AI生成式技术曾小健

精选 原创©著作权文章标签文章分类阅读数Reward Modelling（RM）and Reinforcement Learning from Human Feedback（RLHF）for Large language models（LLM）技术初探。

本文首先从训练数据、tokenizer和模型结构细节上对比了LLaMA、ChatGLM和BLOOM这三个主流的开源大语言模型，并介绍了这三个基座模型的衍生模型；接着详细介绍了不同大语言模型在tokenizer、layer normalization、激活函数和位置编码的模型细节；然后讲述了prompt tuning、prefix tuning、LLaMA- adapter和LoRA这些参数高效微调方法；最后对比了不同基座语言模型和不同微调方法的效果。

本文主要介绍了两类可以用于零样本文本分类的模型。基于自然语言推理的零样本分类模型：适用于对模型推理时间不敏感的低资源文本分类场景，在抹零战役工单分类任务中，表现出了优异的性能。基于文本生成的零样本学习模型：适用于对模型推理时间要求较高的低资源本文分类场景，同时还能进行其他任务的零样本学习。而本文介绍的模型在分类场景下进行了特定的数据增强，大幅提高了分类的稳定性，相比于其他模型更加适合应用于零样本文本分类场景。

零样本和少样本学习方法减少了对注释数据的依赖。因此对于新的领域和收集数据的困难的领域他们是很重要的。少样本(Few-Shot Learning FSL)是一种机器学习问题(由E, T和P指定)，其中E只包含有限数量的例子，并带有监督信息。现有的FSL问题主要是监督学习问题。零样本学习(Zero-shot learning, ZSL)是机器学习中的一个问题解决方案，学习者在测试时从训练中没有观察到的类中观察样本，并预测他们所属的类。

近期 AIGC 狂潮席卷，“前端走向穷途”“低代码时代终结”的言论甚嚣尘上。事实上 GPT 不仅不会干掉低代码，反而会大幅度促进低代码相关系统的开发。本文会介绍 GPT Prompt Engineering 的基本原理，以及如何帮助低代码平台相关技术快速开发落地的技术方案。接着往下看吧~1 提示工程1.1 提示工程基本概念1.2 如何使用 OpenAI/Chatgpt 做提示工程测试1.4 提示工程技巧-少样本提示（few shot）