小白LLM教程:不训练模型,如何进行微调?

大家好,我是大都督周瑜,欢迎大家关注我的公众号:IT周瑜。

最近,有学员在公司要做一个用户反馈的智能分类功能,需要打上"积极"、"消极"、"中性"这样的标签,他的第一反应是要微调模型了,来问我如何微调模型,我说,并不一定要微调模型,可以先了解一下什么是:Zero-Shot Learning、One-Shot Learning、Few-Shot Learning

假设我们现在有一个需要分类的用户反馈:"这新功能真是太棒了,体验感一流!"

第一种方式:Zero-Shot (零样本学习)

我们直接向模型下达指令,不给它任何参考范例。

复制代码
请将下面的用户反馈分为"积极"、"消极"或"中性":

反馈:"这新功能真是太棒了,体验感一流!"

分类结果:

第二种方式:One-Shot (一样本学习)

我们在提出要求时,给模型一个例子,让它照着学。

diff 复制代码
请将下面的用户反馈分为"积极"、"消极"或"中性"。

- 反馈:"上次更新后总是卡顿。"
- 分类结果:"消极"

现在,请分类这个反馈:

反馈:"这新功能真是太棒了,体验感一流!"

分类结果:

第三种方式:Few-Shot (少样本学习)

别怕麻烦,多给模型几个例子,让它更好地领悟你的意图。

diff 复制代码
请将下面的用户反馈分为"积极"、"消极"或"中性"。

- 反馈:"上次更新后总是卡顿。"
- 分类结果:"消极"

- 反馈:"界面不好看,但功能还行。"
- 分类结果:"中性"

- 反馈:"完美的软件,找不到任何缺点。"
- 分类结果:"积极"

现在,请分类这个反馈:

反馈:"这新功能真是太棒了,体验感一流!"

分类结果:

我们没有写一行 if/else,没有进行任何的模型训练,仅仅是通过提示词,就可以引导模型完成任务。

那么,问题来了:为什么只是多给了几个例子,模型就知道该怎么做了?这背后到底发生了什么?

很多同学看到 "Learning" 这个词,可能会下意识地认为模型在学习我们提供的样本,实时地更新了它的内部参数,就像我们用新数据训练模型一样,这是一个常见的误区!

在 Zero/One/Few-Shot 场景下,大语言模型的权重是完全冻结的,没有任何参数被更新 。这个过程并非我们传统意义上的"学习"或"训练",它更像是一种"上下文引导 "或"能力激活"。

我们可以把 DeepSeek 这样的大语言模型想象成一个刚刚进入你团队的、超级博学的实习生。他阅读了互联网上几乎所有的公开文本(万亿级别的单词),知识渊博得可怕。

  • Zero-Shot :你直接对他说:"帮我做个用户反馈情感分析。" 因为他读过无数类似的文章和代码,他能"猜到"你大概是想让他输出"积极/消极"这样的标签。对于常见的、定义明确的任务,他能做得不错
  • One-Shot / Few-Shot:你把他叫到身边,跟他说:"我们团队做事有自己的规矩。你看,像'卡顿'这种反馈,我们标记为'消极';像'功能还行'这种,我们标记为'中性'。现在,你来处理一下这个'太棒了'的反馈。"

在这个过程中,实习生并没有重新学习编程语言,他的大脑结构和知识储备没有改变。但是,你给出的这几个例子为他提供了**解决当前特定任务的"临时参考",**他通过这些例子,瞬间理解了:

  1. 任务目标:哦,原来是要做分类。
  2. 输出格式:原来要输出"XX:YY"这样的格式。
  3. 边界情况:原来"不好看但功能还行"这种模棱两可的算"中性"。

这些例子激活了他大脑中早已存在的、关于"分类"、"情感"的知识,并将其组合起来,以一种更精确、更符合我们期望的方式完成任务。

从更技术的角度来说,这得益于 LLM 的核心架构------Transformer。Transformer 的自注意力机制(Self-Attention)非常擅长在给定的上下文(也就是你的整个 Prompt)中寻找词与词之间的关联。

当我们提供 Few-Shot 样本时,模型在处理我们真正要问的那个问题("这新功能真是太棒了")时,会同时"注意"到我们前面给出的例子,它会分析例子中的输入与输出之间的模式,然后将这个识别出的模式应用到新问题上。

这就像我们在 Java 中调用某个第三方工具时,我们不会去修改它的源码(冻结的权重),我们只是通过传入不同的参数(Prompt)来调用它不同的能力,并组合这些能力来解决问题。

总结一下

  • 简单通用任务 -> Zero-Shot
  • 复杂/特定格式任务 -> Few-Shot
  • 介于两者之间 -> One-Shot

以上就是本文的主要内容,希望能让你对大模型底层有更多了解,都看到这了,别忘了点赞、分享、关注哦,谢谢你的鼓励,是我持续创作的动力 ,我是大都督周瑜,欢迎大家关注我的公众号:IT周瑜,里面有更多Java+大模型的技术干货,期待你的关注。

相关推荐
汽车仪器仪表相关领域15 分钟前
工业安全新利器:NHQT-4四合一检测线系统深度解析
网络·数据库·人工智能·安全·汽车·检测站·汽车检测
有Li19 分钟前
基于神经控制微分方程的采集无关深度学习用于定量MRI参数估计|文献速递-文献分享
论文阅读·人工智能·文献·医学生
望获linux20 分钟前
【实时Linux实战系列】实时安全 C++ 模式:无异常、预分配与自定义分配器
java·linux·服务器·开发语言·数据库·chrome·tomcat
多多*42 分钟前
linux安装hbase(完)
java·分布式·算法·c#·wpf
keep_di44 分钟前
06-django中配置接口文档coreapi
后端·python·django
new_daimond1 小时前
设计模式-享元模式详解
java·设计模式·享元模式
taxunjishu1 小时前
DeviceNet 转 Profinet:西门子 S7 - 1500 PLC 与欧姆龙伺服电机在汽车焊装生产线夹具快速切换定位的通讯配置案例
人工智能·区块链·工业物联网·工业自动化·profinet·devicenet·总线协议转换网关
脑极体1 小时前
华为,让金融智能体月映千江
人工智能·华为·金融
软件柠檬2 小时前
Java中Integer是如何应用享元模式的?
java·享元模式
Taylor不想被展开2 小时前
SpringBoot 项目集成 Flyway
java·spring boot·mysql