Strategi paling lengkap untuk GPT-4 ada di sini! OpenAI dikeluarkan secara rasmi, dan semua pengalaman terkumpul dalam enam bulan disertakan

Panduan pengguna rasmi GPT-4 kini tersedia!

Anda mendengarnya dengan betul, anda tidak perlu mengambil nota kali ini, OpenAI telah menganjurkannya secara peribadi untuk anda.

Dikatakan bahawa pengalaman penggunaan selama 6 bulan setiap orang telah dikumpulkan bersama, dan petua dan helah anda, saya dan dia semuanya disepadukan ke dalamnya.

Walaupun secara ringkasnya terdapat hanya enam strategi utama, butirannya tidak bermakna kabur.

Bukan sahaja pengguna GPT-4 biasa boleh mendapatkan petua dan kiat dalam buku panduan ini, tetapi mungkin pembangun aplikasi juga boleh mencari inspirasi.

Netizen mengulas satu demi satu dan memberikan "muhasabah selepas membaca" mereka sendiri:

Sungguh menarik! Ringkasnya, idea teras teknik ini termasuk dua perkara utama. Pertama, kita perlu menulis dengan lebih khusus dan memberikan beberapa petua terperinci. Kedua, untuk tugasan yang rumit itu, kita boleh memecahkannya kepada gesaan kecil untuk diselesaikan.

OpenAI menyatakan bahawa panduan ini pada masa ini hanya untuk GPT-4. (Sudah tentu, anda juga boleh mencubanya pada model GPT yang lain?)

Cepat dan lihat, apakah perkara baik yang ada dalam buku rahsia ini.

6 petua hebat semuanya ada di sini

Strategi 1: Tulis arahan yang jelas

Anda tahu, modelnya Anda tidak boleh "membaca fikiran", jadi anda perlu menulis keperluan anda dengan jelas.

Apabila keluaran model menjadi terlalu banyak perkataan, anda boleh memintanya menjawab dengan ringkas dan jelas. Sebaliknya, jika output terlalu mudah, anda boleh meminta agar ia ditulis pada tahap profesional.

Jika anda tidak berpuas hati dengan format output GPT, kemudian tunjukkan format yang anda jangkakan dahulu dan minta ia keluarkan dengan cara yang sama.

Ringkasnya, cuba jangan biarkan model GPT meneka niat anda sendiri, supaya hasil yang anda perolehi lebih berkemungkinan memenuhi jangkaan anda.

Petua praktikal:

1 Hanya dengan butiran anda boleh mendapatkan jawapan yang lebih relevan

Untuk membuat output. dan input mempunyai Korelasi yang kukuh, semua maklumat terperinci yang penting, boleh disalurkan kepada model.

Sebagai contoh, jika anda mahu GPT-4: meringkaskan minit mesyuarat

, anda boleh menambah sebanyak mungkin butiran pada ungkapan:

Ringkaskan minit mesyuarat ke dalam satu perenggan teks. Kemudian tulis senarai Markdown yang menyenaraikan peserta dan perkara utama mereka. Akhir sekali, jika peserta mempunyai cadangan untuk langkah seterusnya, senaraikan.

2. Memerlukan model untuk memainkan peranan tertentu

Dengan menukar mesej sistem (mesej sistem), GPT-4 akan memudahkan untuk memainkan peranan tertentu daripada bertanya dalam dialog Tahap penekanan yang lebih tinggi diperlukan.

Jika dinyatakan untuk membalas dokumen, setiap perenggan dalam dokumen mesti mempunyai ulasan yang menarik:

3. Gunakan pembatas untuk menandakan bahagian input yang berlainan dengan jelas

Gunakan pembatas seperti """tanda petikan tiga kali ganda""", , tajuk bahagian, dll. untuk menandakan perbezaan dalam bahagian teks, yang boleh memudahkan model diproses secara berbeza. Dalam tugas yang rumit, perincian penandaan ini amat penting.

4 Nyatakan dengan jelas langkah-langkah yang diperlukan untuk menyelesaikan tugasan

Sesetengah tugasan lebih berkesan jika. mereka dilakukan langkah demi langkah dengan baik. Oleh itu, adalah lebih baik untuk menentukan satu siri langkah dengan jelas supaya model boleh mengikutinya dengan lebih mudah dan mengeluarkan hasil yang diingini. Sebagai contoh, tetapkan langkah untuk menjawab dalam mesej sistem.

5 Berikan contoh

Jika anda mahu output model mengikut corak, ia adalah. tidak begitu baik. Huraikan gaya tertentu, kemudian anda boleh memberikan contoh. Sebagai contoh, selepas memberikan contoh, anda hanya perlu memberitahunya "ajar saya kesabaran" dan ia akan menerangkannya dengan jelas mengikut gaya contoh.

6 Nyatakan panjang output yang diperlukan

Anda juga boleh meminta model menjana secara khusus bilangan perkataan, ayat, perenggan, peluru, dsb. Walau bagaimanapun, apabila model diminta menjana bilangan perkataan/aksara tertentu, ia mungkin tidak tepat.

Strategi 2: Sediakan teks rujukan

Apabila bercakap tentang topik esoterik, petikan, URL, dll., model GPT mungkin serius bercakap mengarut.

Sediakan teks rujukan untuk GPT-4, yang boleh mengurangkan berlakunya jawapan rekaan dan menjadikan kandungan jawapan lebih dipercayai.

Petua praktikal:

1 Biarkan model menjawab dengan merujuk kepada bahan rujukan

Jika kami boleh menyediakan beberapa dan. Maklumat yang dipercayai tentang soalan itu, anda boleh mengarahkannya untuk menggunakan maklumat yang disediakan untuk menyusun jawapan.

2 Biarkan model memetik bahan rujukan untuk menjawab

Jika ia telah dimasukkan ke dalam input dialog di atas Dilengkapi dengan maklumat yang berkaitan, kita juga boleh terus meminta model untuk memetik maklumat yang diberikan dalam jawapannya.

Perlu diperhatikan di sini bahawa model boleh diprogramkan untuk mengesahkan bahagian yang dirujuk dalam output.

Strategi 3: Pisahkan tugas kompleks

Fasa Masuk Sebaliknya, GPT-4 mempunyai kadar ralat yang lebih tinggi apabila berurusan dengan tugas yang kompleks.

Walau bagaimanapun, kami boleh menggunakan strategi bijak untuk memecahkan semula tugasan yang kompleks ini kepada aliran kerja siri tugasan mudah.

Dengan cara ini, output tugasan sebelumnya boleh digunakan untuk membina input tugasan seterusnya.

Sama seperti menguraikan sistem yang kompleks kepada satu set komponen modular dalam kejuruteraan perisian, menguraikan tugas kepada berbilang modul juga boleh menjadikan model berprestasi lebih baik.

Petua praktikal:

1 Klasifikasikan niat

Untuk sejumlah besar tugas bebas yang perlu menangani situasi berbeza. , tugasan ini boleh dikelaskan dahulu.

Kemudian, tentukan arahan yang diperlukan berdasarkan klasifikasi.

Sebagai contoh, untuk aplikasi perkhidmatan pelanggan, pertanyaan boleh dikategorikan (pengebilan, sokongan teknikal, pengurusan akaun, pertanyaan umum, dll.).

Apabila pengguna bertanya:

Saya perlu memastikan internet saya berfungsi semula.

Menurut klasifikasi pertanyaan pengguna, permintaan khusus pengguna boleh disasarkan, dan satu set arahan yang lebih khusus boleh diberikan kepada GPT-4 untuk langkah seterusnya.

Sebagai contoh, katakan pengguna memerlukan bantuan dengan "penyelesaian masalah".

Anda boleh menetapkan langkah seterusnya:

Memerlukan pengguna menyemak sama ada semua kabel penghala disambungkan...

2 Ringkaskan atau tapis perbualan sebelumnya

Memandangkan tetingkap perbualan GPT-4 adalah terhad, konteksnya tidak boleh terlalu panjang dan tidak boleh. berada dalam Teruskan selama-lamanya dalam tetingkap perbualan.

Tetapi tiada penyelesaian.

Satu cara untuk melakukannya ialah dengan meringkaskan perbualan sebelumnya. Setelah panjang teks input mencapai ambang yang telah ditetapkan, pertanyaan boleh dicetuskan yang meringkaskan sebahagian daripada perbualan dan bahagian yang diringkaskan boleh menjadi sebahagian daripada mesej sistem.

Selain itu, perbualan sebelumnya boleh diringkaskan terus di latar belakang semasa perbualan.

Pendekatan lain adalah untuk mendapatkan semula perbualan sebelumnya, menggunakan carian berasaskan benam untuk mendapatkan semula pengetahuan yang cekap.

3. Ringkaskan dokumen panjang perenggan demi perenggan, dan bina ringkasan lengkap secara rekursif

Masih menjadi masalah bahawa teks terlalu panjang.

Sebagai contoh, jika anda mahu GPT-4 meringkaskan buku, anda boleh menggunakan satu siri pertanyaan untuk meringkaskan setiap bahagian buku.

Kemudian sambungkan gambaran keseluruhan separa untuk meringkaskan dan membentuk jawapan umum.

Proses ini boleh dilakukan secara rekursif sehingga keseluruhan buku diringkaskan.

Tetapi sesetengah bahagian mungkin memerlukan maklumat dari bahagian sebelumnya untuk memahami bahagian seterusnya. Berikut adalah helah:

Apabila meringkaskan kandungan semasa, ringkaskan kandungan sebelum kandungan semasa dalam teks bersama-sama untuk membuat ringkasan.

Ringkasnya, gunakan "ringkasan" bahagian sebelumnya + bahagian semasa, dan kemudian ringkaskan.

OpenAI juga sebelum ini menggunakan model yang dilatih berdasarkan GPT-3 untuk mengkaji kesan meringkaskan buku.

Strategi 4: Beri masa GPT untuk "berfikir"

Jika anda diminta mengira 17 kali 28, anda mungkin tidak ketahui dengan segera Jawapannya, bagaimanapun, boleh dikira dengan beberapa masa.

Begitu juga, apabila GPT-4 menerima soalan, ia tidak mengambil masa untuk berfikir dengan teliti, tetapi cuba memberikan jawapan dengan segera, yang mungkin membawa kepada kesilapan dalam penaakulan.

Oleh itu, sebelum meminta model memberikan jawapan, anda boleh terlebih dahulu meminta model itu melakukan satu siri proses penaakulan untuk membantunya mencapai jawapan yang betul melalui penaakulan.

Petua praktikal:

1 Biarkan model merumuskan penyelesaian

Anda mungkin mendapati bahawa apabila kami jelas Kami. mendapatkan hasil yang lebih baik apabila kita mengarahkan model untuk menaakul daripada prinsip pertama sebelum membuat kesimpulan.

Sebagai contoh, katakan kita mahu model menilai penyelesaian pelajar kepada masalah matematik.

Cara paling langsung adalah dengan hanya bertanya kepada model jika jawapan pelajar betul.

Dalam gambar di atas, GPT-4 percaya bahawa penyelesaian pelajar adalah betul.

Tetapi sebenarnya rancangan pelajar itu salah.

Pada masa ini, anda boleh membuat model menyedari perkara ini dengan jayanya dengan menggesa model menjana penyelesaiannya sendiri.

Selepas menjana penyelesaian sendiri dan membuat alasan mengenainya, model menyedari bahawa penyelesaian pelajar terdahulu adalah salah.

2. Proses penaakulan tersembunyi

Seperti yang dinyatakan di atas, biarkan model melakukan penaakulan dan memberikan penyelesaian.

Tetapi dalam sesetengah aplikasi, proses penaakulan yang mana model mencapai jawapan akhir tidak sesuai untuk dikongsi dengan pengguna.

Sebagai contoh, dalam tunjuk ajar kerja rumah, kami masih mahu menggalakkan pelajar merumuskan penyelesaian mereka sendiri untuk masalah dan kemudian tiba pada jawapan yang betul. Tetapi alasan model tentang penyelesaian pelajar mungkin mendedahkan jawapan kepada pelajar.

Pada masa ini, kami memerlukan model untuk melaksanakan strategi "monolog dalaman", membenarkan model meletakkan bahagian output yang disembunyikan daripada pengguna ke dalam format berstruktur.

Output kemudiannya dihuraikan dan hanya sebahagian daripada output kelihatan sebelum dipersembahkan kepada pengguna.

Seperti contoh berikut:

Mula-mula biarkan model merumuskan penyelesaiannya sendiri (kerana penyelesaian pelajar mungkin salah), dan kemudian bandingkan dengan penyelesaian pelajar.

Jika pelajar membuat kesilapan dalam mana-mana langkah jawapan mereka, biarkan model memberi petunjuk untuk langkah ini dan bukannya terus memberikan pelajar penyelesaian yang betul sepenuhnya.

Jika pelajar masih salah, teruskan ke langkah sebelumnya.

Anda juga boleh menggunakan strategi "pertanyaan", di mana output semua pertanyaan kecuali langkah terakhir disembunyikan daripada pengguna.

Pertama, kita boleh meminta model untuk menyelesaikan masalah itu sendiri. Oleh kerana pertanyaan awal ini tidak memerlukan penyelesaian pelajar, ia boleh ditinggalkan. Ini juga memberikan kelebihan tambahan bahawa penyelesaian model tidak dipengaruhi oleh berat sebelah penyelesaian pelajar.

Seterusnya, kita boleh membenarkan model menggunakan semua maklumat yang ada untuk menilai ketepatan penyelesaian pelajar.

Akhir sekali, kita boleh membiarkan model menggunakan analisisnya sendiri untuk membina peranan mentor.

Anda seorang tutor matematik. Jika pelajar menjawab salah, gesa pelajar tanpa mendedahkan jawapannya. Jika pelajar menjawab dengan betul, berikan mereka komen yang menggalakkan.

3. Tanya model jika ia tiada kandungan

Andaikan kami meminta GPT-4 untuk menyenaraikan petikan fail sumber yang berkaitan dengan spesifik masalah, dalam lajur Selepas setiap petikan ditulis, model perlu memutuskan sama ada untuk meneruskan menulis petikan seterusnya, atau berhenti.

Jika fail sumber besar, model selalunya akan berhenti sebelum waktunya, gagal menyenaraikan semua petikan yang berkaitan.

Dalam kes ini, model selalunya mungkin untuk meminta model melakukan pertanyaan seterusnya untuk mencari petikan yang terlepas dalam pemprosesan sebelumnya.

Dalam erti kata lain, teks yang dijana oleh model mungkin sangat panjang dan tidak boleh dijana pada satu masa, jadi anda boleh membiarkannya disemak dan mengisi kandungan yang tiada.

Strategi 5: Sokongan oleh alatan lain

GPT - 4Walaupun berkuasa, ia tidak mahakuasa.

Kita boleh menggunakan alat lain untuk menambah kekurangan GPT-4.

Contohnya, digabungkan dengan sistem mendapatkan semula teks, atau menggunakan enjin pelaksanaan kod.

Apabila membiarkan GPT-4 menjawab soalan, jika terdapat tugas yang boleh dilakukan dengan lebih dipercayai dan cekap oleh alatan lain, maka kami boleh memunggah tugasan tersebut kepada mereka. Ini bukan sahaja boleh memberikan permainan penuh kepada kelebihan masing-masing, tetapi juga membolehkan GPT-4 beraksi pada tahap terbaik.

Petua praktikal:

1 Gunakan carian berasaskan benam untuk mencapai perolehan pengetahuan yang cekap

Petua ini sudah ada di atas. disebut dalam artikel.

Menyediakan maklumat luaran tambahan sebagai input kepada model boleh membantu model menjana jawapan yang lebih baik.

Sebagai contoh, jika pengguna bertanya soalan tentang filem tertentu, mungkin berguna untuk menambah maklumat tentang filem (seperti pelakon, pengarah, dll.) pada input kepada model.

Pembenaman boleh digunakan untuk membolehkan perolehan semula pengetahuan yang cekap dengan menambahkan maklumat yang berkaitan secara dinamik pada input model semasa model berjalan.

Pembenaman teks ialah vektor yang mengukur perkaitan rentetan teks. Rentetan yang serupa atau berkaitan akan diikat lebih rapat daripada rentetan yang tidak berkaitan. Ini, ditambah pula dengan kewujudan algoritma carian vektor pantas, bermakna pembenaman boleh digunakan untuk mencapai perolehan pengetahuan yang cekap.

Khususnya, korpus teks boleh dibahagikan kepada beberapa bahagian, dan setiap bahagian boleh dibenamkan dan disimpan. Kemudian, berdasarkan pertanyaan, carian vektor boleh dilakukan untuk mencari bahagian teks terbenam dalam korpus yang paling berkaitan dengan pertanyaan.

2. Gunakan pelaksanaan kod untuk pengiraan yang lebih tepat atau hubungi API luaran

Anda tidak boleh bergantung sepenuhnya pada model itu sendiri untuk pengiraan yang tepat.

Jika mahu, model boleh diarahkan untuk menulis dan menjalankan kod dan bukannya melakukan pengiraan autonomi.

boleh mengarahkan model untuk meletakkan kod untuk dijalankan ke dalam format yang ditentukan. Selepas output dijana, kod boleh diekstrak dan dijalankan. Selepas output dijana, kod boleh diekstrak dan dijalankan. Akhir sekali, output enjin pelaksanaan kod (iaitu penterjemah Python) boleh digunakan sebagai input seterusnya jika perlu.

Satu lagi kes penggunaan hebat untuk pelaksanaan kod ialah memanggil API luaran.

Jika penggunaan API yang betul disampaikan kepada model, ia boleh menulis kod yang menggunakan API tersebut.

Model boleh diajar cara menggunakan API dengan menunjukkan dokumentasi dan/atau contoh kod kepada mereka.

Di sini OpenAI menimbulkan amaran khas ⚠️:

Kod yang melaksanakan penjanaan model bukanlah Keselamatan, langkah berjaga-jaga harus diambil dalam mana-mana aplikasi yang cuba melakukan ini. Khususnya, persekitaran pelaksanaan kod kotak pasir diperlukan untuk mengehadkan bahaya yang boleh disebabkan oleh kod yang tidak dipercayai.

Strategi Enam: Menguji Perubahan Secara Sistematik

Kadangkala sukar untuk menentukan sama ada perubahan akan menjadikan sistem lebih baik atau tidak. Lebih teruk.

Adalah mungkin untuk melihat mana yang lebih baik dengan melihat beberapa contoh, tetapi dengan saiz sampel yang kecil sukar untuk mengetahui sama ada terdapat peningkatan sebenar atau hanya nasib rawak.

Mungkin "perubahan" ini akan meningkatkan keberkesanan beberapa input tetapi mengurangkan keberkesanan yang lain.
Prosedur penilaian (atau "evals") sangat berguna untuk mengoptimumkan reka bentuk sistem. Penilaian yang baik mempunyai ciri-ciri berikut:

1) mewakili penggunaan dunia sebenar (atau sekurang-kurangnya berbilang penggunaan)

2) mengandungi banyak kes ujian untuk mencapai kuasa statistik yang lebih besar (Lihat jadual di bawah)

3) Mudah untuk mengautomasikan atau mengulangi

Penilaian output boleh dilakukan dengan komputer, penilaian secara manual atau gabungan daripada kedua-duanya. Komputer boleh menilai secara automatik menggunakan kriteria objektif, atau mereka boleh menggunakan beberapa kriteria subjektif atau kabur, seperti menggunakan model untuk menilai model.

OpenAI menyediakan rangka kerja perisian sumber terbuka - OpenAI Evals, yang menyediakan alatan untuk membuat penilaian automatik.

Penilaian berasaskan model berguna apabila terdapat satu siri output yang sama kualitinya.

Petua praktikal:

1 Nilaikan output model dengan merujuk kepada jawapan standard emas

Anggap bahawa jawapan yang betul untuk soalan yang diketahui hendaklah Rujukan kepada set fakta tertentu yang diketahui.

Kami kemudiannya boleh bertanya kepada model berapa banyak fakta yang diperlukan dimasukkan dalam jawapan.

Sebagai contoh, menggunakan mesej sistem berikut,

memberikan fakta yang diperlukan:

Neil Armstrong ialah lelaki pertama yang berjalan di bulan .

Tarikh Neil Armstrong mula-mula mendarat di bulan ialah 21 Julai 1969.

Jika jawapan mengandungi fakta yang diberikan, model akan menjawab "ya". Jika tidak, model akan menjawab "tidak", dan akhirnya biarkan model mengira berapa banyak jawapan "ya" yang ada:

Yang berikut mengandungi dua fakta yang ditetapkan Contoh input (dengan kedua-dua peristiwa dan masa):

Contoh input yang memenuhi hanya satu fakta yang ditetapkan (tanpa masa):

Contoh input berikut tidak mengandungi sebarang fakta yang telah ditetapkan:

Ada terdapat banyak kemungkinan variasi kaedah penilaian berasaskan model ini, yang memerlukan pengesanan tahap pertindihan antara jawapan calon dan jawapan standard, dan menjejaki sama ada jawapan calon bercanggah dengan jawapan standard.

Sebagai contoh, contoh input berikut mengandungi jawapan substandard, tetapi tidak bercanggah dengan jawapan pakar (jawapan standard):

Berikut adalah contoh input dengan jawapan yang secara langsung bercanggah dengan jawapan pakar (fikir Neil Armstrong adalah lelaki kedua yang berjalan di bulan):

Yang terakhir ialah input sampel dengan jawapan yang betul, yang juga memberikan butiran lebih daripada yang diperlukan (masa tepat 02:56, Dan menunjukkan bahawa ini adalah satu pencapaian monumental dalam sejarah manusia):

Portal: https://github.com/ openai/evals （OpenAI Evals)

Atas ialah kandungan terperinci Strategi paling lengkap untuk GPT-4 ada di sini! OpenAI dikeluarkan secara rasmi, dan semua pengalaman terkumpul dalam enam bulan disertakan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!