← ИИ для профессионалов: нейросети в ежедневной работе
Lesson
Урок 3.1. Учим на примерах: few-shot и заданный образец
Научиться задавать модели образец через примеры (few-shot), чтобы получить ответ нужного вида, стиля и структуры.
Что такое few-shot и зачем он нужен
Учим модель на примерах
Когда вы описываете желаемый результат словами («ответь кратко и по-деловому»), модель интерпретирует это по-своему. Но если вы показываете конкретные примеры «вход → желаемый выход», модель получает образец, которому можно следовать точнее. Этот приём называется few-shot prompting — «обучение на нескольких примерах».
Few-shot особенно полезен в трёх случаях: когда важен единообразный формат (например, отчёты одной структуры), когда нужен определённый тон или стиль (деловой, дружелюбный, лаконичный), и когда задача — классификация или разметка по заданным категориям. Примеры работают сильнее, чем словесное описание, потому что они устраняют неоднозначность: модель видит не «что-то краткое», а конкретную длину и форму ответа.
Важно выбирать правильные примеры. Репрезентативные и согласованные между собой примеры задают чёткий образец. Противоречивые примеры (в одном — маркированный список, в другом — сплошной текст) или однобокие (все примеры об одном виде случая) ухудшают результат: модель «путается» или обобщает неправильно.
Обычно достаточно 2–5 примеров. Больше — не всегда лучше: длинный промпт занимает контекстное окно и может отвлекать модель. Начните с 2–3 примеров и добавляйте, если вывод всё ещё нестабилен.
Lesson notes
Учим модель на примерах
Когда вы описываете желаемый результат словами («ответь кратко и по-деловому»), модель интерпретирует это по-своему. Но если вы показываете конкретные примеры «вход → желаемый выход», модель получает образец, которому можно следовать точнее. Этот приём называется few-shot prompting — «обучение на нескольких примерах».
Few-shot особенно полезен в трёх случаях: когда важен единообразный формат (например, отчёты одной структуры), когда нужен определённый тон или стиль (деловой, дружелюбный, лаконичный), и когда задача — классификация или разметка по заданным категориям. Примеры работают сильнее, чем словесное описание, потому что они устраняют неоднозначность: модель видит не «что-то краткое», а конкретную длину и форму ответа.
Важно выбирать правильные примеры. Репрезентативные и согласованные между собой примеры задают чёткий образец. Противоречивые примеры (в одном — маркированный список, в другом — сплошной текст) или однобокие (все примеры об одном виде случая) ухудшают результат: модель «путается» или обобщает неправильно.
Обычно достаточно 2–5 примеров. Больше — не всегда лучше: длинный промпт занимает контекстное окно и может отвлекать модель. Начните с 2–3 примеров и добавляйте, если вывод всё ещё нестабилен.