大型語言模型 (LLM)：2024 年完整指南
關於 LLM 你需要了解的一切
介紹
您是否曾經撓過頭，驚訝於 Google 或 Alexa 似乎能夠“抓住”您？ 或者你是否發現自己正在閱讀一篇聽起來很像人類的計算機生成的文章？ 你不是一個人。 是時候拉開帷幕，揭開秘密了：大型語言模型（LLM）。
你問這些是什麼？ 將法學碩士視為隱藏的巫師。 它們為我們的數字聊天提供動力，理解我們混亂的短語，甚至像我們一樣寫作。 他們正在改變我們的生活，讓科幻小說成為現實。
本指南涵蓋了法學碩士的所有內容。 我們將探討它們能做什麼、不能做什麼以及它們的用途。 我們將用簡單明了的語言來研究它們如何影響我們所有人。
那麼，讓我們開始激動人心的法學碩士之旅吧。
本指南適用於誰？
這份詳盡的指南適用於：
- 所有定期處理大量數據的企業家和個體創業者
- 人工智能和機器學習或開始使用流程優化技術的專業人士
- 打算加快其 AI 模塊或 AI 驅動產品上市時間的項目經理
- 以及喜歡深入了解 AI 流程中涉及的層的細節的技術愛好者。
什麼是大型語言模型？
大型語言模型 (LLM) 是先進的人工智能 (AI) 系統，旨在處理、理解和生成類人文本。 它們基於深度學習技術，並在海量數據集上進行訓練，這些數據集通常包含來自網站、書籍和文章等不同來源的數十億個單詞。 這種廣泛的培訓使法學碩士能夠掌握語言、語法、上下文甚至常識的某些方面的細微差別。
一些流行的法學碩士，例如 OpenAI 的 GPT-3，採用了一種稱為 Transformer 的神經網絡，這使得他們能夠非常熟練地處理複雜的語言任務。 這些模型可以執行廣泛的任務，例如：
- 回答問題
- 總結文本
- 翻譯語言
- 生成內容
- 甚至與用戶進行互動對話
隨著法學碩士的不斷發展，它們在增強和自動化跨行業的各種應用程序（從客戶服務和內容創建到教育和研究）方面具有巨大的潛力。 然而，它們也引發了道德和社會問題，例如偏見行為或濫用，這些問題需要隨著技術的進步而得到解決。
建構LLM資料語料庫的重要因素
您必須建立全面的資料語料庫才能成功訓練語言模型。這個過程涉及收集大量數據並確保其高品質和相關性。讓我們看看對語言模型訓練有效資料庫的開發有重大影響的關鍵方面。
優先考慮數據品質和數量
大型資料集是訓練語言模型的基礎。然而，數據品質具有許多重要意義。使用大量但結構不良的資料訓練的模型可能會產生不準確的結果。
相反，較小的、精心策劃的資料集通常會帶來卓越的效能。這一現實表明了平衡資料收集方法的重要性。數據具有代表性、多樣化且與模型的預期範圍相關，需要勤奮的選擇、清理和組織。
選擇適當的資料來源
資料來源的選擇應與模型的具體應用目標保持一致。
- 產生對話的模型將受益於對話和訪談等來源，這些來源是無價的。
- 專注於程式碼產生的模型將受益於記錄良好的程式碼儲存庫。
- 文學作品和劇本為那些以創意寫作為目標的人提供了大量的培訓材料。
您必須包含涵蓋預期語言和主題的資料。它可以幫助您自訂模型，使其在指定的領域內有效地執行。
使用合成數據生成
使用合成資料增強資料集可以填補空白並擴展其範圍。您可以使用資料增強、文字生成模型和基於規則的生成來建立反映現實世界模式的人工資料。此策略擴大了訓練集的多樣性，以增強模型的彈性並有助於減少偏差。
確保驗證合成資料的質量，以便它對模型在其目標領域內理解和生成語言的能力做出積極貢獻。
實施自動化資料收集
資料收集過程的自動化有助於新的相關資料的一致整合。這種方法簡化了資料收集、提高了可擴展性並提高了可重複性。
您可以使用網頁抓取工具、API 和資料擷取框架有效收集各種資料集。您可以微調這些工具，以專注於高品質的相關數據。他們優化了模型的訓練教材。您必須持續監控這些自動化系統，以保持其準確性和道德完整性。
了解大型語言模型 (LLM) 的構建模塊
為了充分理解法學碩士的能力和運作方式，熟悉一些關鍵概念非常重要。 這些包括：
單詞嵌入
這是指將單詞翻譯成人工智能模型可以解釋的數字格式的做法。 本質上，詞嵌入是人工智能的語言。 每個單詞都表示為一個高維向量，該向量根據訓練數據中的上下文封裝其語義。 這些向量使人工智能能夠理解單詞之間的關係和相似性，從而增強模型的理解和性能。
注意機制
這些複雜的組件有助於人工智能模型在生成輸出時優先考慮輸入文本中的某些元素。 例如，在一個充滿各種情感的句子中，注意力機制可能會給帶有情感的單詞更高的權重。 這一策略使人工智能能夠生成更符合上下文的準確和細緻的響應。
變形金剛
Transformer 代表了法學碩士研究中廣泛採用的一種高級神經網絡架構。 Transformer 的獨特之處在於它們的自我關注機制。 這種機制允許模型同時權衡和考慮輸入數據的所有部分，而不是按順序。 結果是在處理文本中的遠程依賴性方面得到了改進，這是自然語言處理任務中的常見挑戰。
微調
即使是最先進的法學碩士也需要進行一些調整才能在特定任務或領域表現出色。 這就是微調的用武之地。模型最初在大型數據集上進行訓練後，可以在更小、更具體的數據集上進一步細化或“微調”。 此過程允許模型將其廣義語言理解能力適應更專業的任務或上下文。
提示工程
輸入提示是法學碩士生成輸出的起點。 有效地製作這些提示（一種稱為提示工程的實踐）可以極大地影響模型響應的質量。 它是藝術和科學的融合，需要敏銳地理解模型如何解釋提示並生成響應。
偏見
當法學碩士從他們接受訓練的數據中學習時，這些數據中存在的任何偏見都可能滲透到模型的行為中。 這可能表現為模型輸出中的歧視性或不公平傾向。 解決和減輕這些偏見是人工智能領域的一項重大挑戰，也是發展道德良好的法學碩士的一個關鍵方面。
可解釋性
鑑於法學碩士的複雜性，理解他們為什麼做出某些決定或產生特定的輸出可能具有挑戰性。 這種特徵被稱為可解釋性，是正在進行的研究的一個關鍵領域。 增強可解釋性不僅有助於故障排除和模型細化，還可以增強人工智能係統的信任和透明度。
LLM模型是如何訓練的？
訓練大型語言模型 (LLM) 是一項相當大的壯舉，涉及幾個關鍵步驟。 以下是該過程的簡化分步概要：
- 收集文本數據： 法學碩士的培訓從收集大量文本數據開始。 這些數據可以來自書籍、網站、文章或社交媒體平台。 目的是捕捉人類語言的豐富多樣性。
- 清理數據： 然後，原始文本數據在稱為預處理的過程中進行整理。 這包括刪除不需要的字符、將文本分解為稱為標記的較小部分以及將其全部轉換為模型可以使用的格式等任務。
- 分割數據： 接下來，乾淨的數據被分成兩組。 一組訓練數據將用於訓練模型。 另一組驗證數據稍後將用於測試模型的性能。
- 設置模型： 然後定義了法學碩士的結構（稱為架構）。 這涉及選擇神經網絡的類型並決定各種參數，例如網絡內的層數和隱藏單元的數量。
- 訓練模型： 真正的訓練現在開始。 LLM模型通過查看訓練數據進行學習，根據迄今為止學到的知識進行預測，然後調整其內部參數以減少其預測與實際數據之間的差異。
- 檢查型號：使用驗證數據檢查 LLM 模型的學習情況。 這有助於查看模型的性能並調整模型的設置以獲得更好的性能。
- 使用模型：經過訓練和評估後，LLM模型就可以使用了。 它現在可以集成到應用程序或系統中，根據給定的新輸入生成文本。
- 改進模型： 最後，總是有改進的空間。 隨著時間的推移，LLM 模型可以使用更新的數據或根據反饋和實際使用情況調整設置來進一步完善。
請記住，這個過程需要大量的計算資源，例如強大的處理單元和大容量存儲，以及機器學習方面的專業知識。 這就是為什麼它通常由擁有必要基礎設施和專業知識的專門研究組織或公司來完成。
法學碩士依賴監督學習還是無監督學習？
大型語言模型通常使用監督學習的方法進行訓練。 簡而言之，這意味著他們從向他們展示正確答案的示例中學習。
因此，如果你向法學碩士提供一個句子，它會嘗試根據從示例中學到的內容來預測下一個單詞或短語。 通過這種方式，它可以學習如何生成有意義且適合上下文的文本。
也就是說，有時法學碩士也會使用一些無監督學習。 這就像讓孩子探索一個充滿不同玩具的房間並自己了解它們。 該模型會查看未標記的數據、學習模式和結構，而不會被告知“正確”的答案。
監督學習使用帶有輸入和輸出標記的數據，而無監督學習則不使用標記的輸出數據。
簡而言之，法學碩士主要使用監督學習進行訓練，但他們也可以使用無監督學習來增強自己的能力，例如探索性分析和降維。
訓練大型語言模型所需的數據量（以 GB 為單位）是多少？
語音數據識別和語音應用的可能性是巨大的，它們正被用於多個行業的大量應用。
訓練大型語言模型並不是一個一刀切的過程，尤其是在涉及所需數據時。 這取決於很多事情：
- 模型設計。
- 它需要做什麼工作？
- 您正在使用的數據類型。
- 您希望它表現如何？
也就是說，培訓法學碩士通常需要大量文本數據。 但我們談論的到底有多大呢？ 好吧，想想千兆字節 (GB) 以外的數字。 我們通常查看太字節 (TB) 甚至拍字節 (PB) 的數據。
以 GPT-3 為例，它是最大的法學碩士之一。 它訓練於 570 GB 文本數據。 較小的法學碩士可能需要更少的空間——可能是 10-20 GB 甚至 1 GB 的千兆字節——但仍然很多。
但這不僅僅與數據的大小有關。 質量也很重要。 數據需要乾淨且多樣化，以幫助模型有效學習。 而且您不能忘記難題的其他關鍵部分，例如您所需的計算能力、用於訓練的算法以及您擁有的硬件設置。 所有這些因素在培養法學碩士方面都發揮著重要作用。
大型語言模型的興起：為什麼它們很重要
法學碩士不再只是一個概念或實驗。 它們在我們的數字環境中發揮著越來越重要的作用。 但為什麼會出現這種情況呢？ 是什麼讓這些法學碩士如此重要？ 讓我們深入研究一些關鍵因素。
精通模仿人類文本
法學碩士改變了我們處理基於語言的任務的方式。 這些模型使用強大的機器學習算法構建，能夠在某種程度上理解人類語言的細微差別，包括上下文、情感，甚至諷刺。 這種模仿人類語言的能力不僅僅是一個新奇的東西，它具有重要的意義。
法學碩士先進的文本生成能力可以增強從內容創建到客戶服務交互的一切。
想像一下，能夠向數字助理提出一個複雜的問題，並得到一個不僅有意義、而且連貫、相關、並以對話語氣表達的答案。 這就是法學碩士所能夠實現的。 它們推動了更直觀、更有吸引力的人機交互，豐富了用戶體驗，並使信息訪問民主化。
經濟實惠的計算能力
如果沒有計算領域的並行發展，法學碩士的興起是不可能的。 更具體地說，計算資源的民主化在法學碩士的發展和採用中發揮了重要作用。
基於雲的平台提供了前所未有的高性能計算資源訪問方式。 這樣，即使是小規模組織和獨立研究人員也可以訓練複雜的機器學習模型。
此外，處理單元（如 GPU 和 TPU）的改進，加上分佈式計算的興起，使得訓練具有數十億個參數的模型成為可能。 計算能力的提高促進了法學碩士的成長和成功，從而帶來了該領域的更多創新和應用。
消費者偏好的轉變
今天的消費者不僅想要答案，還想要答案。 他們想要有吸引力且相關的互動。 隨著越來越多的人在使用數字技術的過程中成長，很明顯，對更自然、更人性化的技術的需求正在增加。法學碩士為滿足這些期望提供了無與倫比的機會。 通過生成類似人類的文本，這些模型可以創建引人入勝的動態數字體驗，從而提高用戶滿意度和忠誠度。 無論是提供客戶服務的人工智能聊天機器人還是提供新聞更新的語音助手，法學碩士都在開創一個更了解我們的人工智能時代。
非結構化數據金礦
非結構化數據，例如電子郵件、社交媒體帖子和客戶評論，是洞察的寶庫。 估計超過 80% 的企業數據是非結構化的，並且以 55% 每年。 如果利用得當，這些數據對於企業來說就是一座金礦。
法學碩士在這裡發揮了作用，因為他們有能力大規模處理和理解此類數據。 它們可以處理情感分析、文本分類、信息提取等任務，從而提供有價值的見解。
無論是從社交媒體帖子中識別趨勢，還是從評論中衡量客戶情緒，法學碩士都可以幫助企業駕馭大量非結構化數據並做出數據驅動的決策。
不斷擴大的 NLP 市場
法學碩士的潛力體現在快速增長的自然語言處理（NLP）市場中。 分析師預計 NLP 市場將從 11 年為 2020 億美元，到 35 年將超過 2026 億美元。 但擴大的不僅僅是市場規模。 模型本身也在不斷增長，無論是物理尺寸還是它們處理的參數數量。 如下圖所示，法學碩士多年來的演變（圖片來源：鏈接）強調了其日益增長的複雜性和能力。
大型語言模型的流行用例
以下是 LLM 的一些頂級和最普遍的用例：
- 生成自然語言文本： 大型語言模型 (LLM) 結合了人工智能和計算語言學的力量，可以自主生成自然語言文本。 它們可以滿足不同的用戶需求，例如撰寫文章、創作歌曲或與用戶進行對話。
- 通過機器翻譯： 法學碩士可以有效地用於在任何語言對之間翻譯文本。 這些模型利用循環神經網絡等深度學習算法來理解源語言和目標語言的語言結構，從而促進將源文本翻譯成所需語言。
- 製作原創內容： 法學碩士為機器生成有凝聚力和邏輯性的內容開闢了途徑。 此內容可用於創建博客文章、文章和其他類型的內容。 這些模型利用其深厚的深度學習經驗，以新穎且用戶友好的方式格式化和構建內容。
- 分析情緒： 大型語言模型的一項有趣的應用是情感分析。 在這種情況下，模型被訓練來識別和分類註釋文本中存在的情緒狀態和情緒。 該軟件可以識別積極、消極、中立和其他復雜情緒等情緒。 這可以提供有關客戶反饋以及對各種產品和服務的看法的寶貴見解。
- 理解、總結和分類文本： 法學碩士為人工智能軟件建立了一個可行的結構來解釋文本及其上下文。 通過指示模型理解和審查大量數據，法學碩士使人工智能模型能夠理解、總結甚至對不同形式和模式的文本進行分類。
- 回答問題： 大型語言模型使問答 (QA) 系統能夠準確感知和響應用戶的自然語言查詢。 此用例的流行示例包括 ChatGPT 和 BERT，它們檢查查詢的上下文並篩選大量文本，以針對用戶問題提供相關響應。
將安全性和合規性融入 LLM 資料策略
在法學碩士資料收集和處理框架中嵌入強大的安全性和合規性措施可以幫助您確保資料的透明、安全和合乎道德的使用。該方法包括幾個關鍵行動：
- 實施強大的加密：使用強大的加密方法保護靜態和傳輸中的資料。此步驟可保護資訊免遭未經授權的存取和破壞。
- 建立存取控制和身份驗證：建立系統來驗證使用者身分並限制對資料的存取。它將確保只有授權人員才能與敏感資訊互動。
- 整合記錄和監控系統：部署系統來追蹤資料使用情況並識別潛在的安全威脅。這種主動監控有助於維護資料生態系統的完整性和安全性。
- 遵守合規標準：遵守 GDPR、HIPAA 和 PCI DSS 等管理資料安全和隱私的相關法規。定期審核和檢查驗證合規性，確保實踐符合行業特定的法律和道德標準。
- 制定符合道德的數據使用指南：制定並執行規定公平、透明和負責任地使用資料的政策。這些準則有助於維護利害關係人的信任並支持法學碩士的安全培訓環境。
這些行動共同加強了法學碩士培訓的資料管理實務。它建立了信任和安全的基礎，使所有相關利害關係人受益。
微調大型語言模型
微調大型語言模型涉及細緻的註釋過程。 Shaip 憑藉其在該領域的專業知識，可以為這一努力提供重大幫助。 以下是一些用於訓練 ChatGPT 等模型的註釋方法：
詞性 (POS) 標註
句子中的單詞用其語法功能進行標記，例如動詞、名詞、形容詞等。此過程有助於模型理解語法和單詞之間的聯繫。
命名實體識別（NER）
句子中的命名實體（例如組織、位置和人員）均被標記。 此練習有助於模型解釋單詞和短語的語義，並提供更精確的響應。
情緒分析
文本數據被分配了積極、中性或消極等情感標籤，幫助模型掌握句子的情感底蘊。 它在回應涉及情緒和意見的詢問時特別有用。
共指消解
識別並解決文本不同部分引用同一實體的情況。 此步驟有助於模型理解句子的上下文，從而產生連貫的響應。
文字分類
文本數據被分類為預定義的組，例如產品評論或新聞文章。 這有助於模型辨別文本的類型或主題，生成更相關的響應。
夏普 可以通過網絡爬行從銀行、保險、零售和電信等各個部門收集訓練數據。 我們可以提供文本註釋（NER、情感分析等），促進多語言 LLM（翻譯），並協助分類法創建、提取/提示工程。
Shaip 擁有廣泛的現成數據集存儲庫。 我們的醫療數據目錄擁有廣泛的去識別化、安全且高質量的數據，適用於人工智能計劃、機器學習模型和自然語言處理。
同樣，我們的語音數據目錄是一個高質量數據的寶庫，非常適合語音識別產品，可實現 AI/ML 模型的高效訓練。 我們還擁有令人印象深刻的計算機視覺數據目錄，其中包含適用於各種應用的廣泛圖像和視頻數據。
我們甚至免費提供可修改且方便的開放數據集，供您在人工智能和機器學習項目中使用。 這個龐大的人工智能數據庫使您能夠更高效、更準確地開發人工智能和機器學習模型。
Shaip 的數據收集和註釋過程
當涉及到數據收集和註釋時， 夏普 遵循簡化的工作流程。 數據收集過程如下所示：
來源網站的識別
最初，使用與所需數據相關的選定來源和關鍵字來精確定位網站。
網頁抓取
一旦識別出相關網站，Shaip 就會利用其專有工具從這些網站上抓取數據。
文本預處理
收集到的數據經過初步處理，包括句子分割和解析，使其適合進一步的步驟。
註解
預處理的數據被註釋以用於命名實體提取。 此過程涉及識別和標記文本中的重要元素，例如人名、組織、地點等。
關係抽取
在最後一步中，確定所識別實體之間的關係類型並相應地進行註釋。 這有助於理解文本不同組成部分之間的語義聯繫。
夏普的奉獻
夏普 提供廣泛的服務來幫助組織管理、分析和充分利用其數據。
數據網絡抓取
Shaip 提供的一項關鍵服務是數據抓取。 這涉及從特定於域的 URL 中提取數據。 通過利用自動化工具和技術，Shaip 可以快速有效地從各種網站、產品手冊、技術文檔、在線論壇、在線評論、客戶服務數據、行業監管文件等中抓取大量數據。從多個來源收集相關和具體的數據。
機器翻譯
使用廣泛的多語言數據集與相應的轉錄配對來開發模型，以跨各種語言翻譯文本。 這一過程有助於消除語言障礙並促進信息的可及性。
分類法提取和創建
Shaip 可以幫助提取和創建分類法。 這涉及將數據分類並分類為反映不同數據點之間關係的結構化格式。 這對於企業組織數據特別有用，使其更易於訪問和分析。 例如，在電子商務業務中，產品數據可能根據產品類型、品牌、價格等進行分類，使客戶更容易瀏覽產品目錄。
數據採集
我們的數據收集服務提供訓練生成式人工智能算法和提高模型的準確性和有效性所需的關鍵現實數據或合成數據。 數據是公正、符合道德和負責任的來源，同時牢記數據隱私和安全。
問答
問答 (QA) 是自然語言處理的一個子領域，專注於自動回答人類語言的問題。 QA 系統經過大量文本和代碼的訓練，使其能夠處理各種類型的問題，包括事實問題、定義問題和基於意見的問題。 領域知識對於開發針對客戶支持、醫療保健或供應鍊等特定領域的 QA 模型至關重要。 然而，生成式 QA 方法允許模型在沒有領域知識的情況下僅依賴上下文來生成文本。
我們的專家團隊可以仔細研究綜合文檔或手冊來生成問答對，促進企業創建生成式人工智能。 這種方法可以通過從廣泛的語料庫中挖掘相關信息來有效地解決用戶查詢。 我們的認證專家確保製作跨越不同主題和領域的高質量問答對。
文字摘要
我們的專家能夠提取全面的對話或冗長的對話，從大量的文本數據中提供簡潔而富有洞察力的摘要。
文本生成
使用各種風格的廣泛文本數據集（例如新聞文章、小說和詩歌）訓練模型。 然後，這些模型可以生成各種類型的內容，包括新聞報導、博客條目或社交媒體帖子，為內容創建提供經濟高效且節省時間的解決方案。
語音識別
開發能夠理解各種應用口語的模型。 這包括聲控助手、聽寫軟件和實時翻譯工具。 該過程涉及利用由口語錄音及其相應文字記錄組成的綜合數據集。
產品推薦
使用客戶購買歷史的廣泛數據集（包括指出客戶傾向於購買的產品的標籤）開發模型。 目標是向客戶提供精準的建議，從而促進銷售並提高客戶滿意度。
圖片說明
通過我們最先進的人工智能驅動的圖像字幕服務徹底改變您的圖像解釋過程。 我們通過提供準確且具有上下文意義的描述來為圖片注入活力。 這為觀眾與視覺內容的創新參與和互動可能性鋪平了道路。
培訓文本轉語音服務
我們提供由人類語音錄音組成的廣泛數據集，非常適合訓練人工智能模型。 這些模型能夠為您的應用程序生成自然且引人入勝的聲音，從而為您的用戶提供獨特且身臨其境的聲音體驗。
我們多樣化的數據目錄旨在滿足眾多生成式 AI 用例的需求
現成的醫療數據目錄和許可：
- 5 個專業的 31 萬個以上記錄和醫生音頻文件
- 2 萬張以上放射學和其他專業的醫學圖像（MRI、CT、USG、XR）
- 30k+ 臨床文本文檔，帶有增值實體和關係註釋
現成的語音數據目錄和許可：
- 超過 40k 小時的語音數據（50 多種語言/100 多種方言）
- 涵蓋 55 多個主題
- 採樣率 – 8/16/44/48 kHz
- 音頻類型-自發的、腳本化的、獨白的、喚醒詞
- 多種語言的完全轉錄音頻數據集，用於人與人對話、人與機器人、人與座席呼叫中心對話、獨白、演講、播客等。
圖像和視頻數據目錄和許可：
- 食品/文件圖像集
- 家庭安全視頻收藏
- 面部圖像/視頻採集
- 用於 OCR 的發票、PO、收據文檔收集
- 車輛損壞檢測的圖像採集
- 車牌圖像採集
- 汽車內飾圖片集
- 以汽車司機為焦點的圖像收集
- 時尚相關圖片集
我們聊聊吧
常見問題
深度學習是機器學習的一個子領域，它利用多層人工神經網絡來學習數據中的複雜模式。 機器學習是人工智能的一個子集，專注於使機器能夠從數據中學習的算法和模型。 大型語言模型 (LLM) 是深度學習的一個子集，與生成式人工智能有共同點，因為兩者都是更廣泛的深度學習領域的組成部分。
大型語言模型（LLM）是一種廣泛且多功能的語言模型，最初是在大量文本數據上進行預訓練的，以掌握語言的基本方面。 然後針對特定應用或任務對它們進行微調，從而使它們能夠針對特定目的進行調整和優化。
首先，大型語言模型由於經過大量數據和數十億參數的廣泛訓練而具有處理廣泛任務的能力。
其次，這些模型表現出適應性，因為它們可以用最少的特定領域訓練數據進行微調。
最後，當納入額外的數據和參數時，法學碩士的表現顯示出持續改進，隨著時間的推移增強其有效性。
提示設計涉及創建適合特定任務的提示，例如在翻譯任務中指定所需的輸出語言。 另一方面，即時工程側重於通過整合領域知識、提供輸出示例或使用有效的關鍵字來優化性能。 快速設計是一個一般概念，而快速工程是一種專門的方法。 雖然即時設計對於所有系統都至關重要，但即時工程對於需要高精度或高性能的系統來說變得至關重要。
大語言模型分為三種類型。 每種類型都需要不同的促銷方法。
- 通用語言模型根據訓練數據中的語言預測下一個單詞。
- 指令調整模型經過訓練可以預測對輸入中給出的指令的響應。
- 對話調整模型經過訓練，可以通過生成下一個響應來進行類似對話的對話。