Few-Shot Prompting Nedir? Örnekli ve Örneksiz (Zero-Shot)
Zero-shot yalnızca talimat verir, few-shot örnek ekler. Örneklerin çıktıyı ne zaman iyileştirdiğini, ne zaman kopyalamaya ve yanlılığa yol açtığını öğren.
Örnekler
Few-shot prompting, modelin kalıbı taklit etmesi için prompt'a bir avuç çalışılmış örnek (girdi ve istediğin çıktı) eklemektir. Bir formatı ya da etiketleme tarzını sabitlemenin en hızlı yoludur. Tuzağı, modellerin istemediğin tuhaflıklar dahil her şeyi kopyalamasıdır; bu yüzden örneklerin seçimi ve dengesi talimat kadar önemlidir.
Your app parses the model’s JSON, but sometimes the reply starts with “Sure! Here is the JSON:”. What is the most robust fix?
Bir duygu sınıflandırıcısı için 3 örneğinin hepsi “olumlu” etiketli. En olası yan etki nedir?
B. Model “olumlu” cevabına kayar Modeller örneklerdeki etiket dağılımını öğrenir. Dengesiz örnekler çıktıyı yanlı yapar; bu yüzden etiketleri karıştır ve sınırda bir örnek ekle.
Zero-shot yalnızca bir talimat verir. Few-shot görevin birkaç girdi-çıktı örneğini ekler. Örnekler, format ya da değerlendirme sözcüklerle anlatması zor olduğunda en çok işe yarar.
Genellikle iki ile beş arası, iyi seçilmiş ve çeşitli örnek. Daha fazla örnek token harcar ve modelin yüzeysel ayrıntıları fazla kopyalamasına yol açabilir.
Zero-shot yalnızca talimat verir, few-shot örnek ekler. Örneklerin çıktıyı ne zaman iyileştirdiğini, ne zaman kopyalamaya ve yanlılığa yol açtığını öğren.
LLM'den geçerli JSON almak sadece nazikçe istemekle olmaz. Şema, yapılandırılmış çıktı kipleri, doğrulama ve retry kullan, sık görülen hatalardan kaçın.
Kötü yapay zeka çıktılarının çoğuna yol açan prompt hataları: eksik bağlam, çelişen kurallar, test edilmemiş değişiklikler. Her biri somut bir çözümle.
Gerçek prompt kararları üzerine kısa quizler ve her cevap için açıklama. iPhone ve Android'de ücretsiz başla.