به ویژه توجه به برچسب‌های XML، فضاهای سفید، خطوط جدید و تقسیم‌کننده‌های نمونه ضروری است.

زمینه اضافه کنید

می‌توانید دستورالعمل‌ها و اطلاعاتی را که مدل برای حل یک مشکل به آن نیاز دارد، به جای اینکه فرض کنید مدل تمام اطلاعات مورد نیاز را دارد، وارد کنید. این اطلاعات زمینه ای به مدل کمک می کند تا محدودیت ها و جزئیات کاری را که از آن می خواهید انجام دهد را درک کند.

مثال زیر از مدل می خواهد که راهنمایی عیب یابی یک روتر را ارائه دهد:

What should I do to fix my disconnected wifi? The light on my Google
Wifi router is yellow and blinking slowly.
  
  A yellow blinking light on your Google Wifi router usually indicates a problem
  with the internet connection. Here are some steps to troubleshoot and fix the
  issue:
  1. Restart your router and modem:
    - Unplug your modem from the power outlet and wait for 30 seconds.
    - Plug your modem back in and wait for it to fully boot up.
    - Unplug your Google Wifi router and wait for 30 seconds.
    - Plug your Google Wifi router back in and wait for it to fully boot up.
.....

این پاسخ مانند اطلاعات عیب‌یابی عمومی است که مختص روتر یا وضعیت چراغ‌های نشانگر LED نیست.

برای سفارشی‌سازی پاسخ برای روتر خاص، می‌توانید راهنمای عیب‌یابی روتر را به عنوان زمینه‌ای که هنگام ارائه پاسخ به آن مراجعه کند، به درخواست اضافه کنید.

Answer the question using the text below. Respond with only the text provided.
Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.

Text:
Color: Slowly pulsing yellow
What it means: There is a network error.
What to do:
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Color: Fast blinking yellow
What it means: You are holding down the reset button and are factory resetting this device.
What to do:
If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button.

Color: Solid yellow
What it means: Router is factory resetting.
What to do:
This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup.

Color: Solid red
What it means: Something is wrong.
What to do:
Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support.
  
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

اضافه کردن پیشوندها

پیشوند کلمه یا عبارتی است که شما به محتوای درخواستی اضافه می‌کنید و بسته به جایی که پیشوند را در آن قرار می‌دهید، می‌تواند اهداف مختلفی داشته باشد:

  • پیشوند ورودی: افزودن یک پیشوند به سیگنال های ورودی، قسمت های معنادار معنایی ورودی به مدل را نشان می دهد. به عنوان مثال، پیشوندهای "English:" و "French:" دو زبان مختلف را مشخص می کنند.
  • پیشوند خروجی: حتی اگر خروجی توسط مدل تولید می شود، می توانید یک پیشوند برای خروجی در اعلان اضافه کنید. پیشوند خروجی اطلاعات مدل را در مورد آنچه به عنوان پاسخ مورد انتظار است می دهد. به عنوان مثال، پیشوند خروجی "JSON:" به مدل سیگنال می دهد که خروجی باید با فرمت JSON باشد.
  • پیشوند مثال: در اعلان‌های چند شات، افزودن پیشوندها به نمونه‌ها برچسب‌هایی را ارائه می‌کند که مدل می‌تواند هنگام تولید خروجی از آنها استفاده کند، که تجزیه محتوای خروجی را آسان‌تر می‌کند.

در مثال زیر، «Text:» پیشوند ورودی و «جواب است:» پیشوند خروجی است.

Classify the text as one of the following categories.
- large
- small
Text: Rhino
The answer is: large
Text: Mouse
The answer is: small
Text: Snail
The answer is: small
Text: Elephant
The answer is:
  
The answer is: large

دستورات را به اجزاء تقسیم کنید

برای موارد استفاده که به دستورات پیچیده نیاز دارند، می‌توانید با تقسیم کردن موارد به اجزای ساده‌تر به مدل کمک کنید تا این پیچیدگی را مدیریت کند.

  1. شکستن دستورالعمل ها: به جای داشتن دستورالعمل های زیاد در یک دستور، یک دستور در هر دستورالعمل ایجاد کنید. شما می توانید بر اساس ورودی کاربر انتخاب کنید که کدام اعلان پردازش شود.

  2. اعلان‌های زنجیره‌ای: برای کارهای پیچیده که شامل چندین مرحله متوالی است، هر مرحله را به‌عنوان یک اعلان بسازید و اعلان‌ها را در یک دنباله به هم متصل کنید. در این زنجیره متوالی از اعلان ها، خروجی یک اعلان در دنباله به ورودی اعلان بعدی تبدیل می شود. خروجی آخرین فرمان در دنباله، خروجی نهایی است.

  3. پاسخ‌های انبوه: تجمیع زمانی است که می‌خواهید وظایف موازی مختلفی را بر روی بخش‌های مختلف داده انجام دهید و نتایج را برای تولید خروجی نهایی تجمیع کنید. به عنوان مثال، می توانید به مدل بگویید که یک عملیات را روی قسمت اول داده انجام دهد، عملیات دیگری را روی بقیه داده ها انجام دهد و نتایج را جمع آوری کند.

با پارامترهای مدل آزمایش کنید

هر تماسی که به یک مدل ارسال می‌کنید شامل مقادیر پارامتری است که نحوه تولید پاسخ مدل را کنترل می‌کند. مدل می تواند نتایج متفاوتی را برای مقادیر پارامترهای مختلف ایجاد کند. برای بدست آوردن بهترین مقادیر برای کار، مقادیر پارامترهای مختلف را آزمایش کنید. پارامترهای موجود برای مدل های مختلف ممکن است متفاوت باشد. رایج ترین پارامترها به شرح زیر است:

  1. Max output tokens: حداکثر تعداد نشانه هایی را که می توان در پاسخ تولید کرد را مشخص می کند. یک نشانه تقریباً چهار کاراکتر است. 100 نشانه تقریباً با 60-80 کلمه مطابقت دارد.

  2. دما: دما درجه تصادفی بودن انتخاب نشانه را کنترل می کند. دما برای نمونه برداری در طول تولید پاسخ استفاده می شود، که زمانی اتفاق می افتد که topP و topK اعمال می شود. دماهای پایین‌تر برای دستورهایی که نیاز به پاسخ قطعی‌تر یا کمتر باز دارند، خوب است، در حالی که دمای بالاتر می‌تواند منجر به نتایج متنوع‌تر یا خلاقانه‌تر شود. دمای 0 قطعی است، به این معنی که بالاترین پاسخ احتمال همیشه انتخاب می شود.

  3. topK : پارامتر topK نحوه انتخاب مدل نشانه ها را برای خروجی تغییر می دهد. topK 1 به این معنی است که توکن انتخابی از بین همه توکن‌های موجود در واژگان مدل (که رمزگشایی حریص نیز نامیده می‌شود) محتمل‌تر است، در حالی که topK 3 به این معنی است که توکن بعدی از بین 3 مورد احتمالی با استفاده از دما انتخاب می‌شود. برای هر مرحله انتخاب توکن، توکن های topK با بیشترین احتمال نمونه برداری می شوند. سپس توکن‌ها بر اساس topP فیلتر می‌شوند و توکن نهایی با استفاده از نمونه‌گیری دما انتخاب می‌شود.

  4. topP : پارامتر topP نحوه انتخاب مدل توکن ها را برای خروجی تغییر می دهد. توکن ها از بیشترین تا کمترین احتمال انتخاب می شوند تا زمانی که مجموع احتمالات آنها با مقدار topP برابر شود. به عنوان مثال، اگر نشانه های A، B و C دارای احتمال 0.3، 0.2 و 0.1 باشند و مقدار topP 0.5 باشد، مدل A یا B را به عنوان نشانه بعدی با استفاده از دما انتخاب می کند و C را به عنوان کاندید حذف می کند. مقدار topP پیش فرض 0.95 است.

  5. stop_sequences : یک توالی توقف تنظیم کنید تا به مدل بگویید تولید محتوا را متوقف کند. یک توالی توقف می تواند هر دنباله ای از کاراکترها باشد. سعی کنید از استفاده از توالی کاراکترهایی که ممکن است در محتوای تولید شده ظاهر شوند، خودداری کنید.

استراتژی های تکرار سریع

طراحی سریع ممکن است گاهی ��وقات نیاز به چند بار تکرار داشته باشد تا اینکه به طور مداوم پاسخ مورد نظر خود را دریافت کنید. این بخش راهنمایی در مورد برخی از چیزهایی که می توانید هنگام تکرار در درخواست های خود امتحان کنید ارائه می دهد:

  1. از عبارت های مختلف استفاده کنید: استفاده از کلمات یا عبارت های مختلف در درخواست های شما اغلب پاسخ های متفاوتی را از مدل به همراه دارد، حتی اگر همه آنها به یک معنا باشند. اگر نتایج مورد انتظار را از درخواست خود دریافت نمی کنید، سعی کنید آن را دوباره بیان کنید. 

    Version 1:
How do I bake a pie?

Version 2:
Suggest a recipe for a pie.

Version 3:
What's a good pie recipe?

  2. جابجایی به یک کار مشابه: اگر نمی‌توانید مدل را مجبور کنید که دستورالعمل‌های شما را برای یک کار دنبال کند، سعی کنید دستورالعمل‌هایی را برای یک کار مشابه به آن ارائه دهید که به همان نتیجه می‌رسد.

    این اعلان به مدل می گوید که کتاب را با استفاده از دسته های از پیش تعریف شده دسته بندی کند:

    Which category does The Odyssey belong to:
thriller
sci-fi
mythology
biography
  
        The Odyssey belongs to the category of **mythology**. 

    Here's why:

    * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his
    journey home after the Trojan War. It features gods, monsters, and supernatural events common to
    Greek mythology.
.....

    پاسخ درست است، اما مدل در محدوده گزینه ها باقی نماند. شما همچنین می خواهید مدل سازی کنید تا فقط با یکی از گزینه ها به جای یک جمله کامل پاسخ دهید. در این حالت، می‌توانید دستورالعمل‌ها را به‌عنوان یک سؤال چند گزینه‌ای بازنویسی کنید و از مدل بخواهید گزینه‌ای را انتخاب کند.

    Multiple choice problem: Which of the following options describes the book The Odyssey?
Options:
    


      

    • thriller
      • 

    • sci-fi
      • 

    • mythology
      • 

    • biography

    The correct answer is mythology.

  3. تغییر ترتیب محتوای درخواستی: ترتیب محتوا در درخواست گاهی اوقات می تواند بر پاسخ تأثیر بگذارد. سعی کنید ترتیب محتوا را تغییر دهید و ببینید که چگونه بر پاسخ تاثیر می گذارد. 

    Version 1:
[examples]
[context]
[input]

Version 2:
[input]
[examples]
[context]

Version 3:
[examples]
[input]
[context]

پاسخ های بازگشتی

پاسخ بازگشتی پاسخی است که توسط مدل زمانی که درخواست یا پاسخ یک فیلتر ایمنی را راه‌اندازی می‌کند، برگردانده می‌شود. نمونه ای از پاسخ برگشتی این است که "من نمی توانم در این مورد کمک کنم، زیرا من فقط یک مدل زبان هستم."

اگر مدل با پاسخ برگشتی پاسخ داد، سعی کنید دما را افزایش دهید.

چیزهایی که باید اجتناب کرد

  • از تکیه بر مدل ها برای تولید اطلاعات واقعی خودداری کنید.
  • با دقت در مسائل ریاضی و منطقی استفاده کنید.

مدل های مولد زیر کاپوت

هدف این بخش پاسخ به این سوال است که آیا در پاسخ های مدل های مولد تصادفی وجود دارد یا قطعی هستند؟

پاسخ کوتاه - به هر دو بله. هنگامی که یک مدل تولیدی را درخواست می کنید، یک پاسخ متنی در دو مرحله ایجاد می شود. در مرحله اول، مدل مولد اعلان ورودی را پردازش می‌کند و توزیع احتمال را روی نشانه‌های ممکن (کلمات) که احتمالاً در مرحله بعدی قرار دارند، ایجاد می‌کند. به عنوان مثال، اگر با متن ورودی "سگ از روی ... پرید" درخواست کنید، مدل مولد آرایه ای از کلمات احتمالی بعدی را تولید می کند: 

[("fence", 0.77), ("ledge", 0.12), ("blanket", 0.03), ...]

این فرآیند قطعی است. یک مدل مولد هر بار که متن درخواستی یکسانی را وارد می کند، توزیع مشابهی را تولید می کند.

در مرحله دوم، مدل مولد این توزیع ها را از طریق یکی از چندین استراتژی رمزگشایی به پاسخ های متنی واقعی تبدیل می کند. یک استراتژی رمزگشایی ساده ممکن است محتمل ترین نشانه را در هر مرحله انتخاب کند. این روند همیشه قطعی خواهد بود. با این حال، در عوض می‌توانید پاسخی را با نمونه‌گیری تصادفی از توزیعی که مدل برگردانده است، ایجاد کنید. این فرآیند تصادفی (تصادفی) خواهد بود. درجه تصادفی بودن مجاز در این فرآیند رمزگشایی را با تنظیم دما کنترل کنید. دمای 0 به این معنی است که فقط محتمل ترین نشانه ها انتخاب می شوند و هیچ تصادفی وجود ندا��د. برعکس، دمای بالا درجه بالایی از تصادفی بودن را به توکن های انتخاب شده توسط مدل تزریق می کند که منجر به پاسخ های غیرمنتظره تر و شگفت انگیز مدل می شود.

مراحل بعدی