Adaptasi Prompt Dinamik dalam Model Generatif

Dalam beberapa tahun kebelakangan ini, model generatif telah menjadi alat transformatif dalam industri AI, membolehkan penjanaan teks, sintesis imej, dan lebih banyak keupayaan mendapat kunci dengan cepat. Tetapi bagaimana model -model ini benar -benar menyesuaikan diri dengan keperluan pengguna yang berkembang? Semuanya kelihatan seperti sihir kepada kita, apabila kita mendapat respons dari chatbot yang secara automatik, memahami konteks yang kita perlukan ketika kita berbual dengannya. Ini adalah penyesuaian yang dinamik. Bayangkan berinteraksi dengan pembantu pintar yang tidak hanya ingat soalan sebelumnya tetapi menyesuaikan gaya tindak balasnya berdasarkan keutamaan dan maklum balas anda. Keupayaan ini menjadikan model generatif berasa lebih intuitif dan diperibadikan.

Dalam artikel ini, kami akan meneroka bagaimana adaptasi prompt dinamik ini berfungsi. Mari memberi tumpuan kepada mekanisme teknikal dan memahami beberapa contoh dunia nyata, dan cabaran. Pada akhirnya, kita akan memahami teknik utama di sebalik penyesuaian dan bagaimana kita dapat melaksanakan konsep ini dengan berkesan di Python.

Artikel ini diterbitkan sebagai sebahagian daripada Blogathon Sains Data.

Jadual Kandungan

• Apakah Adaptasi Prompt Dinamik?
• Teknik Utama dalam Adaptasi Prompt Dinamik
• Pelaksanaan langkah demi langkah
• Cabaran dalam penyesuaian segera dinamik
• Kesimpulan
• Soalan yang sering ditanya

Apakah Adaptasi Prompt Dinamik?

Penyesuaian prompt dinamik boleh disebut sebagai keupayaan model generatif untuk menyesuaikan responsnya dalam masa nyata berdasarkan interaksi pengguna, konteks, dan maklum balas yang diperolehi. Gambaran statik adalah seperti skrip pra-ditulis yang sangat berguna butnon-fleksibel. Sebaliknya, dinamik mendorong berevolusi ke:

• Gunakan konteks masa lalu: Rujukan bahagian awal perbualan.
• Balas maklum balas: Laraskan gaya berdasarkan input pengguna.
• Memenuhi matlamat tertentu: menyesuaikan diri dengan respons dalam memenuhi keperluan khusus pengguna.

Pendekatan ini menyelesaikan masalah dengan arahan statik, dan menyesuaikan diri dengan sifat interaksi manusia yang berkembang.

Teknik Utama dalam Adaptasi Prompt Dinamik

Penyesuaian prompt dinamik bergantung pada teknik canggih seperti integrasi memori kontekstual, gelung maklum balas, dan pengendalian input multi-modal. Kaedah ini memberi kuasa kepada AI untuk menyampaikan respons yang tepat, diperibadikan, dan konteks dalam masa nyata.

Integrasi memori kontekstual

Integrasi memori kontekstual adalah teknik penting yang membolehkan model generatif untuk mengekalkan aliran dan kaitan perbualan dengan mengekalkan maklumat dari interaksi terdahulu. Fikirkannya sebagai versi digital ingatan jangka pendek manusia, di mana AI mengingati butiran utama dan menggunakannya untuk membuat respons yang sesuai.

Sebagai contoh, jika pengguna mula -mula meminta cadangan restoran Itali dan kemudian mengikuti soalan mengenai pilihan vegetarian, model bergantung pada ingatan kontekstual untuk memahami bahawa "pilihan vegetarian" berkaitan dengan restoran Itali.

Dari perspektif teknikal, melaksanakan memori kontekstual melibatkan menyimpan pertanyaan pengguna dan tindak balas model dalam format berstruktur, seperti rentetan atau JSON. Konteks yang disimpan secara dinamik dilampirkan kepada arahan baru, memastikan model mempunyai latar belakang yang diperlukan untuk menyampaikan jawapan yang koheren. Walau bagaimanapun, panjang konteks sering dikekang oleh had token dalam model generatif. Untuk menangani ini, pemaju menggunakan teknik seperti Windows Sliding, yang mengutamakan interaksi baru -baru ini atau sangat relevan semasa memotong maklumat yang lebih lama. Pengurusan yang berhati -hati ini menjadikan model ini tetap responsif dan sedar secara kontekstual tanpa melebihi had pengiraan.

Penambahbaikan gelung maklum balas

Sistem dinamik berfungsi pada maklum balas, dan penghalusan gelung maklum balas adalah asas kepada model generatif penyesuaian. Teknik ini membolehkan model mengubah suai tingkah laku mereka secara real-time berdasarkan arahan pengguna yang eksplisit. Sebagai contoh, jika pengguna meminta penjelasan yang lebih mudah mengenai rangkaian saraf, AI menyesuaikan responsnya untuk menampung keutamaan ini.

Secara teknikal, maklum balas diproses melalui saluran paip pemahaman bahasa semulajadi (NLU) untuk mengekstrak pandangan yang boleh dilakukan. Arahan seperti "Jelaskan dalam istilah yang lebih mudah" atau "fokus pada contoh" dihuraikan dan diintegrasikan ke dalam prompt seterusnya.

Sebagai contoh, apabila pengguna bertanya, "Terangkan pembelajaran mendalam," diikuti dengan maklum balas seperti "Membuatnya Pemula-mesra," model itu menambahkan arahan ini kepada segera, membimbing outputnya ke penjelasan yang mudah. Walau bagaimanapun, pengendalian maklum balas yang samar-samar, seperti "menjadikannya lebih baik," menimbulkan cabaran dan memerlukan algoritma pengesanan niat yang canggih untuk menyimpulkan jangkaan pengguna dengan tepat.

Pengendalian input pelbagai modal

Keupayaan untuk memproses pelbagai jenis input, seperti teks, imej, dan audio, meningkatkan kesesuaian model generatif. Pengendalian input multi-modal membolehkan AI bertindak balas dengan berkesan kepada pertanyaan yang melibatkan format data yang berbeza.

Sebagai contoh, pengguna mungkin memuat naik imej telefon pintar yang rosak dan meminta arahan pembaikan. Dalam senario ini, model mesti menganalisis imej, mengenal pasti skrin retak dan menghasilkan nasihat yang relevan, seperti menggantikan paparan atau melawat pusat pembaikan.

Dari segi teknikal, ini memerlukan pra-proses input bukan teks. Dalam contoh imej, model penglihatan komputer mengekstrak ciri -ciri utama, seperti jenis dan lokasi kerosakan. Wawasan ini kemudiannya dimasukkan ke dalam segera, membolehkan model generatif memberikan respons yang disesuaikan. Keupayaan multi-modal memperluaskan aplikasi praktikal AI, menjadikannya tidak ternilai dalam bidang seperti sokongan pelanggan, diagnostik penjagaan kesihatan, dan industri kreatif.

Pembelajaran Penguatkuasaan

Pembelajaran Penguatkuasaan (RL) memperkenalkan gelung pembelajaran yang membolehkan model generatif untuk memperbaiki output mereka dari masa ke masa berdasarkan kepuasan pengguna. Tingkah laku model dioptimumkan melalui isyarat ganjaran, yang mencerminkan kejayaan atau kegagalan responsnya. Sebagai contoh, dalam permohonan pembantu perjalanan, model mungkin belajar untuk mengutamakan pilihan perjalanan mesra alam jika pengguna secara konsisten menilai cadangan tersebut dengan sangat tinggi.

Pelaksanaan teknikal RL melibatkan penentuan fungsi ganjaran yang terikat dengan tindakan pengguna tertentu, seperti mengklik pautan yang dicadangkan atau memberikan maklum balas positif. Semasa latihan, model secara berulang menyesuaikan parameternya untuk memaksimumkan ganjaran kumulatif. Walaupun RL berkuasa, kejayaannya bergantung kepada mereka bentuk struktur ganjaran yang jelas dan bermakna. Ketidakjelasan atau sparsiti dalam ganjaran boleh menghalang keupayaan model untuk mengenal pasti apa yang menjadi tindak balas "baik", yang membawa kepada pembelajaran yang lebih perlahan atau kurang berkesan.

Pemahaman bahasa semula jadi

Pemahaman Bahasa Semulajadi (NLU) membentuk tulang belakang penyesuaian prompt dinamik dengan membolehkan model mengekstrak niat, entiti, dan sentimen dari input pengguna.

Sebagai contoh, jika pengguna bertanya, "Cari saya sebuah hotel yang tenang di New York untuk hujung minggu depan," sistem NLU mengenal pasti niat (tempahan hotel), entiti (New York, hujung minggu depan), dan keutamaan (tenang). Wawasan ini kemudiannya diintegrasikan ke dalam segera, memastikan model menyampaikan respons yang disesuaikan dan relevan.

NLU bergantung pada model bahasa pra-terlatih atau saluran paip yang dibina khas untuk menghuraikan pertanyaan pengguna. Ia melibatkan tokenizing input, mengenal pasti kata kunci, dan memetakannya kepada kategori atau niat yang telah ditetapkan. Pemahaman berstruktur ini membolehkan model melampaui pemprosesan teks peringkat permukaan, yang membolehkan penglibatan yang lebih mendalam dengan keperluan pengguna. Dengan memanfaatkan NLU, model generatif boleh menawarkan respons yang bukan sahaja tepat tetapi juga secara kontekstual, meningkatkan pengalaman pengguna keseluruhan.

Pelaksanaan langkah demi langkah

Melaksanakan penyesuaian segera dinamik melibatkan pendekatan berstruktur, dari memahami konteks pengguna untuk memanfaatkan teknik AI yang maju. Setiap langkah memastikan interaksi lancar dan ketepatan tindak balas yang lebih baik.

Langkah1: Sediakan persekitaran anda

Untuk memulakan, pastikan anda mempunyai kebergantungan yang diperlukan. Di sini, kami menggunakan model perbualan muka yang memeluk bersama -sama dengan pytorch. Pasang perpustakaan yang diperlukan:

 Pip Pasang Transformers Obor

Seterusnya, sediakan model dan tokenizer. Kami menggunakan "QWEN/QWEN.5-1.5B-Instruct," tetapi anda boleh menggantikannya dengan model perbualan yang tersedia pada muka yang memeluk.

 Dari Transformers Import Automelforcausallm, Autotokenizer
obor import

# Muatkan model muka dan tokenizer yang memeluk
Model_name = "qwen/qwen2.5-1.5b-Instruct"
tokenizer = autotokenizer.from_pretrained (model_name)
Model = automelforcausallm.from_pretrained (model_name)

# Periksa sama ada GPU tersedia dan gerakkan model ke GPU
peranti = obor.device ("cuda" jika obor.cuda.is_available () lain "cpu")
model = model.to (peranti)

Mengapa persediaan ini?

• Pakaian muka menyediakan model pra-terlatih, menjimatkan usaha latihan dari awal.
• Menggunakan GPU (jika ada) mempercepat kesimpulan model, terutamanya untuk model berskala besar seperti Qwen.

Langkah2: Tentukan fungsi segera dinamik

Fungsi ini secara dinamik menggabungkan input pengguna, konteks perbualan sebelumnya, dan maklum balas pilihan untuk membimbing respons model AI. Ia mewujudkan pertanyaan berstruktur dan boleh disesuaikan.

 def dynamic_prompt (user_input, konteks, maklum balas = tiada):
    "" "
    Buat konteks gabungan yang dinamik, input pengguna, dan maklum balas pilihan.

    Parameter:
        user_input (str): Input terkini pengguna.
        Konteks (STR): Sejarah Perbualan.
        Maklum balas (STR): Maklum balas pilihan untuk membimbing nada atau gaya tindak balas.

    Pulangan:
        STR: Gabungan gabungan untuk model AI.
    "" "
    BASE_PROMPT = "Anda adalah pembantu pintar. Balas pertanyaan pengguna dengan berkesan. \ n \ n"
    context_prompt = f "Sejarah Perbualan: \ n {Context} \ n \ n" Jika konteks lain ""
    user_prompt = f "user: {user_input} \ nassistant:"
    feedback_prompt = f "\ nfeedback: {umpan balik}" Jika maklum balas lain ""
    kembali base_prompt context_prompt user_prompt feedback_prompt

• Asas prompt -> menetapkan tingkah laku lalai pembantu.
• Konteks -> Memastikan kesinambungan dalam perbualan berbilang pusingan.
• Maklum balas -> Secara dinamik menyesuaikan gaya atau nada berdasarkan keutamaan pengguna.

Contoh

 konteks = "Pengguna: Apa itu Ai? \ Nassistant: Ai bermaksud kecerdasan buatan. Ia membolehkan mesin meniru tingkah laku manusia."
user_input = "Terangkan rangkaian saraf."
Maklum balas = "Buatnya pemula-mesra."
prompt = dynamic_prompt (user_input, konteks, maklum balas)
Cetak (Prompt)

Anda seorang pembantu pintar. Bertindak balas terhadap pertanyaan pengguna dengan berkesan.

Sejarah Perbualan:
Pengguna: Apa itu AI?
Pembantu: AI bermaksud kecerdasan buatan. Ia membolehkan mesin meniru tingkah laku manusia.

Pengguna: Jelaskan rangkaian saraf.
Pembantu:
Maklum balas: Jadikannya pemula-mesra.

Langkah3: Menjana jawapan dengan model AI

Fungsi Generate_Response mengambil prompt dinamik dan memberi makan kepada model AI untuk menghasilkan respons.

 def penjana_response (prompt, max_length = 100):
    "" "
    Menjana respons menggunakan model perbualan muka yang memeluk.

    Parameter:
        Prompt (str): Prompt dinamik.
        max_length (int): Panjang maksimum tindak balas yang dihasilkan.

    Pulangan:
        STR: Sambutan model.
    "" "
    # Tokenkan input input
    input_ids = tokenizer.encode (prompt, return_tensors = "pt"). ke (peranti)

    # Menghasilkan respons menggunakan model
    output_ids = model.generate (
        input_ids,
        max_length = input_ids.size (-1) max_length,
        pad_token_id = tokenizer.eos_token_id,
        no_repeat_ngram_size = 3,
        top_k = 50,
        top_p = 0.9,
        suhu = 0.7,
    )

    # Menyahkodkan token tindak balas kembali ke teks
    respons = tokenizer.decode (output_ids [:, input_ids.size (-1):] [0], skip_special_tokens = true)
    tindak balas pulangan

Parameter utama dijelaskan:

• max_length -> mentakrifkan panjang tindak balas.
• no_repeat_ngram_size -> menghalang frasa berulang.
• TOP_K dan TOP_P -> Galakkan tindak balas yang pelbagai dan relevan dengan mengawal pensampelan token.
• Suhu -> Mengimbangi kreativiti (nilai yang lebih tinggi) dan fokus (nilai yang lebih rendah).

Contoh

 prompt = "Anda adalah pembantu pintar. Jelaskan rangkaian saraf dengan mudah."
Response = Generate_Response (Prompt)
Cetak (Respons)

Output

Rangkaian saraf adalah sejenis algoritma pembelajaran mesin yang boleh belajar dan membuat ramalan berdasarkan data input. Ia dinamakan sempena otak manusia kerana ia berfungsi dengan cara yang meniru bagaimana neuron di otak kita berkomunikasi antara satu sama lain melalui isyarat elektrik. Rangkaian saraf terdiri daripada lapisan nod yang saling berkaitan, atau "neuron," yang memproses maklumat dengan lulus dari satu lapisan ke satu lagi sehingga output akhir dihasilkan. Rangkaian ini boleh digunakan untuk tugas -tugas seperti pengiktirafan imej, pengiktirafan pertuturan, dan bahasa semula jadi.

Langkah4: Melaksanakan sesi sembang interaktif

Gelung interaktif ini membolehkan anda mempunyai perbualan yang dinamik dengan model AI, mengemas kini konteks dengan setiap input pengguna.

 def chat_with_model ():
    "" "
    Mulakan sesi sembang interaktif dengan model muka yang memeluk.
    "" "
    konteks = "" # Sejarah perbualan
    Cetak ("Mulailah berbual dengan AI (jenis 'keluar' untuk berhenti):")
    Walaupun benar:
        user_Input = input ("Pengguna:")
        jika user_input.lower () == "keluar":
            Cetak ("Selamat tinggal!")
            rehat

        # Pilihan mengumpulkan maklum balas untuk penyesuaian nada/gaya
        maklum balas = input ("maklum balas (pilihan, misalnya, 'lebih formal'):") .strip () atau tidak

        # Buat petikan dinamik
        prompt = dynamic_prompt (user_input, konteks, maklum balas)
        cetak (f "\ ndynamic prompt digunakan: \ n {prompt} \ n") # untuk debugging

        # Menjana dan memaparkan respons AI
        Cuba:
            Response = Generate_Response (Prompt)
            cetak (f "ai: {response} \ n")

            # Kemas kini Konteks
            konteks = f "pengguna: {user_input} \ nassistant: {response} \ n"
        Kecuali pengecualian sebagai e:
            cetak (f "ralat: {e}")
            rehat

• Kemas Kini Dinamik -> Menambah pertanyaan pengguna dan respons AI kepada konteks untuk aliran perbualan yang lancar.
• Maklum Balas Pilihan -> membolehkan pengguna memperbaiki nada atau gaya AI dalam masa nyata.
• Pengendalian ralat -> menghalang gelung daripada terhempas akibat masalah yang tidak dijangka.

Contoh

Di sini, konteks perbualan digunakan apabila pengguna bertanya soalan seterusnya sebagai "adakah ia baik dalam era teknologi hari ini", jadi model secara automatik memahami di sini ia merujuk kepada rangkaian saraf, dan jawapan berdasarkan memori ini.

Cabaran dalam penyesuaian segera dinamik

Adaptasi Prompt Dinamik dilengkapi dengan cabaran tersendiri, seperti menguruskan input samar -samar dan mengimbangi ketepatan tindak balas. Menangani halangan ini adalah penting untuk mewujudkan sistem AI yang berkesan dan boleh dipercayai.

Limpahan konteks dan had token

Adaptasi Prompt Dinamik menghadapi beberapa cabaran yang memerlukan penyelesaian yang bijak untuk memastikan keteguhan dan kecekapan. Menguruskan perbualan yang panjang adalah sukar apabila konteks tumbuh di luar had token model. Pemangkasan yang lebih tua boleh mengakibatkan kehilangan maklumat kritikal, yang membawa kepada tindak balas yang tidak relevan atau terputus.

Sebagai contoh, chatbot sokongan pelanggan yang membantu dengan isu teknikal yang kompleks boleh melupakan langkah penyelesaian masalah yang lebih awal kerana pemotongan konteks. Untuk menangani ini, strategi pemangkasan konteks pintar boleh dilaksanakan untuk mengutamakan penahan pertukaran baru-baru ini dan relevan sambil meringkaskan bahagian yang kurang kritikal.

Kekaburan dalam maklum balas

Pengguna sering memberikan maklum balas yang samar -samar, seperti "menjadi lebih jelas," yang mana sistem itu mungkin berjuang untuk mentafsirkan dengan berkesan. Ketidakjelasan dalam arahan boleh mengakibatkan pelarasan suboptimal.

Sebagai contoh, pengguna dalam aplikasi kajian mungkin berkata, "Terangkan dengan lebih baik," tanpa menyatakan maksud "lebih baik" (contohnya, bahasa yang lebih mudah, lebih banyak contoh, atau bantuan visual). Menambah lapisan tafsiran maklum balas boleh menghuraikan arahan yang tidak jelas ke dalam penambahbaikan yang boleh dilakukan, seperti "memudahkan istilah" atau "menambah contoh," menjadikan sistem lebih berkesan.

Kekangan sumber

Menjalankan model besar memerlukan sumber pengiraan yang ketara, yang mungkin tidak dapat dilaksanakan untuk semua penyebaran. Pada CPU, kesimpulan boleh perlahan, sementara pada skala, kos GPU dan infrastruktur menambah.

Sebagai contoh, permulaan yang menggunakan AI untuk pertanyaan masa nyata mungkin mendapati masa tindak balas ketinggalan semasa penggunaan puncak kerana kapasiti GPU yang tidak mencukupi. Mengoptimumkan model melalui kuantisasi atau menggunakan model yang lebih kecil untuk tugas ringan sambil menempah yang lebih besar untuk pertanyaan yang kompleks dapat membantu menguruskan sumber dengan cekap.

Mengekalkan koheren dalam respons

Apabila perbualan berkembang lebih lama, AI mungkin kehilangan tumpuan atau menghasilkan tindak balas yang tidak relevan kerana konteks yang tidak diselenggarakan atau arahan yang tidak jelas.

Sebagai contoh, dalam perbincangan panjang mengenai perancangan perjalanan, AI mungkin tiba -tiba mencadangkan aktiviti yang tidak berkaitan, memecahkan aliran perbualan. Secara kerap menyempurnakan struktur segera dapat memperkuat tumpuan kepada topik utama dan meningkatkan kejelasan tindak balas, memastikan interaksi yang koheren.

Risiko etika dan kecenderungan

Bias data latihan secara tidak sengaja boleh membawa kepada tindak balas yang tidak sesuai atau berbahaya, terutamanya dalam aplikasi sensitif seperti sokongan kesihatan mental atau pendidikan.

Sebagai contoh, chatbot mungkin secara tidak sengaja menormalkan tingkah laku berbahaya apabila salah menafsirkan konteks atau nada pengguna. Menggabungkan strategi pengurangan bias semasa penalaan halus dan menggunakan pembelajaran tetulang dengan maklum balas manusia (RLHF) dapat memastikan penjajaran etika dan interaksi yang lebih selamat.

Skalabiliti di bawah beban

Mengendalikan sejumlah besar perbualan serentak boleh menimbulkan infrastruktur dan merendahkan kualiti tindak balas atau kelajuan semasa tempoh lalu lintas tinggi.

Sebagai contoh, pembantu AI di platform e-dagang mungkin menghadapi kelewatan semasa jualan kilat, pelanggan yang mengecewakan dengan respons yang perlahan. Melaksanakan pemprosesan asynchronous, mengimbangi beban, dan mekanisme caching untuk soalan yang sering ditanya dapat mengurangkan beban pelayan dan mengekalkan prestasi semasa penggunaan puncak.

Kesimpulan

Dengan menangani cabaran-cabaran ini, penyesuaian segera dinamik boleh menjadi penyelesaian yang mantap untuk sistem AI yang interaktif dan responsif. Adaptasi Prompt Diffynamik bukan sekadar kemajuan teknikal, ia melompat ke arah menjadikan sistem AI lebih intuitif dan manusia. Dengan memanfaatkan potensinya, kita dapat mencipta pengalaman interaktif yang diperibadikan, menarik, dan mampu menyesuaikan diri dengan pelbagai keperluan pengguna. Mari kita merangkul cabaran -cabaran ini sebagai batu loncatan untuk membina lebih bijak, dan penyelesaian AI yang lebih baik!

Takeaways utama

• Penyesuaian AI Adaptasi Dinamik AI Respons berdasarkan konteks, maklum balas pengguna, dan keperluan yang berkembang.
• Teknik seperti integrasi memori kontekstual dan pembelajaran tetulang meningkatkan aliran perbualan dan pemperibadian.
• Pengendalian input pelbagai modal memperluaskan aplikasi model generatif kepada pelbagai jenis data seperti teks, imej, dan audio.
• Penambahbaikan gelung maklum balas memastikan pelarasan masa nyata kepada nada tindak balas, kerumitan, dan gaya.
• Melaksanakan petunjuk dinamik dalam Python melibatkan teknik seperti pengurusan konteks, parsing maklum balas, dan penggunaan token yang cekap.

Soalan yang sering ditanya

Q1. Apakah Adaptasi Prompt Dinamik?

A. Adaptasi Prompt Dinamik adalah proses di mana model generatif mengubah suai respons mereka dalam masa nyata berdasarkan interaksi pengguna, maklum balas, dan konteks.

S2. Mengapa integrasi memori kontekstual penting?

A. Ia membantu AI mengekalkan dan menggunakan maklumat yang relevan dari interaksi sebelumnya untuk mengekalkan aliran perbualan yang koheren.

Q3. Bagaimanakah gelung maklum balas meningkatkan model generatif?

A. Gelung maklum balas membolehkan model untuk memperbaiki respons mereka secara dinamik, menyesuaikan diri dengan keutamaan pengguna untuk pemperibadian yang lebih baik.

Q4. Apakah peranan yang dimainkan oleh pembelajaran tetulang dalam penyesuaian segera?

A. Pembelajaran tetulang membantu model mengoptimumkan respons dari masa ke masa menggunakan isyarat ganjaran berdasarkan kepuasan pengguna atau hasil yang diinginkan.

S5. Bolehkah Adaptasi Prompt Dinamik Mengendalikan Imej dan Audio?

A. Ya, pengendalian input multi-modal membolehkan model generatif memproses dan bertindak balas terhadap teks, imej, dan audio, meluaskan kes penggunaannya.

Media yang ditunjukkan dalam artikel ini tidak dimiliki oleh Analytics Vidhya dan digunakan atas budi bicara penulis.

Atas ialah kandungan terperinci Adaptasi Prompt Dinamik dalam Model Generatif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!