链载Ai

标题: 选择合适的 llms 以实现最佳性能：2025 年最大化 AI 聊天机器人效能的指南 [打印本页]

作者: 链载Ai 时间: 3 小时前
标题: 选择合适的 llms 以实现最佳性能：2025 年最大化 AI 聊天机器人效能的指南

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">如何从 ChatGPT、Kimi、Qwen 等获取最佳答案

预览图

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;padding-left: 8px;color: rgb(63, 63, 63);">如何从 ChatGPT、Kimi、Qwen 等获取最佳答案

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">在人工智能的革命中，我们有许多 LLM，每个月我们都会看到新的 LLM 或现有 LLM 的更新版本。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">但我们不知道的是：

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;text-indent: -1em;display: block;margin: 0.2em 8px;color: rgb(63, 63, 63);">
•ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(15, 76, 129);">哪个 LLM 能比其他更好地帮助我。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;text-indent: -1em;display: block;margin: 0.2em 8px;color: rgb(63, 63, 63);">
•ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(15, 76, 129);">我该如何与 LLM 讨论以获得最佳答案。

如何选择 LLM

实际上，LLM 的使用取决于您想要解决的领域和问题。

这意味着要识别您的问题属于哪个领域。

例如：

• 解决数学问题
• 与计算机视觉相关的问题（处理图像）
• 使用编码解决问题
• 或简单地处理一般任务

但我怎么知道我领域中更好的 LLM？

别担心，有一些组织评估 LLM，这被称为基准测试。

所以基准测试是一种用于根据 LLM 在不同任务中的表现进行评估和比较的测试。

由于 LLM 设计用于各种目的，基准测试帮助我们了解哪个模型最适合特定需求。

常见的基准测试包括：

•MMLU：测试多个学科的常识。
•HELLASWAG：测量 LLM 预测下一个逻辑句子的能力。
•GSM8K：评估数学问题解决能力。
•HumanEval：通过检查 LLM 是否能够生成正确的 Python 程序来测试编码能力。

评估示例

如您所见，Kimi LLM 在解决数学问题方面表现更好。

此外，模型的评估还取决于您使用的语言：

我该如何与 LLM 讨论以获得最佳答案

要从 LLM 获取最佳答案，您需要给出好的提示。

以下是关键策略：

1. 清晰具体

• 而不是：“告诉我关于人工智能的事。”尝试：“解释一下变压器在人工智能中的工作原理，重点关注自注意力和位置编码。”您的请求越精确，响应就会越好。

2. 提供背景信息

• LLM 在拥有背景信息时响应更好。
• 示例：没有背景信息：“总结一下这段文字 'your text'。”
•有背景信息：“用简单的术语为电子商务初学者总结这段文字。”

3. 使用逐步说明

• 而不是：“生成用于数据清理的 Python 代码。”尝试：“编写一个 Python 脚本来清理数据集：去除重复项、处理缺失值和标准化列名。”

4. 定义输出格式

• 如果您需要特定的结构，请提及。
• 示例：“用要点总结这篇文章。”
•“生成一个用于发票处理的键值对的 JSON 输出。”

5. 实验和迭代

• 如果响应不完美，精炼您的提示。
• 示例：如果答案过于技术性，可以调整为“用通俗的语言解释。”

6. 使用角色基础的提示

• 通过分配角色来引导 LLM。
• 示例：“你是一名高级人工智能工程师。向一名初级开发人员解释强化学习。”

7. 拆分复杂问题

• 而不是：“告诉我关于无货源电商的所有事情。”尝试：“解释一下无货源电商的基础。”
•“描述广告在无货源电商中的作用。”

总结：

在本文中，我探讨了如何优化与 LLM 聊天机器人的互动，以获得更好的答案。

我讨论了基准测试，它帮助评估和比较不同模型在推理、编码和文本理解等任务中的表现。

常见的基准测试包括MMLU 用于常识，GSM8K 用于数学，HumanEval 用于编码。

欢迎光临链载Ai (https://www.lianzai.com/)

Powered by Discuz! X3.5