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。
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
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
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:
- 任务目标:哦,原来是要做分类。
- 输出格式:原来要输出"XX:YY"这样的格式。
- 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。