Învățare în context
Învățarea în context este capacitatea surprinzătoare a modelelor de limbaj mari de a prelua o nouă sarcină din câteva exemple plasate în prompt, fără nicio reinstruire.
Prezentare generală
It is the reason you can 'teach' a model on the fly just by showing it what you want.
Scufundare în profunzime
În mod normal, a preda unei rețele neuronale o sarcină nouă înseamnă actualizarea greutăților acesteia prin antrenament. Învățarea în context este diferită: scrieți câteva exemple direct în prompt („contextul”), iar modelul deduce modelul și îl aplică unei noi intrări. Nu se schimbă nimic în interiorul modelului; exemplele ghidează doar predicția următorului simbol. Veți auzi „zero-shot” (doar instrucțiuni), „one-shot” (un exemplu) și „few-shot” (mai multe exemple). Acest comportament a fost popularizat de GPT-3 în 2020 și s-a dovedit a fi o abilitate emergentă: modelele minuscule nu o pot face, dar după o scară de aproximativ 100 de miliarde de parametri, acuratețea la solicitările de câteva lovituri crește brusc. Modelul a învățat în mod eficient să recunoască și să continue tiparele în timpul antrenamentului, astfel încât să poată reutiliza acea abilitate la momentul deducerii.
Perspectivă tehnică
Cercetările de interpretabilitate au urmărit o mare parte din această abilitate la „capete de inducție” – circuite de atenție care apar în timpul antrenamentului și efectuează potrivire neclară a prefixelor: scanează înapoi unde a apărut un simbol similar, apoi copiază ceea ce a urmat. Deci, atunci când promptul dvs. arată „măr -> fructe, morcov -> legume”, modelul se potrivește cu structura și prezice eticheta potrivită pentru următorul articol. În mod esențial, nu curge gradienți și nicio pondere nu se actualizează la inferență. Exemplele pur și simplu remodelează activările care alimentează distribuția probabilității următoarei simboluri.
Impact strategic
Viteză și scară
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Acces și acoperire
Extinde accesul în diferite limbi și stiluri de comunicare.
Decizii mai clare
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Viitorul învățării în context
Extinderea ferestrelor de context (acum sute de mii de jetoane) împinge învățarea în context către regimuri „multe lovituri”, în care zeci sau sute de exemple pot rivaliza cu reglarea fină pentru anumite sarcini, fără costuri de instruire. Așteptați-vă la o integrare mai strânsă cu recuperarea, astfel încât exemplele relevante sunt preluate automat și o teorie mai bună despre când învățarea în context eșuează sau este distrasă. Va rămâne modalitatea rapidă și ieftină de a adapta un model, completând - nu înlocuind - reglajul fin pentru sarcini stabile, de mare volum.
Implementare în lumea reală
Dându-i unui chatbot trei exemple de bilete de asistență și categoriile acestora, apoi punându-l să clasifice un nou bilet în același mod
Afișează un model două perechi înainte/după de text dezordonat reformatat în JSON curat, astfel încât să convertească restul
Lipiți câteva exemple de descrieri de produse în tonul mărcii dvs., astfel încât altele noi să se potrivească cu stilul
Demonstrarea unui cuvânt-problemă de matematică complicată lucrată pas cu pas, astfel încât modelul să rezolve probleme similare cu același format de raționament
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Continuați să explorați
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the In-Context Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Următorul ghid
Windows context
Întrebări frecvente
What is In-Context Learning?
Învățarea în context este capacitatea surprinzătoare a modelelor de limbaj mari de a prelua o nouă sarcină din câteva exemple plasate în prompt, fără nicio reinstruire. Acesta este motivul pentru care poți „învăța” un model din mers doar arătându-i ceea ce vrei.
Ce se schimbă fundamental în interiorul modelului în timpul învățării în context?
Învățarea în context are loc în întregime prin inferență. Exemplele din prompt modelează activările modelului și predicțiile următoare, dar nicio pondere nu este actualizată.
De ce învățarea în context este descrisă ca o abilitate „emergentă”?
Abilitatea este slabă sau absentă la modelele mici și urcă abrupt odată ce modelele ajung la scară foarte mare, motiv pentru care este numită emergentă.
Care mecanism intern este cel mai asociat cu învățarea în context în transformatoare?
Lucrările de interpretabilitate au identificat capete de inducție - circuite de atenție care găsesc unde a apărut un simbol similar și copiază ceea ce a urmat - ca un motor principal al învățării în context.