书生大模型实战营(浦语提示词工程实践)

最新推荐文章于 2024-11-12 11:12:28 发布
最新推荐文章于 2024-11-12 11:12:28 发布
阅读量253 收藏
点赞数 2
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013232710/article/details/142103689
版权

背景问题：近期相关研究发现，LLM在对比浮点数字时表现不佳，经验证，internlm2-chat-1.8b (internlm2-chat-7b)也存在这一问题，例如认为13.8<13.11
任务要求：利用LangGPT优化提示词，使LLM输出正确结果。完成一次并提交截图即可
在这里插入图片描述

在这里插入图片描述
LangGPT社区优质应用展示
在这里插入图片描述

下面根据langgpt的方法，提供合适的提示词，看能否解决开头说的"背景问题"

1、首先按照以下链接https://github.com/InternLM/Tutorial/tree/camp3/docs/L1/Prompt中操作步骤操作，最终根据上面的提示打开浏览器，浏览器中出现以下界面
在这里插入图片描述

2、学习了langgpt的写提示词的方法，在系统提示这一栏输入以下提示词
在这里插入图片描述
并且向大模型提问，得到以下结果
在这里插入图片描述
未添加系统提示前，大模型的回答确实有出现错误的现象，添加了系统提示词后，回答是正确的，可见好的提示词的重要性。

书生100
关注
书生大模型实战营 浦语提示词工程实践
m19735499476的博客
07-31 174
由于1.8b能力本来就有限，所以这里回答出来也只是碰巧回答出来，或者说是按照example回答出来的，而不是真的会回答（毕竟17和23谁大都比较不出）使用streamit运行ui界面，连接服务器的23333端口。使用教程里面的prompt，1.8b水平还是有限。配置ssh连接，在本地电脑打开。定制prompt完成浮点数比较。
# 第三期书生大模型实战营 浦语提示词工程实践
duanboboke的博客
08-04 270
InternLM部署完成后，可利用提供的chat_ui.py创建图形化界面，在实战营项目的tools项目中。{“role”: “system”, “content”: “请介绍一下你自己”}图片: 环境配置 激活环境后，安装必要的Python包，依次运行下面的命令。参考L0/Linux的2.3部分进行端口映射，在本地终端中输入映射命令。1.3 图形化界面调用。
书生大模型实战营-浦语提示词工程实践
weixin_52114905的博客
08-07 192
近期相关研究发现，LLM在对比浮点数字时表现不佳，经验证，internlm2-chat-1.8b (internlm2-chat-7b)也存在这一问题，例如认为。
书生大模型实战营--浦语提示词工程实践
hscing的博客
10-30 574
提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。在模型回复的过程中，首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本，原理为next token prediction。
《书生大模型实战营第3期》基础岛 第3关 ：浦语提示词工程实践
shiter编写程序的艺术
08-10 1100
创建虚拟环境之后的操作都要在这个环境下进行。# 安装一些必要的库# 安装其他依赖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。
书生大模型实战营L1-3 浦语提示词工程实践
csdn8668的博客
08-01 397
Role (角色) -> Profile（角色简介）—> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow (满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用。两级，模块表示要求或提示LLM的方面，例如：背景信息、建议、约束等。LangGPT框架参考了面向对象程序设计的思想，设计为基于角色的双层结构，一个完整的提示词包含。
[书生实战营] 基础岛3: 浦语提示词工程实践
qq_44420114的博客
08-04 527
设计框架使用CO-STAR，参考：https://aiadvisoryboards.wordpress.com/2024/01/30/co-star-framework/LangGPT官方提供了生成prompt的prompt。将之前的生成的prompt填入系统提示，比较下。使用LMDeploy进行部署，输入如下命令。的数字大小，可以看到大模型可以正确回答。中会自动开启端口转发，打开后界面如下。脚本进行测试，脚本内容如下。获得的结构化提示词模板如下。获取项目并运行图形化界面。使用上述提示词，定义一个。
书生大模型实战营（暑假场）---- 浦语提示词工程实践
Ailerx的博客
08-08 270
开始这个任务之前，需要做一些准备，比如虚拟环境的创建，等，这里就不在说明了，直接进入正题。
书生大模型实战营-基础关-浦语提示词工程实践
greatwind的博客
08-09 667
提示词(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。提示词(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。提示词(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。
书生大模型实战营第三关浦语提示词工程实践
08-09
书生大模型实战营第三关浦语提示词工程实践
【 书生·浦语大模型实战营】学习笔记（七）：大模型评测实战
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
05-03 1154
本篇笔记内容主要为【 书生·浦语大模型实战营】学习笔记（七）：大模型评测实战 ，主要对OpenCompass 大模型评测部分详细介绍，欢迎大家交流学习！
书生·浦语大模型实战营之 OpenCompass ：是骡子是马，拉出来溜溜
段智华的博客
04-22 118
上海人工智能实验室科学家团队正式发布了大模型开源开放评测体系 “司南” (OpenCompass2.0)，用于为大语言模型、多模态模型等提供一站式评测服务。开源可复现：提供公平、公开、可复现的大模型评测方案全面的能力维度：五大维度设计，提供 70+ 个数据集约 40 万题的的模型评测方案，全面评估模型能力丰富的模型支持：已支持 20+ HuggingFace 及 API 模型分布式高效评测：一行命令实现任务分割和分布式评测，数小时即可完成千亿模型全量评测。
NL2SQL实践系列(2)：2024最新模型实战效果(Chat2DB-GLM、书生·浦语2、InternLM2-SQL等)以及工业级案例教学
丨汀、的博客
04-14 1739
NL2SQL实践系列(2)：2024最新模型实战效果(Chat2DB-GLM、书生·浦语2、InternLM2-SQL等)以及工业级案例教学
【第7节】OpenCompass 大模型评测实战
熊猫小妖的AI世界
04-24 972
上海人工智能实验室科学家团队正式发布了大模型开源开放评测体系 “司南” (OpenCompass2.0)，用于为大语言模型、多模态模型等提供一站式评测服务。开源可复现：提供公平、公开、可复现的大模型评测方案全面的能力维度：五大维度设计，提供 70+ 个数据集约 40 万题的的模型评测方案，全面评估模型能力丰富的模型支持：已支持 20+ HuggingFace 及 API 模型分布式高效评测：一行命令实现任务分割和分布式评测，数小时即可完成千亿模型全量评测。
深度学习之循环神经网络(RNN)
最新发布
weixin_43775295的博客
11-12 369
其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。​ 由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。
AI 大模型如何重塑软件开发流程与模式
lssffy的博客
11-12 755
在传统的软件开发流程中，开发者从需求分析开始，到架构设计、编码、测试、部署和维护，整个过程往往需要花费大量的时间与人力。开发者需要从零开始编写代码，并通过反复的调试和测试来确保代码质量。这种方式虽然严谨，但效率相对较低，并且容易出现人为错误。而 AI 大模型的加入为软件开发带来了革命性的变化。代码生成工具如 GitHub Copilot 等，能够根据开发者的自然语言提示自动生成代码，甚至能够理解上下文，从而大幅减少重复劳动。智能调试和测试工具可以快速发现潜在的错误，给出修复建议。
机器学习系列----岭回归（Ridge Regression）简介及实现
DK22151的博客
11-09 938
岭回归（Ridge Regression），也被称为Tikhonov正则化，是一种线性回归的变体。它通过在普通最小二乘法（OLS）回归中加入L2正则化项来解决多重共线性问题，从而提高模型的泛化能力和鲁棒性。岭回归的核心思想是通过惩罚模型的参数，使得它们保持较小的值，从而减少过拟合的风险。岭回归适用于当特征之间高度相关时（即多重共线性问题），普通的线性回归模型可能会变得不稳定，并且模型的系数可能会变得非常大。岭回归通过加上一个正则化项，约束了模型参数的大小，从而使得模型更加稳健。
PCA（主成分分析）算法的应用场景
huanfeng_AI的博客
11-09 473
需要注意的是，PCA并不适用于所有场景。例如，当数据之间存在非线性关系时，PCA可能无法完全揭示数据的内在结构。此外，PCA对初始变量的顺序和标签敏感，不同的变量顺序可能导致不同的主成分结果。因此，在选择数据分析方法时，需要根据具体的数据和任务需求来决定是否使用PCA。
【Node-Red】使用文件或相机拍摄实现图像识别
weixin_43195420的博客
11-12 615
使用文件或相机拍照实现图像识别
书生浦语大模型实战课：解决配置与端口问题
"书生浦语大模型实战课的第二课作业中，学员们通过视频教程进行学习，但在实际操作中遇到了一系列问题，包括端口配置、权限不足、端口被占用以及URL无法打开等。这些问题主要围绕SSH免密登录和端口占用问题展开。在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值