书生四期-Strawberry里面有几个R

最新推荐文章于 2025-04-28 09:38:40 发布

godcanfly

最新推荐文章于 2025-04-28 09:38:40 发布

阅读量825

点赞数 6

文章标签： python

本文链接：https://blog.csdn.net/godcanfly/article/details/143654009

版权

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

godcanfly

关注关注

6
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

L1G3000浦语提示词工程实践

2301_76299620的博客

01-20

2041

##逐字母分析1.**s**-第1个字母2.**t**-第2个字母3.**r**-第3个字母4.**a**-第4个字母5.**w**-第5个字母6.**b**-第6个字母7.**e**-第7个字母8.**r**-第8个字母9.**r**-第9个字母10.**y**-第10个字母。让我们一步一步地分析单词"strawberry"中的每个字母，并统计字母'r'的出现次数。

书生大模型实战营第四期-闯关挑战L1G3000 浦语提示词工程实践任务记录

qq_39297910的博客

11-14

430

经过设计与调试，基于LangGPT格式编写了一套MBTI测试提示词，其中设定了工作流，以及给出了样例问题集，并鼓励模型尝试模仿泛化后提出测试问题，根据实际测验情况额外增加了一些限制。这组提示词对比我初期的尝试，成功防止大模型在计数中途将单词拼错的问题，并且能保障在默认设定有一定温度的情况下保持输出格式和输出结果稳定，同时提示词长度还比初期尝试缩短了一半。可以看到，大模型获得了逐一提出测试问题，并在最后分析得出结论并给出建议的能力，分析结果也相对较为准确。经过不断地调试，我最终试出了一组成功率极高的提示词。

参与评论您还未登录，请先登录后发表或查看评论

草莓 “里有几个 R？这个人工智能不知道

weixin_41446370的博客

09-08

5951

A-W-B-E-R，这是第二个 R；有一次关于这个话题的讨论最后演变成了一种关于单词本身性质的知识性争论，人工智能辩称："'straw’中的R是单词的一部分，但它并不会改变’strawberry’中R的总数。这也是为什么即使你的公司正在引领潮流，尝试使用大量人工智能工具来改善业务工作流程，或将员工从枯燥的工作中解放出来，你也应该确保在根据人工智能的结果做出决策之前，有专人检查人工智能吐出的所有信息。虽然这项功能强大的技术仍然充满希望，但最近发现的一个小问题表明，人工智能并不完美，因此要不断重复检查其结果。

为什么AI数不清Strawberry里有几个 r？Karpathy：我用表情包给你解释一下

m0_46163918的博客

07-29

2660

其实，如果你在 Prompt 里加上「think step by step」等思维链相关「咒语」，大模型是可以分步骤解决问题的，而且很有可能数对「r」的数量。（Jagged 的意思是参差不齐的）。这种参差不齐的智能表现和人类是不一样的，人类的知识体系和解决问题的能力在成长过程中是高度相关的，并且是同步线性发展的，而不是在某些领域突然大幅度提升，而在其他领域却停滞不前。对此，有人猜测说，大模型公司给 LLM 的设定可能就是让它在一个问题上花费尽可能少的时间，因此，除非你明确要求，不然它不会主动去深入思考。

基础岛三浦语提示词工程实践

2301_76706932的博客

11-30

667

2.进行一步步引导，让AI一个一个字母的进行计数，得到正确答案3。1.直接询问strawberry中有多少个字母r，回答是两个。

提示词对应模型数单词字母个数错误的问题

wesupercsdn的博客

12-04

499

由于词被拆解成了多个token，第二个token有两个r所以导致结果错误。通过提示词工程让模型把单词拆解成一个个字母，逐一检查，即可得到正确答案。

书生实战营第四期-基础岛第三关-浦语提示词工程实践

m0_75009117的博客

11-07

1297

任务要求：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。

书生第四期 - 基础 - LangGPT结构化提示词编写实践

weixin_43303444的博客

12-23

237

任务要求：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。完成正确的问答交互并提交截图作为完成凭证。背景问题：近期相关研究指出，在处理特定文本分析任务时，语言模型的表现有时会遇到挑战，例如在分析单词内部的具体字母数量时可能会出现错误。

第四期书生大模型-基础岛-3.Prompt工程

m0_49460945的博客

11-19

561

造成的，token 指的未必是词，也可以是标点符号、数字或者某个单词的一部分。3.因此关键在于让大模型遍历单词进行计数而不是直接统计单词个数，通过编写结构化提示词让大模型统计单词个数与直接提问大模型均会遇到token化的问题，两者并无差异。基础任务：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。可以看到书生浦语统计字母“r”、“a”和“b”都出现了错误，同时计算验证环节也出现了自相矛盾的错去，属于事实性幻觉问题，这里引用知乎作者。对此的分析：“原因基本都是。

书生·共学大模型实战营第四期 L2-G300作业分享

Matrix_killer的博客

10-31

402

⋅⋅。

第四期书生大模型实战营-基础岛第三关

2401_86139790的博客

12-18

549

Prompt是一种用于指导以大语言模型为代表的生成式人工智能生成内容(文本、图像、视频等)的输入方式。它通常是一个简短的文本或问题，用于描述任务和要求。Prompt可以包含一些特定的关键词或短语，用于引导模型生成符合特定主题或风格的内容。例如，如果我们要生成一篇关于“人工智能”的文章，我们可以使用“人工智能”作为Prompt，让模型生成一篇关于人工智能的介绍、应用、发展等方面的文章。Prompt还可以包含一些特定的指令或要求，用于控制生成文本的语气、风格、长度等方面。

第四期书生大模型实战营基础岛第3关

2401_87331158的博客

11-17

583

通过对比上述对话，可以明显发现，使用提示词后，大模型的回答的风格更加明显，回答更加精准，更加贴合用户需求。内容表达更加流畅，逻辑性也得到了显著提升，整体回答质量呈现出明显的优化。精心设计的提示词可以让大模型的回答更准确、更贴近需求，还能显得条理清晰、逻辑性更强。这说明在使用大模型的过程中，花点心思优化提示词，是非常值得的，效果会好得多。将不使用系统提示的书生浦语大模型作为 baseline 对比，提交的系统提示词要指导LLM表现出比baseline更高的性能，提供对比截图并加以分析说明即可。

第四期书生大模型实战营-第3关-L1G3000

agito_cheung的博客

02-04

311

剧本创作是一项需要灵感、技巧和结构化表达的复杂任务，书生·浦语大模型旨在成为用户的创作伙伴，帮助将创意转化为生动的剧本内容。- description: 一个专注于帮助用户进行剧本创作的助手，能够生成灵感、设计情节、完善对话和优化叙事结构。- 欢迎使用剧本创作助手，请描述您希望创作的主题、角色和设定，或者分享您已有的剧本片段，我将为您提供创作支持！1. 收集用户的创作需求，包括主题、类型、角色、设定及任何已有的剧情片段。1. 根据用户提供的主题、人物、设定等信息，生成详细的剧本场景和台词。

LangGPT结构化提示词编写实践

2303_81432699的博客

11-08

2944

从左到右，我们首先看到的是“s”，它不是“r”。接下来是“t”，它也不是“r”。接下来是“a”，它不是“r”。接下来是“b”，它不是“r”。然后是“e”，它也不是“r”。最后，我们看到“y”，它不是“r”。在单词“strawberry”中，也有两个字母“r”。所以，“strawberry”和“cherry”一样，都包含两个“r”。因此，在单词“strawberry”中，我们找到了三个“r”。所以，在单词“strawberry”中，有三个字母“r”。在单词“strawberry”中，有2个字母“r”。

用Java模拟打字：深入解析 java.awt.Robot 的键盘控制艺术

码觉客的博客

04-28

1014

通过，我们可以实现强大的键盘自动化功能。对于简单的字符（英文字母、数字、基础标点等），可以通过模拟单个按键的按下和释放（可能需要配合 Shift 等修饰键）来实现，这需要建立字符到键码的映射并注意按键时序和延迟。对于复杂字符、中文或长文本，由于Robot不理解输入法逻辑，最可靠和常用的方法是将文本复制到系统剪贴板，然后模拟按下系统的粘贴快捷键。无论使用哪种方法，理解Robot的工作原理（模拟物理按键），处理好窗口焦点，并加入适当的延迟，是确保模拟输入成功的关键。虽然Robot。

Python学习笔记（三）（程序流程控制）

wsys_yysn的博客

04-24

1092

条件语句：通过实现分支逻辑。循环语句for遍历序列，while满足条件时循环。流程控制break终止循环，continue跳过当前迭代，pass占位。异常处理保证程序健壮性。掌握这些流程控制工具，可以编写更灵活、高效的 Python 程序！

Python项目--基于计算机视觉的手势识别控制系统

exlink2012的专栏

04-23

2598

随着人机交互技术的快速发展，传统的键盘、鼠标等输入设备已经不能满足人们对自然、直观交互的需求。手势识别作为一种非接触式的人机交互方式，具有操作自然、交互直观的特点，在智能家居、游戏控制、虚拟现实等领域有着广泛的应用前景。本项目旨在开发一个基于计算机视觉的手势识别控制系统，通过摄像头捕获用户的手部动作，实时识别手势类型，并将识别结果转化为相应的控制命令，实现对计算机或其他设备的非接触式控制。

京东商品详情API数据爬取难度分析与解决方案

最新发布

Asher18870278351的博客

04-28

657

京东商品数据爬取是一项技术要求高、维护成本大的工程，需要综合运用网络爬虫、密码学分析和分布式系统等多领域知识。成功的爬虫系统需要在技术实现、资源投入和合规边界之间找到平衡点。随着电商平台安全技术的不断升级，爬取方也需要持续迭代技术手段，同时更应关注数据获取的合法合规性。

基于亚马逊云科技搭建企业问答系统

正在自我救赎的菜鸟。本人所有内容均不收费，可随意转发，复制

04-27

891

在当今信息密集的企业环境中，如何快速、安全地构建专属知识库成为提升效率的关键。本教程将手把手教你如何从零开始，借助 Amazon Bedrock 控制台与 DeepSeek 大语言模型，将企业内部文档转化为可交互的问答系统（RAG 架构）。无需任何编程经验，只需按照步骤操作，即可轻松完成搭建与体验。

为什么问大模型“strawberry”中有几个r的问题，会回答为2个r？

04-03

### 大模型错误分析大模型在处理单词 "strawberry" 并得出其含有两个字母 'r' 的结论时，实际上遵循了一种基于统计和模式匹配的方法。然而，在某些情况下，这种机制可能导致误解或计算失误。 #### 统计学习的基础大模型通过大量数据训练而成，主要依赖于上下文中的概率分布来进行预测和推理。对于像 “strawberry” 这样的简单问题，理论上应该能够给出正确答案。但实际上，如果输入的数据集中存在噪声或者不一致的结果，则可能会误导模型的学习过程[^1]。 #### 数据集偏差的影响当涉及到具体细节如字符数量等问题时，如果没有足够的高质量标注样本供模型学习，就可能出现误差。例如，“strawberry中有几个r?”这类基础性问题是相对少见的查询类型，因此可能未被充分覆盖在其训练语料库中[^3]。这意味着即使大多数时候它能很好地完成任务，但对于一些特别简单的事实型问题也可能犯错。 #### 上下文理解不足尽管具备强大的自然语言处理能力，但有时这些系统并不能完全按照人类思维方式去解析每一个单独词语内部结构。比如在这里讨论的是单个英文单词内的重复字母数目情况；而通常情况下它们更擅长应对较复杂的句子关系理解和生成工作而不是逐字扫描并精确计数某个特定字符出现次数的任务[^2]。 ```python word = "strawberry" count_r = word.count('r') print(f"The letter 'r' appears {count_r} times in the word '{word}'.") ``` 上述Python代码展示了如何准确地计算字符串中某字符的数量。这种方法直接且无误，与之相比，大模型由于其内在的工作机理差异，偶尔会出现偏离预期的现象。 ### 结论综上所述，虽然现代的大规模预训练语言模型拥有令人惊叹的能力，但在面对非常具体的、需要高度准确性的小范围知识点询问时仍可能存在局限性和潜在漏洞。这是由多方面因素共同作用造成的，包括但不限于训练数据的质量、算法设计特点以及应用场景适配度等等。