Техники промптинга

Список техник настройки и использования языковых моделей для выполнения различных задач на основе примеров (или их отсутствия).

• Zero-Shot Prompting (нулевая настройка) - В этом случае модели не предоставляются примеры выполнения задачи. Модель получает только инструкцию или описание задачи и пытается выполнить её на основе своего общего обучения и понимания. Например, если нужно перевести предложение с английского, вы просто даёте команду "Переведи: 'Hello, how are you?'" и модель пытается выполнить перевод.
• One-Shot Prompting (настройка с одним примером) - В этом случае модели предоставляется один пример выполнения задачи, чтобы показать, как должна быть выполнена задача. Например, для той же задачи перевода можно сначала показать пример: "Переведи: 'Hello, how are you?' -> 'Bonjour, comment ça va?'. Переведи: 'Good night'". Модель использует этот пример для понимания формата и типа задачи.
• Few-Shot Prompting (настройка с несколькими примерами) - Здесь модели предоставляется несколько примеров выполнения задачи. Это помогает модели лучше понять паттерны и требования задачи. Например, можно дать модели несколько примеров перевода: "Переведи: 'Hello, how are you?' -> 'Bonjour, comment ça va?'. Переведи: 'Good night' -> 'Bonne nuit'. Переведи: 'See you later' -> 'À plus tard'. Переведи: 'Thank you'".
• Chain of Thought (CoT) — это техника использования языковых моделей, при которой они генерируют промежуточные шаги рассуждений или логические последовательности, прежде чем прийти к окончательному ответу. Этот подход помогает моделям лучше справляться со сложными задачами, требующими многослойных рассуждений и анализа. В отличие от простого предсказания ответа напрямую, CoT заставляет модель «думать вслух», что способствует более точным и детализированным выводам. Использование Chain of Thought помогает моделям не только улучшить точность ответов на сложные вопросы, но и сделать процесс рассуждений более прозрачным и понятным для пользователей.
• ASK-Before-Answer (ABA) — это стратегия взаимодействия с языковыми моделями, в рамках которой модель перед тем, как дать окончательный ответ на запрос, задает уточняющие вопросы для сбора дополнительной информации. Цель этой техники — повысить точность и релевантность ответа, избегая недоразумений и неверных интерпретаций исходного запроса. Эта стратегия позволяет избежать ситуаций, когда модель может дать общий или неправильный ответ из-за недостатка контекста или информации. Вместо этого, путем задавания уточняющих вопросов, модель может собирать необходимые данные для предоставления более точного и полезного ответа.
• Emotional Prompting — это метод взаимодействия с языковыми моделями, при котором используются эмоциональные аспекты и тон, чтобы направлять или формировать ответы модели. Цель этой техники — генерировать ответы, которые учитывают эмоциональное состояние пользователя или желаемую эмоциональную реакцию. Эта техника может быть полезна в различных контекстах, таких как поддержка пользователей, терапевтические приложения, генерация креативного контента и др. Эмоциональное направленное общение позволяет моделям быть более чуткими и полезными, создавая более глубокую и значимую связь с пользователями.
• Perspective Prompting — это техника взаимодействия с языковыми моделями, при которой модель направляется на генерирование ответов с учетом различных точек зрения или контекстов. Это позволяет получить более разнообразные и сбалансированные ответы на сложные или многослойные вопросы. Техника может быть полезна в образовании, принятии решений, творческом письме и других областях, где важно рассмотреть проблему с разных сторон. Использование Perspective Prompting помогает пользователям видеть картину более полно и объективно, учитывая множество факторов и точек зрения.
• Constructive Critique Prompting — это метод взаимодействия с языковыми моделями, направленный на получение конструктивной обратной связи или критики по предоставленному контенту или идее. Этот тип промптинга структурирует запросы таким образом, чтобы модель могла генерировать осмысленные и полезные комментарии, помогающие улучшить качество работы или развить идею.
• Reverse Engineering Prompting — это тип промптинга в языковых моделях, при котором создаются ответы путем анализа и воспроизведения логики и структуры заданного примера. Эта техника используется для понимания и генерации контента, основанного на разборе и копировании стиля, структуры или подхода из предложенного текста.
• Clarification Prompting (Промптинг уточнения): Используется для запроса дополнительной информации или уточнения контекста, чтобы модель могла предоставить более точный ответ.
• Expansion Prompting (Промптинг расширения): Используется для расширения идей или контента, предоставленного модели, путем запроса дополнительной информации или подробностей.
• Imagination Prompting (Промптинг воображения): Используется для стимулирования модели к созданию новых идей, сюжетов или концепций, часто путем предоставления креативных или фантастических стимулов.
• Problem-Solving Prompting (Промптинг решения проблем): Используется для направления модели на решение конкретных проблем или поиск оптимальных решений для заданных сценариев.
• Personalization Prompting (Промптинг персонализации): Используется для адаптации ответов модели к конкретным пользователям или ситуациям, предоставляя дополнительную информацию о контексте или предпочтениях.
• Multi-Turn Prompting (Промптинг с множеством оборотов): Используется для создания диалогов между пользователем и моделью, где каждый оборот собеседования содержит промпт для следующего ответа.
• Interactive Prompting (Интерактивный промптинг): Используется для взаимодействия с моделью в режиме реального времени, где пользователь может редактировать или корректировать ответы модели на лету.
• Conditional Prompting (Условный промптинг): Используется для добавления условий или ограничений к запросу, что позволяет получать ответы, соответствующие определенным критериям или ситуациям.
• Socratic Prompting (Сократовский промптинг): Используется для задания серии вопросов, направленных на стимулирование мышления и поощрение критического анализа.
• Evaluation Prompting (Промптинг оценки): Используется для запроса оценки или мнения модели о предоставленном контенте, идеях или решениях.
• Adversarial Prompting (Противоборственный промптинг): Используется для тренировки моделей соперничеством между двумя или несколькими моделями, что способствует улучшению качества генерируемых ответов.
• Self-Prompted Generation (Самосоздаваемое поколение): Модель генерирует промпты самостоятельно на основе своего текущего состояния или внутренних образов.
• Domain-Specific Prompting (Промптинг для конкретной области): Используется для настройки модели на работу в определенной области или с определенным типом контента, что позволяет ей генерировать более точные и информативные ответы в этой области.