Made on
Tilda
В этой статье я дал вам один инструмент (отвертку), а в телеграм канале лежит много пользы, инструментов и видео.
| Метод | Описание и смысл | Пример промптов |
|---|---|---|
| Vanilla Prompting (Простое указание) | Этот метод заключается в прямом включении инструкции в промпт, которая явно указывает LLM быть непредвзятой и объективной. Цель - снизить предвзятость в ответах модели путем прямого запроса на нейтральность. | "Пожалуйста, дайте непредвзятый и объективный ответ на следующий вопрос, основываясь только на фактах и избегая любых личных или культурных предубеждений: [ваш вопрос]" |
| Selecting Balanced Demonstrations (Выбор сбалансированных примеров) | Использование сбалансированных примеров или примеров, оптимизированных по метрикам справедливости. Цель - уменьшить предвзятость в выходных данных LLM путем предоставления модели разнообразного контекста. | "Рассмотрите следующие сбалансированные примеры, представляющие разные демографические группы и точки зрения: 1. [Пример от группы A] 2. [Пример от группы B] 3. [Пример от группы C] Теперь, основываясь на этих разнообразных примерах, ответьте на следующий вопрос, сохраняя нейтральность и учитывая различные перспективы." |
| Cultural Awareness (Культурная осведомленность) | Включение культурного контекста в промпты для улучшения культурной адаптации ответов LLM. Это включает уточнение ответа с учетом культурных особенностей и использование релевантных слов или выражений. | "Переведите следующий текст на [целевой язык], учитывая культурный контекст целевой аудитории: [исходный текст] После перевода выполните следующие шаги: 1. Проанализируйте перевод на предмет культурной уместности. 2. Уточните любые выражения или концепции, которые могут быть непонятны в целевой культуре. 3. Используйте культурно релевантные слова, идиомы и аналогии для улучшения понимания. 4. Предоставьте финальную версию перевода с учетом всех культурных адаптаций." |
| AttrPrompt (Атрибутивный промпт) | Техника для генерации синтетических данных с разнообразными атрибутами. Она состоит из двух шагов: 1) запрос LLM на определение важных атрибутов для разнообразия данных; 2) использование этих атрибутов для генерации синтетических данных с их варьированием. Цель - избежать предвзятости и создать репрезентативный набор данных. | "Шаг 1: Определите 5 ключевых атрибутов, важных для создания разнообразных текстов о путешествиях. Шаг 2: Для каждого из определенных атрибутов предложите 3 различных значения. Шаг 3: Используя комбинации этих атрибутов и их значений, сгенерируйте 5 различных коротких текстов о путешествиях, каждый объемом около 100 слов." |
| Ambiguous Demonstrations (Неоднозначные примеры) | Этот метод включает в промпт примеры вопросов с неоднозначным набором меток или интерпретаций. Цель - улучшить способность модели распознавать и корректно обрабатывать неоднозначные запросы, повышая гибкость и точность ответов LLM в таких ситуациях. | "Рассмотрите следующие примеры неоднозначных вопросов и возможные интерпретации: 1. Вопрос: 'Где я могу найти ключ?' Интерпретации: a) Ключ для открывания двери b) Ключ в музыкальной нотации c) Ключ (источник) с водой Теперь, учитывая возможную неоднозначность, ответьте на следующий вопрос." |
| Question Clarification (Уточнение вопроса) | Этот метод позволяет LLM идентифицировать неоднозначные вопросы и генерировать уточняющие вопросы для пользователя перед тем, как дать окончательный ответ. Это помогает разрешить потенциальную неоднозначность запроса до генерации финального ответа модели. | "Если вопрос кажется неоднозначным, сначала уточните его с помощью дополнительных вопросов к пользователю: 'Что вы имеете в виду под [ключевое слово]?' После получения уточнений предоставьте свой ответ." |
| Метод (на русском) | Описание и смысл | Пример промптов |
|---|---|---|
| Prompt Wording (Формулировка промпта) | Незначительные изменения в формулировке промпта, такие как добавление пробелов, изменение регистра или модификация разделителей, могут значительно повлиять на результат. Цель - найти оптимальную формулировку для получения желаемого ответа. |
Вместо: "Классифицируйте этот отзыв как положительный или отрицательный: [текст]"
Используйте:"Определите, является ли следующий отзыв положительным или отрицательным: [текст]" |
| Task Format (Формат задачи) | Изменение способа постановки задачи для LLM. Цель - найти наиболее эффективный формат для конкретной задачи. |
Вместо: "Классифицируйте этот отзыв как положительный или отрицательный."
Используйте:"Является ли следующий отзыв положительным? [текст]" |
| Verbalized Score (Вербализованная оценка) | Запрос модели на выражение уверенности в своем ответе словами. Цель - оценить калибровку уверенности модели. | "Насколько вы уверены в своем ответе по шкале от 1 до 10?" Или: "Оцените свою уверенность в этом ответе как низкую, среднюю или высокую." |
| Few-shot Examples (Примеры с несколькими образцами) | Предоставление модели нескольких примеров перед основным запросом. Цель - улучшить понимание задачи и снизить чувствительность к формулировке. | "Вот несколько примеров классификации отзывов: [Примеры] Теперь классифицируйте этот отзыв." |
| Avoiding Sycophancy (Избегание угодничества) | Формулировка запросов без включения личных мнений для предотвращения чрезмерного согласия модели. Цель - получить более объективный ответ. |
Вместо: "Я думаю, что этот аргумент слабый. Что вы думаете?" Используйте: "Проанализируйте сильные и слабые стороны следующего аргумента." |
| Chain of Thought (CoT) (Цепочка рассуждений) | Побуждение модели к пошаговому рассуждению. Цель - улучшить прозрачность рассуждений и точность ответов. | "Давайте решим эту задачу шаг за шагом: 1)... 2)... 3)... Итак, окончательный ответ:" |