Bonne réponse
- BFournir quelques exemples du style souhaité dans le prompt (few-shot learning).
Explication
L'apprentissage few-shot (option B) est la stratégie correcte car il contrôle directement le style et le ton en fournissant des exemples du résultat souhaité dans le prompt. Cela exploite la capacité d'apprentissage en contexte du modèle sans modifier les poids sous-jacents de celui-ci, ce qui le rend idéal pour garantir la cohérence sans le coût et la complexité du fine-tuning.
Pour aller plus loin
Le prompting few-shot fonctionne parce que le modèle effectue un apprentissage en contexte : les paires d'exemples que vous placez dans le prompt agissent comme des jetons de conditionnement qui déplacent la distribution de probabilité des jetons suivants vers le modèle démontré, sans modifier aucun poids. C'est transitoire : l'effet disparaît une fois que la fenêtre de contexte est effacée, contrairement au fine-tuning, qui intègre le style dans les paramètres du modèle par des mises à jour de gradient. Une limite pratique est la fenêtre de contexte : les exemples consomment des jetons qui comptent pour le coût et peuvent évacuer la requête réelle, et des prompts très long peuvent diluer le signal. Dans un pipeline de description de produits, intégrer deux ou trois exemples avec une voix cohérente dans le message système oriente de manière fiable le ton pour chaque appel, et vous pouvez échanger des exemples par catégorie de produit sans rien réentraîner.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-102 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.