页面加载中
通过提供示例来引导AI，掌握零样本到少样本的进阶技巧
虽然大型语言模型展示了惊人的零样本能力，但在使用零样本设置时，它们在更复杂的任务上仍然表现不佳。 少样本提示可以作为一种技术，以启用上下文学习，我们在提示中提供演示以引导模型实现更好的性能。
💡 核心思想：演示作为后续示例的条件，引导模型生成更准确的响应。
适用于简单任务，但复杂任务可能表现不佳
通过示例引导，获得更准确的结果
以下是Brown等人2020年提出的一个经典例子，展示了少样本提示在新词学习任务中的应用：
示例提供：
"whatpu"是坦桑尼亚的一种小型毛茸茸的动物。一个使用whatpu这个词的句子的例子是：
我们在非洲旅行时看到了这些非常可爱的whatpus。
任务提示：
"farduddle"是指快速跳上跳下。一个使用farduddle这个词的句子的例子是：
模型输出：
当我们赢得比赛时，我们都开始庆祝跳跃。
通过提供一个示例（1-shot），模型学会了如何在新的上下文中使用未知词汇。
根据Min等人（2022）的研究结果，以下是在进行少样本学习时关于演示/范例的一些重要发现：
即使标签被随机化，保持格式的一致性仍然能帮助模型产生正确的输出：
输出：Negative（仍然是正确的！）
输出：Negative（新模型对格式变化更加稳健）
标准的少样本提示对许多任务都有效，但仍然不是一种完美的技术，特别是在处理更复杂的推理任务时。
即使提供多个示例，模型在复杂推理任务上仍可能失败