概述
提示调整通过学习预先添加到输入中的一些连续的“软提示”向量来适应冻结的语言模型，而不是用手写单词。这是专门化巨型模型的最精简的方法之一，并且随着模型变大，它会变得更好。
Prompt Tuning 是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
提示调整由 Google 研究人员 Lester、Al-Rfou 和 Constant 于 2021 年推出，是前缀调整最简单的表亲。您无需手动制作文本提示，而是冻结整个模型并学习一个连续嵌入的小矩阵（“软提示”），仅在输入层添加。梯度下降调整这些向量以诱导任务的正确行为。一个惊人的发现：随着基础模型扩展到数十亿个参数，即时调整通过全面微调缩小了差距，最终在 SuperGLUE 等基准测试上进行匹配。每个任务只需要自己的微小软提示（通常是几千个参数），因此单个冻结模型可以同时服务于许多任务。作者将此描述为“参数高效提示调整的规模力量”。
技术洞察
软提示不是真正的单词——它们是嵌入空间中自由浮动的向量，不需要对应于词汇表中的任何标记。它们仅添加在输入嵌入层（与注入到每一层的前缀调整不同），使提示调整更加轻松。由于模型被冻结，梯度仅流回软提示嵌入。初始化、提示长度和模型规模都会强烈影响质量。
掌握即时调音
提示调整通过学习预先添加到输入中的一些连续的“软提示”向量来适应冻结的语言模型，而不是用手写单词。这是专门化巨型模型的最精简的方法之一，并且随着模型变大，它会变得更好。 Prompt Tuning 是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将提示调整视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Prompt Tuning 的强大团队将提示、检索和审查循环设计为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
将一个冻结的 T5 模型专门用于许多 SuperGLUE 任务，为每个任务存储一个单独的软提示
在许多客户中廉价地部署单个大型模型，每个客户都有自己学习的提示
无需手动设计措辞即可引导情绪或分类行为
软提示迁移：对一项任务的提示进行预训练，以热启动相关任务的学习
实施模式
在实践中及时调整
将一个冻结的 T5 模型专门用于许多 SuperGLUE 任务，为每个任务存储一个单独的软提示。
为许多 SuperGLUE 任务专门使用一个冻结的 T5 模型，为每个任务存储一个单独的软提示。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
在实践中及时调整
在许多客户中廉价地部署单个大型模型，每个客户都有自己学习的提示。
在许多客户中廉价地部署单个大型模型，每个客户都有自己学习的提示。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
在实践中及时调整
无需手动设计措辞即可引导情绪或分类行为。
无需手动设计措辞即可引导情绪或分类行为当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
在实践中及时调整
软提示迁移：对一项任务的提示进行预训练，以热启动相关任务的学习。
软提示转移：对一项任务进行预训练提示，以热启动相关任务的学习当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。