prompt2model笔记
💡
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
prompt2model是一种通过提示自动生成语言模型的方法，包含Prompt Parser、Dataset Retriever、Dataset Generator和Model Retriever等部分。它利用上下文学习分割用户提示，检索相关数据集，并通过用户反馈优化选择。生成的数据集采用自动提示工程和共识输出过滤，Model Retriever则使用BM25算法根据用户指令检索模型。
🎯
关键要点
- prompt2model是一种通过提示自动生成语言模型的方法，包含多个部分：Prompt Parser、Dataset Retriever、Dataset Generator和Model Retriever。
- Prompt Parser使用上下文学习的LLM分割用户提示，并在需要时使用DeepL API将非英语指令转换为英语。
- Dataset Retriever通过手动注释的数据集支持用户任务，采用DataFinder方案对相关数据集进行排名，并允许用户选择最相关的数据集。
- Dataset Generator使用自动提示工程生成数据集，并通过自一致性过滤防止伪标签生成，选择最频繁的答案作为共识输出。
- Model Retriever使用encoder-decoder架构，利用BM25算法根据用户指令检索模型，并过滤大于3GB的模型以便于部署。
❓
延伸问答
prompt2model的主要组成部分有哪些？
prompt2model主要由Prompt Parser、Dataset Retriever、Dataset Generator和Model Retriever组成。
Prompt Parser是如何工作的？
Prompt Parser使用上下文学习的LLM分割用户提示，并在需要时使用DeepL API将非英语指令转换为英语。
Dataset Retriever的作用是什么？
Dataset Retriever通过手动注释的数据集支持用户任务，并使用DataFinder方案对相关数据集进行排名。
Dataset Generator如何生成数据集？
Dataset Generator使用自动提示工程生成数据集，并通过自一致性过滤防止伪标签生成，选择最频繁的答案作为共识输出。
Model Retriever使用了什么算法来检索模型？
Model Retriever使用BM25算法根据用户指令检索模型，并过滤大于3GB的模型以便于部署。
prompt2model如何优化用户反馈？
prompt2model通过用户选择最相关的数据集和识别输入输出列的方式，利用用户反馈来优化数据集的选择。
➡️
