促使工程师在大型语言模型中利用上下文学习
Engineers utilize context for learning in large language models.
如何修改文本提示以在无需训练的情况下获得最佳结果
大型语言模型的使用越来越多，它们的技能令人惊讶。它们成功的一部分原因是它们能够从几个示例中学习，这种现象被称为上下文学习；在前一篇文章中，我们详细讨论了它是什么以及它的起源，现在我们将学习如何发挥真正的力量。
关于上下文学习的一切
什么是以及它是如何工作的，什么使大型语言模型如此强大
towardsdatascience.com
本文分为不同的部分，对于每个部分，我们将回答以下问题：
- 关于上下文学习的简要回顾
- 您如何与模型进行交互？应该插入哪个元素？改变提示会对答案产生影响吗？
- 我们如何增强模型在上下文学习中的能力？什么是零样本或少样本提示？什么是思维链（COT）或零样本COT？如何从COT中获得最佳效果？为什么LLMs可以进行COT推理？
- 什么是思维树？
- 我们能够自动化这个过程吗？
请在文章末尾查看参考文献列表，我还提供了一些加深主题的建议。
LLM、上下文学习和其中的奥秘
大型语言模型近几个月来一直是热门话题。Chat-GPT让世界惊讶，并且世界对其能力感到惊叹。它的成功基于其中最令人惊讶的行为之一：上下文学习（ICL）。
但是它是什么？
上下文学习是一种范式，允许语言模型仅通过少量示例（以演示形式）来学习任务。（来源）
