如何从 ChatGPT、Kimi、Qwen 等获取最佳答案
如何从 ChatGPT、Kimi、Qwen 等获取最佳答案
在人工智能的革命中，我们有许多 LLM，每个月我们都会看到新的 LLM 或现有 LLM 的更新版本。
但我们不知道的是：
-
• 哪个 LLM 能比其他更好地帮助我。 -
• 我该如何与 LLM 讨论以获得最佳答案。
如何选择 LLM
实际上，LLM 的使用取决于您想要解决的领域和问题。
这意味着要识别您的问题属于哪个领域。
例如：
-
• 解决数学问题 -
• 与计算机视觉相关的问题（处理图像） -
• 使用编码解决问题 -
• 或简单地处理一般任务
但我怎么知道我领域中更好的 LLM？
别担心，有一些组织评估 LLM，这被称为 基准测试。
所以 基准测试 是一种用于根据 LLM 在不同任务中的表现进行评估和比较的测试。
由于 LLM 设计用于各种目的，基准测试帮助我们了解哪个模型最适合特定需求。
常见的基准测试包括：
-
• MMLU： 测试多个学科的常识。 -
• HELLASWAG： 测量 LLM 预测下一个逻辑句子的能力。 -
• GSM8K： 评估数学问题解决能力。 -
• HumanEval： 通过检查 LLM 是否能够生成正确的 Python 程序来测试编码能力。
评估示例
如您所见，Kimi LLM 在解决数学问题方面表现更好。
此外，模型的评估还取决于您使用的语言：
我该如何与 LLM 讨论以获得最佳答案
要从 LLM 获取最佳答案，您需要给出好的提示。
以下是关键策略：
1. 清晰具体
-
• 而不是：“告诉我关于人工智能的事。” 尝试：“解释一下变压器在人工智能中的工作原理，重点关注自注意力和位置编码。” 您的请求越精确，响应就会越好。
2. 提供背景信息
-
• LLM 在拥有背景信息时响应更好。 -
• 示例：没有背景信息： “总结一下这段文字 'your text'。” -
• 有背景信息： “用简单的术语为电子商务初学者总结这段文字。”
3. 使用逐步说明
-
• 而不是：“生成用于数据清理的 Python 代码。” 尝试：“编写一个 Python 脚本来清理数据集：去除重复项、处理缺失值和标准化列名。”
4. 定义输出格式
-
• 如果您需要特定的结构，请提及。 -
• 示例：“用要点总结这篇文章。” -
• “生成一个用于发票处理的键值对的 JSON 输出。”
5. 实验和迭代
-
• 如果响应不完美，精炼您的提示。 -
• 示例：如果答案过于技术性，可以调整为 “用通俗的语言解释。”
6. 使用角色基础的提示
-
• 通过分配角色来引导 LLM。 -
• 示例：“你是一名高级人工智能工程师。向一名初级开发人员解释强化学习。”
7. 拆分复杂问题
-
• 而不是：“告诉我关于无货源电商的所有事情。” 尝试：“解释一下无货源电商的基础。” -
• “描述广告在无货源电商中的作用。”
总结：
在本文中，我探讨了如何优化与 LLM 聊天机器人的互动，以获得更好的答案。
我讨论了 基准测试，它帮助评估和比较不同模型在推理、编码和文本理解等任务中的表现。
常见的基准测试包括 MMLU 用于常识，GSM8K 用于数学，HumanEval 用于编码。
