CN117349424A - 应用于语言模型的提示模板的处理方法、装置及电子设备 - Google Patents
应用于语言模型的提示模板的处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117349424A CN117349424A CN202311562625.2A CN202311562625A CN117349424A CN 117349424 A CN117349424 A CN 117349424A CN 202311562625 A CN202311562625 A CN 202311562625A CN 117349424 A CN117349424 A CN 117349424A
- Authority
- CN
- China
- Prior art keywords
- template
- prompt
- candidate
- defect
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 210
- 230000007547 defect Effects 0.000 claims abstract description 158
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000012986 modification Methods 0.000 claims description 46
- 230000004048 modification Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了应用于语言模型的提示模板的处理方法、装置及电子设备,计算机技术领域,尤其涉及深度学习技术领域、人工智能技术领域和大语言模型技术领域,可以应用于智能搜索、智能问答等应用场景中。具体实现方案为:响应于表征更新提示模板的更新指令,根据更新指令和提示模板,构建提示信息;利用语言模型处理提示信息,得到模板缺陷信息;根据模板缺陷信息更新提示模板,得到至少一个候选提示模板;以及根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习技术领域、人工智能技术领域和大语言模型技术领域,可以应用于智能搜索、智能问答等应用场景中。
背景技术
在智能问答等人机对话场景中,可以基于预训练的大语言模型(Large LanguageModels,LLM)来处理用户输入的信息,以便于基于大语言模型较为强大的语义理解能力来理解用户的问题,并生成用户需要的答复内容,以满足用户较为复杂和多样化的需求。
发明内容
本公开提供了一种应用于语言模型的提示模板的处理方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种应用于语言模型的提示模板的处理方法,包括:响应于表征更新提示模板的更新指令,根据更新指令和提示模板,构建提示信息;利用语言模型处理提示信息,得到模板缺陷信息;根据模板缺陷信息更新提示模板,得到至少一个候选提示模板;以及根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板。
根据本公开的另一方面,提供了一种应用于语言模型的提示模板的处理装置,包括:提示信息构建模块,用于响应于表征更新提示模板的更新指令,根据更新指令和提示模板,构建提示信息;模板缺陷信息获得模块,用于利用语言模型处理提示信息,得到模板缺陷信息;候选提示模板获得模块,用于根据模板缺陷信息更新提示模板,得到至少一个候选提示模板;以及目标提示模板确定模块,用于根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开实施例提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开实施例提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开实施例提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用应用于语言模型的提示模板的处理方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的应用于语言模型的提示模板的处理方法的流程图;
图3示意性示出了根据本公开实施例的对候选提示模板进行评估的应用场景图;
图4示意性示出了根据本公开另一实施例的应用于语言模型的提示模板的处理方法的流程图;
图5示意性示出了根据本公开实施例的提示模板更新平台的原理图;
图6示意性示出了根据本公开实施例的应用于语言模型的提示模板的处理装置的框图;以及
图7示意性示出了根据本公开实施例的适于实现应用于语言模型的提示模板的处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
随着人工智能技术的快速发展,在智能问答、智能搜索、智能客服等应用场景中,可以基于大语言模型(Large Language Model,LLM)来处理用户输入的信息,并通过生成与用户输入的信息相匹配的答复信息,及时、准确地满足用户的需求。提示工程(PromptEngineering)可以是开发或优化提示词Prompt(或称提示模板)的技术,发明人发现用户可以基于优化后的Prompt输入确定包含任务信息的提示信息,大语言模型可以在提示信息的控制下更加准确地理解用户的任务需求,从而输出较为准确地答复信息。因此,优化和评估Prompt可以提升大语言模型的答复能力。
本公开的实施例提供了一种应用于语言模型的提示模板的处理方法、装置、电子设备以及存储介质。该应用于语言模型的提示模板的处理方法包括:响应于表征更新提示模板的更新指令,根据更新指令和提示模板,构建提示信息;利用语言模型处理提示信息,得到模板缺陷信息;根据模板缺陷信息更新提示模板,得到至少一个候选提示模板;以及根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板。
根据本公开的实施例,针对应用于大语言模型的提示模板,通过语言模型来处理基于更新指令和提示模板构建的提示信息,可以基于语言模型的语义理解能力与分析能力,较为直观地、准确地表征该提示模板的模板缺陷,从而根据模板缺陷信息来更新提示模板,可以使得到的候选提示模板较为精确地克服提示信息中的模板缺陷,这样根据针对候选提示模板的模板评估结果来确定目标提示模板,可以使得到的目标提示模板较为准确地更新为适用于控制大语言模型来进行精确答复的提示模板,提升提示模板的优化效率和准确性,进而可以使用户根据更新后得到的目标提示模板来生成控制大语言模型完成答复任务的输入信息,帮助大语言模型提升文本预测精度以及提升答复内容与用户输入信息之间的匹配程度。
需要说明的是,本公开实施例中涉及的语言模型可以包括基于深度学习算法构建得到的大语言模型,例如可以包括基于Transformer算法构建得到的大语言模型。提示模板可以包括用于帮助语言模型理解用户的需求语义信息,控制语言模型生成答复内容的字、词、字段等任意格式的信息。用户可以通过对提示模板填充需求内容来生成提示信息,并将提示信息输入语言模型,语言模型可以输出与用户的需求相匹配的答复内容信息。
图1示意性示出了根据本公开实施例的可以应用应用于语言模型的提示模板的处理方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用应用于语言模型的提示模板的处理方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的应用于语言模型的提示模板的处理方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的应用于语言模型的提示模板的处理方法一般可以由服务器105执行。相应地,本公开实施例所提供的应用于语言模型的提示模板的处理装置一般可以设置于服务器105中。本公开实施例所提供的应用于语言模型的提示模板的处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的应用于语言模型的提示模板的处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者,本公开实施例所提供的应用于语言模型的提示模板的处理方法一般也可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的应用于语言模型的提示模板的处理装置也可以设置于终端设备101、102、或103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的应用于语言模型的提示模板的处理方法的流程图。
如图2所示,该应用于语言模型的提示模板的处理方法包括操作S210~S240。
在操作S210,响应于表征更新提示模板的更新指令,根据更新指令和提示模板,构建提示信息。
在操作S220,利用语言模型处理提示信息,得到模板缺陷信息。
在操作S230,根据模板缺陷信息更新提示模板,得到至少一个候选提示模板。
在操作S240,根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板。
根据本公开的实施例,更新指令可以包括对提示信息进行更新的任务指令,更新指令可以是基于用户的更新操作来确定的,或者还可以是基于预设的更新条件来确定的,例如可以基于针对提示信息的评估结果来生成更新指令。本公开的实施例对更新指令的获得方式不做限定。
根据本公开的实施例,更新指令可以包括对提示信息进行更新的更新策略。根据更新指令和提示模板,构建提示信息可以包括基于更新策略和提示模板得到提示信息,从而得到能够控制语言模型理解更新策略和提示模板的语义属性,生成表征提示模板的缺陷属性的模板缺陷信息。模板缺陷信息可以基于任意的形式表征,例如可以基于文本描述的方式来表征,或者还可以基于缺陷类型、缺陷标识等其他的形式表征,本公开的实施例对表征模板缺陷信息的形式不做限定。
根据本公开的实施例,根据模板缺陷信息更新提示模板,可以基于预训练的神经网络模型来处理模板缺陷信息和提示模板,例如可以基于语言模型来处理模板缺陷信息和提示模板,生成一个或多个候选提示模板。
根据本公开的实施例,语言模型可以包括预训练的大语言模型,语言模型可以基于提示信息中用于指示任务的提示标记(如字、词、字段)等理解任务需求,以便于基于提示标记来控制语言模型对提示模板进行删除、替换、增加等改写操作,得到更新后的候选提示模板。
根据本公开的实施例,模板评估结果可以包括针对候选提示模板的评估分值、评估等级、评估描述等任意形式的评估信息。可以基于任意方式来对候选提示模板进行评估,得到该候选提示模板的模板评估结果。例如可以基于评估用户的操作来得到模板评估结果,或者还可以基于预训练的神经网络模型来处理候选提示模板得到模板评估结果。
根据本公开的实施例,根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板可以包括根据模板评估结果从至少一个候选提示模板中确定目标提示模板。或者还可以包括基于预训练的深度学习模型来处理候选提示模板和模板评估结果,从而从至少一个候选提示模板中确定目标提示模板。或者还可以根据模板评估结果对候选提示模板进行改写,来得到目标提示模板。
根据本公开的实施例,利用语言模型处理提示信息,得到模板缺陷信息可以包括:利用语言模型处理提示信息,生成表征提示模板的缺陷属性的缺陷描述文本;根据缺陷描述文本中的缺陷描述字,确定模板缺陷信息。
根据本公开的实施例,提示信息可以包括基于提示模板和用于帮助语言模型理解缺陷属性检测意图的提示标记序列,提示标记序列可以用于帮助语言模型理解提示信息的权限属性检测任务类型,从而可以将语言模型输入提示信息,输出能够较为准确地表征提示模板的缺陷属性的缺陷描述文本。缺陷描述文本可以包括表征缺陷属性的缺陷描述字,缺陷描述字例如可以为“表达不清楚”等等。
需要说明的是,提示标记序列可以包括多个提示标记,提示标记可以包括提示信息中的字、词或字段等提示信息中的最小单位。
例如,提示信息可以为如下以“//”包围的段落:
//目前的提示模板是:
″{prompt}″
这个提示模板有什么问题?请给出有问题的示例,每个示例以<START>和<END>包裹。//
提示信息中,{prompt}可以表示待更新的提示模板,提示信息中的每个字或字段可以表示为提示标记。
根据本公开的实施例,缺陷描述文本可以基于自然语言来表征提示模板的缺陷属性,例如可以基于示例的方式来表征缺陷属性,从而可以较为清楚地表示提示模板的缺陷,提升缺陷属性的可解释性。又例如,缺陷描述字可以包括示例中的文本字。又例如,缺陷描述文本还可以基于自然语言描述缺陷属性类型的方式来表征缺陷属性。
根据本公开的实施例,根据缺陷描述文本中的缺陷描述字,确定模板缺陷信息可以包括:根据缺陷描述字,构建原因需求提示信息;以及利用语言模型处理原因需求提示信息,得到缺陷原因描述文本,其中,缺陷原因描述文本包括缺陷原因信息,模板缺陷信息包括缺陷原因信息。
根据本公开的实施例,原因需求提示信息可以是用于控制语言模型来理解对提示模板的缺陷产生原因的任务需求,并提示语言模型检测出缺陷产生原因的信息。原因需求提示信息可以包括缺陷描述字和原因提示标记序列,从而可以使语言模型通过处理原因需求提示信息来生成描述提示模板的缺陷产生原因的缺陷原因描述文本,提升缺陷原因检测精度同时提升缺陷原因的可解释性,并为后续根据缺陷原因信息来生成更新后的候选提示模板提供基础,进而可以使候选提示模板可以通过可解释的缺陷原因信息来克服缺陷,提升候选提示模板的质量。
根据本公开的实施例,根据缺陷描述字,构建原因需求提示信息可以包括:根据提示模板、缺陷描述字和原因提示标记序列,构建原因需求提示信息;其中,原因提示标记序列适用于控制语言模型理解原因需求。
根据本公开的实施例,可以将构建得到的包含提示模板的提示信息、缺陷描述文本和原因提示标记序列来
例如,原因需求提示信息可以为如下以“//”包围的段落:
//我尝试编写一个零样本分类器。
目前的提示是:
″{prompt}″
但是,它在以下示例中出错:
{errors}
请给出{nums}个理由,说明为什么该提示可能导致这些示例出现错误。
每个理由都以<START>和<END>包裹//
该原因需求提示信息中,{prompt}可以表示待更新的提示模板,{errors}可以表示缺陷描述字,原因需求提示信息中的字或字段可以表示为原因提示标记。可以理解的是,{prompt}、{errors}、{nums}可以是原因需求提示信息的变量。
需要说明的是,语言模型输出的缺陷原因描述文本中,<START>和<END>之间的字段可以为缺陷原因信息,缺陷原因信息可以基于自然语言描述表示,或者还可以基于表征缺陷原因的标识来表示。
根据本公开的实施例,通过根据提示模板、缺陷描述字和原因提示标记序列,构建原因需求提示信息,可以使语言模型在充分理解提示模板的条件下进一步精确地检测到提示模板的缺陷产生原因,从而提升缺陷原因信息的精度。
根据本公开的实施例,根据模板缺陷信息更新提示模板,得到至少一个候选提示模板可以包括:基于缺陷原因信息、模板缺陷信息和待更新的提示模板来构建模板更新提示信息,将模板更新提示信息输入语言模型,输出至少一个候选提示模板。
例如,模板更新提示信息可以为如下以“//”包围的段落:
//我尝试编写一个零样本分类器。
目前的提示是:
″{prompt}″
但是,它在以下示例中出错:
{errors}
根据这些示例,该提示的问题在于:
{gradients}
根据上述信息,我编写了{steps}个不同的改进提示。每个提示都使用<START>和<END>包裹。这{steps}个新提示是://
该模板更新提示信息中,{prompt}可以表示待更新的提示模板,{errors}可以表示缺陷描述字,{gradients}可以表示缺陷原因信息,模板更新提示信息中的字或字段可以表示为模板更新提示标记。可以理解的是,{prompt}、{errors}、{gradients}和{steps}可以是模板更新提示信息的变量。
根据本公开的实施例,提示信息中的提示标记,以及原因需求提示信息中的原因提示标记可以复用为模板更新提示信息中的模板更新提示标记,从而可以节省构建得到模板更新提示标记的计算开销与计算时长,提升候选提示模板的生成效率。
根据本公开的实施例,应用于语言模型的提示模板的处理方法还可以包括:利用语言模型处理预设的评估规则和候选提示模板,得到与评估规则对应的评估步骤;根据评估步骤对候选提示模板进行评估,得到针对候选提示模板的模板评估结果。
根据本公开的实施例,预设的评估规则可以表征与候选提示模板相关的质量类型,评估规则例如可以包括通用性评估规则、明确性评估规则等,本公开的实施例对评估规则表征的具体质量类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,可以基于评估规则和候选提示模板构建评估步骤提示信息,将评估步骤提示信息输入至语言模型,可以输出用于描述评估规则的预测文本,从而可以从预测文本中得到评估步骤。
根据本公开的实施例,可以基于如下以“//”包围的段落表征与评估规则相对应的评估步骤提示信息。
//请对Prompt内容按照通用性评估规则生成评估步骤:
评估规则:
{{通用性评估规则}}
Prompt:
{{Prompt}}//
该评估步骤提示信息中,{{Prompt}}可以表示待评估的候选提示模板,{{通用性评估规则}}可以表示评估规则。通过构建包含评估规则与候选提示模板的评估步骤提示信息,可以控制语言模型理解针对候选提示模板进行评估的质量类型,从而能够较为准确地得到适用于评估该候选提示模板的评估步骤,为后续精确评估候选提示模板提供较为准确的实现方式,进而提升针对候选评估模板的评估准确性。
根据本公开的实施例,评估规则包括多个。
根据本公开的实施例,根据评估步骤对候选提示模板进行评估,得到针对候选提示模板的模板评估结果可以包括:利用语言模型处理评估步骤和候选提示模板,以及基于候选提示模板生成的候选预测文本,得到与评估规则对应的模板评估子结果;以及根据与多个评估规则各自对应的模板评估子结果,确定针对候选提示模板的模板评估结果。
图3示意性示出了根据本公开实施例的对候选提示模板进行评估的应用场景图。
如图3所示,该应用场景中可以包括客户端和服务端,客户端可以响应于用户的操作,根据候选提示模板311和评估规则312确定评估步骤提示信息310。将评估步骤提示信息310输入语言模型320,可以输出评估步骤321。评估步骤321可以返回客户端,并根据模板评估提示信息310和评估步骤321生成模板评估提示信息330。
如图3所示,利用语言模型处理评估步骤和候选提示模板,以及基于候选提示模板生成的候选预测文本可以包括将模板评估提示信息330输入语言模型320,语言模型320可以基于模板评估提示信息330中包含的候选提示模板311生成候选预测文本,然后语言模型320可以处理候选预测文本、候选模板311和评估步骤321,从而生成与评估规则312相对应的模板评估子结果322。模板评估子结果322可以包括评估分值,或者还可以包括用于描述候选提示模板311与评估规则312之间的差异程度的描述文本,本实施例对模板评估子结果322的具体类型不做限定。
应该理解的是,候选预测文本可以是候选提示模板通过控制语言模型320理解预测任务类型后生成的文本,候选预测文本的质量可以表征候选提示模板与牌评估规则312相关的质量水平。进而利用语言模型处理评估步骤和候选提示模板,以及基于候选提示模板生成的候选预测文本,可以使输出的评估步骤与候选提示模板和评估规则相适配,进而提升候选模板评估结果的准确性。
例如,评估步骤提示信息还可以包括对候选提示模板进行填充的任务变量,通过任务变量对候选提示模板进行填充,可以得到候选提示信息,进而可以将候选提示信息输入语言模型,输出候选预测文本。
根据本公开的实施例,预设的评估规则可以基于以下至少一项质量类型相对应的评估指标来确定:明确性、一致性、实用性、创新性和通用性。例如,评估规则可以包括5个,分别基于明确性指标、一致性指标、实用性指标、创新性指标和通用性指标来表征。明确性指标、一致性指标、实用性指标、创新性指标和通用性指标可以基于如下表1中的内容来进行描述。
表1
如表1所示,还可以基于表1所示内容来对不同的评估指标设置对应的权重,在多个评估规则各自对应的模板评估子结果为评估分值的情况下,可以基于评估指标对应的权重和模板评估子结果进行加权求和,得到与候选提示模板对应的评估分值(模板评估结果)。例如可以基于如下公式(1)来确定模板评估结果。
公式(1)中,p(si)表示与第i个评估指标对应的权重,si表示与第i个评估指标对应的模板评估子结果,score表示模板评估结果,n表示评估指标的数量。
根据本公开的实施例,模板评估子结果可以基于指标评估分值1至5来表征,且模板评估子结果还可以包括与指标评估分值1至5各自对应的指标分值预测概率,以及与指标分值预测概率各自对应的描述文本。通过将指标分值预测概率和指标评估分值进行加权求和,可以确定表征候选提示目标与该评估指标相关的目标指标分值。基于多个评估指标各自对应的目标指标分值,以及多个评估指标各自对应的权重,可以确定表征模板评估结果的评估分值。
例如,语言模型可以输入如下用于确定模板评估子结果的模板评估提示信息。模板评估提示信息为符号//包围的段落:
//您的任务是对输入(Input)和输出(Output),根据评估步骤对评估指标维度{评估指标}进行评分,分值为1到5分,其中1分为最低,5分为最高,计算每个分值可能得到的概率。
请只输出Json结果,格式如下:
{′prob1′:{{p11}},′prob2′:{{p12}},′prob3′:{{p13}},′prob4′:{{p14}},′prob5′:{{p15}},′desc′:{{desc}}}
请确保您仔细阅读并理解这些说明。请在审阅时保持此文档的打开状态,并在需要时参考它。
评估标准:
{{评估指标标准}}
评估步骤:
{{评估步骤}}
Input:
{{Prompt}}
Output:
{{Output}}//
其中,{{p11}},{{p12}},{{p13}},{{p14}},{{p15}}:分别表示{{评估指标}}在得到指标分值1、2、3、4、5分别对应的指标分值预测概率,指标分值预测概率之和为1。{{desc}}可以表示对确定该指标分值的指标分值预测概率进行说明的描述文本,这样可以通过描述文本和指标分值预测概率来提升针对候选提示模板进行评估的可解释性。还可以将模板评估子结果展示在与用户相关的客户端来帮助用户进一步对候选提示模板进一步进行改进。
根据本公开的实施例,根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板可以包括:根据模板评估结果,从至少一个候选提示模板中确定中间提示模板;响应于针对中间提示模板的修改指令,根据与修改指令对应的修改文本,生成模板修改提示信息;以及根据语言模型处理模板修改提示信息,得到目标提示模板。
根据本公开的实施例,可以将模板评估结果表征的评估分值大于预设分值阈值的候选提示模板确定为中间提示模板,或者还可以在候选提示模板包括多个的情况下,将模板评估结果表征的评估分值最大的候选提示模板确定为中间提示模板,从而可以选择到质量水平比较高的中间提示模板。
根据本公开的实施例,修改指令可以是基于用户输入的修改文本来确定的,修改文本可以包括在交互界面展示中间提示模板后通过交互界面输入的。或者修改指令还可以包括在生成中间提示模板前,通过预设的配置选项生成的。本公开的实施例对得到修改指令的具体方式不做限定。
根据本公开的实施例,修改文本可以包括用于表征对中间提示模板进行修改的修改建议,通过利用语言模型处理根据修改文本生成的模板修改提示信息,可以控制语言模型充分理解对中间提示模板的修改方式,从而可以按照修改指令精确地对中间提示模板进行修改,生成与修改指令相匹配的目标提示模板。
根据本公开的实施例,修改文本可以表征对中间提示模板的篇幅、用词准确性、应用场景等提示模板属性进行修改的建议。
例如,模板修改提示信息可以基于如下通过符号“//”包围的段落:
//目前的提示模板是:
{prompt}
根据以下建议改进以上提示模板:
{suggest}
改进后的提示是://
其中,{suggest}可以表示与修改文本对应的修改建议。
又例如,模板修改提示信息还可以基于如下通过符号“//”包围的段落:
//目前的提示是:
{prompt}
请在保持语义的情况下,缩短提示,缩短后的提示是://
其中,“请在保持语义的情况下,缩短提示”可以表示与修改文本对应的修改建议。
根据本公开的实施例,根据模板评估结果,从至少一个候选提示模板中确定中间提示模板还可以包括:根据与提示模板对应的模板评估结果,确定N个阶段各自得到的候选提示模板;以及从与N个阶段各自对应的候选提示模板中,确定至少一个中间提示模板。
根据本公开的实施例,与第n阶段对应的第n候选提示模板是通过如下方式生成的,所述方式包括:根据更新指令和至少一个第n-1候选提示模板,构建第n-1候选提示信息,其中,第n-1候选提示模板是基于第n-1阶段确定的第n-1模板评估结果确定的,n>1,且n为整数,第1模板评估结果为与提示模板对应的模板评估结果;利用语言模型处理第n-1候选提示信息,得到与第n-1候选提示模板相对应的第n-1候选模板缺陷信息;以及根据第n-1候选模板缺陷信息更新第n-1候选提示模板,得到第n候选提示模板。
例如,针对第1阶段,第1模板评估结果为与待更新的提示模板对应的模板评估结果,第1候选提示模板可以是基于本公开上述实施例提供的提示模板的处理方法,得到的候选提示模板。针对第2阶段,可以基于上述实施例提供的提示模板的处理方法,对第1阶段得到的第1候选提示模板进行处理,以实现对第1候选提示模板进行更新优化,得到第2候选提示模板。
应该理解,在N=n=3的情况下,针对第3阶段,可以基于上述实施例提供的提示模板的处理方法,对第2阶段得到的第2候选提示模板进行处理,以实现对第2候选提示模板进行更新优化,得到第3候选提示模板。从而可以得到3个阶段各自对应的候选提示模板,
根据本公开的实施例,从与N个阶段各自对应的候选提示模板中,确定至少一个中间提示模板,可以包括从第n个阶段得到的至少一个第n候选提示模板中确定中间提示模板,例如可以将第n模板评估结果表征的评估分值最高的第n候选提示模板确定为中间提示模板。
根据本公开的实施例,从与N个阶段各自对应的候选提示模板中,确定至少一个中间提示模板还可以包括:从N个阶段各自对应的候选提示模板中,将模板评估结果表征的评估分值最高的候选提示模板确定为中间提示模板,进而提升中间提示模板的选择范围。
根据本公开的实施例,通过多个阶段来迭代地循环生成新的候选提示模板,可以实现对待更新的提示模板的多层级迭代优化,使得到的中间提示模板能够更加高质量地控制大语言模型来进行文本预测,提升问答场景中的回答内容质量。
图4示意性示出了根据本公开另一实施例的应用于语言模型的提示模板的处理方法的流程图。
如图4所示,该实施例的应用于语言模型的提示模板的处理方法可以包括操作S401至操作S410。
在执行开始操作后,可以执行操作S401。在操作S401,可以根据更新指令和提示模板,构建包含待更新的提示模板和更新任务属性的提示信息。
在操作S402,可以利用利用语言模型处理提示信息,得到用于描述提示模板的缺陷属性的缺陷描述文本。
在操作S403,根据缺陷描述文本中的缺陷描述字,构建与提示模板相对应的原因需求提示信息。
在操作S404,利用语言模型处理与提示模板相对应的原因需求提示信息,得到与提示模板对应的缺陷原因描述文本。
在操作S405,根据缺陷原因信息、模板缺陷信息,构建模板更新提示信息。
在操作S406,利用语言模型处理模板更新提示信息,得到根据提示模板生成的候选提示模板,即第1候选提示模板。
在操作S407,判断候选提示模板是否满足要求。例如可以基于候选提示模板各自对应的模板评估结果与预设的评估分值阈值进行比较,以判断候选提示模板是否满足要求。又例如,还可以基于预设的迭代轮次进行判段,在没有达到预设的迭代轮次的情况下,可以得到操作S407的判断结果为否。在达到预设的迭代轮次的情况下,可以得到操作S407的判断结果为是。
在操作S407的判断结果为否的情况下,可以针对每个阶段对应的候选提示模板来循环执行操作操作S401至操作S407,直至操作S407的判断结果为是,执行操作S408。
在操作S408,从N个阶段得到的候选提示模板中确定中间提示模板。
在操作S409,根据表征针对中间提示模板的修改建议的修改文本,以及中间提示模板来构建模板修改提示信息。
在操作S409,利用语言模型处理模板修改提示信息,得到目标提示模板。从而可以实现针对提示模板的多轮次地迭代更新,得到适用于控制语言模型完成预测任务的目标提示模板。
图5示意性示出了根据本公开实施例的提示模板更新平台的原理图。
如图5所示,提示模板更新平台500可以包括优化方式选择器510、提示模板优化器520和对比评估器530。包含提示模板5011和任务变量5012的提示信息501可以被传输至优化方式选择器510,并基于用户的选择来从在线优化模块、批量优化模块和API(Application Programming Interface)接口优化模块中的任意一个将提示信息501发送至提示模板优化器520。在线优化模块可以实现针对提示模板的在线更新优化,以便于快速地返回优化后的目标提示模板。批量优化模块适用于对数量较多的提示模板尽心批量优化,以提升优化效率。API接口优化模块,可以通过对相关客户端定制用于优化提示模板的API接口服务,从而方便用户远程调用提示模板更新平台500。
如图5所示,提示模板优化器520可以用于执行根据本公开实施例提供的应用于语言模型的提示模板的处理方法。提示模板优化器520可以包括优化配置规则模块、优化策略模块和预训练的大语言模型。优化配置规则模块可以根据用户的操作或指令,分别基于迭代轮次配置单元、改进建议配置单元和质量评分配置单元对优化迭代轮次、改进建议、质量评分设置等优化的参数信息进行配置,以实现对用户优化提示模板的要求进行准确配置,便于优化策略执行模块根据配置的参数来准确地对提示模板进行优化更新。优化策略执行模块可以基于本公开实施例提供的处理方法来调用大语言模型,进而得到目标提示模板5021。
如图5所示,目标提示模板5021和与目标提示模板对应的任务变量5022可以构建得到目标提示信息502。通过利用大语言模型来处理目标提示信息502,可以得到目标推理结果502’。目标推理结果502’可以包括将目标提示信息502输入大语言模型后,输出的预测文本。又例如,还可以将提示信息501输入大语言模型,输出推理结果501’。通过对比评估器530来对推理结果501’和目标推理结果502’各自的质量进行评估,从而在评估结果满足预设条件的目标提示模板对提示模板进行替换,满足用户针对提示模板的更新需求。
图6示意性示出了根据本公开实施例的应用于语言模型的提示模板的处理装置的框图。
如图6所示,应用于语言模型的提示模板的处理装置600包括:提示信息构建模块610、模板缺陷信息获得模块620、候选提示模板获得模块630和目标提示模板确定模块640。
提示信息构建模块610,用于响应于表征更新提示模板的更新指令,根据更新指令和提示模板,构建提示信息。
模板缺陷信息获得模块620,用于利用语言模型处理提示信息,得到模板缺陷信息。
候选提示模板获得模块630,用于根据模板缺陷信息更新提示模板,得到至少一个候选提示模板。
目标提示模板确定模块640,用于根据至少一个候选提示模板,以及针对至少一个候选提示模板的模板评估结果,确定目标提示模板。
根据本公开的实施例,模板缺陷信息获得模块包括:缺陷描述文本生成子模块和模板缺陷信息确定子模块。
缺陷描述文本生成子模块,用于利用语言模型处理提示信息,生成表征提示模板的缺陷属性的缺陷描述文本。
模板缺陷信息确定子模块,用于根据缺陷描述文本中的缺陷描述字,确定模板缺陷信息。
根据本公开的实施例,模板缺陷信息确定子模块包括:原因需求提示信息构建单元和缺陷原因描述文本获得单元。
原因需求提示信息构建单元,用于根据缺陷描述字,构建原因需求提示信息。
缺陷原因描述文本获得单元,用于利用语言模型处理原因需求提示信息,得到缺陷原因描述文本,其中,缺陷原因描述文本包括缺陷原因信息,模板缺陷信息包括缺陷原因信息。
根据本公开的实施例,原因需求提示信息构建单元包括:原因需求提示信息构建子单元。
原因需求提示信息构建子单元,用于根据提示模板、缺陷描述字和原因提示标记序列,构建原因需求提示信息;其中,原因提示标记序列适用于控制语言模型理解原因需求。
根据本公开的实施例,应用于语言模型的提示模板的处理装置还包括:评估步骤获得模块和模板评估结果获得模块。
评估步骤获得模块,用于利用语言模型处理预设的评估规则和候选提示模板,得到与评估规则对应的评估步骤;
模板评估结果获得模块,用于根据评估步骤对候选提示模板进行评估,得到针对候选提示模板的模板评估结果。
根据本公开的实施例,评估规则包括多个。
根据本公开的实施例,模板评估结果获得模块包括:模板评估子结果获得子模块和模板评估结果获得子模块。
模板评估子结果获得子模块,用于利用语言模型处理评估步骤和候选提示模板,以及基于候选提示模板生成的候选预测文本,得到与评估规则对应的模板评估子结果。
模板评估结果获得子模块,用于根据与多个评估规则各自对应的模板评估子结果,确定针对候选提示模板的模板评估结果。
根据本公开的实施例,目标提示模板确定模块包括:中间提示模板确定子模块、模板修改提示信息生成子模块和目标提示模板获得子模块。
中间提示模板确定子模块,用于根据模板评估结果,从至少一个候选提示模板中确定中间提示模板。
模板修改提示信息生成子模块,用于响应于针对中间提示模板的修改指令,根据与修改指令对应的修改文本,生成模板修改提示信息。
目标提示模板获得子模块,用于根据语言模型处理模板修改提示信息,得到目标提示模板。
根据本公开的实施例,中间提示模板确定子模块包括:候选提示模板确定单元和中间提示模板确定单元。
候选提示模板确定单元,用于根据与提示模板对应的模板评估结果,确定N个阶段各自得到的候选提示模板,其中,与第n阶段对应的第n候选提示模板是通过如下方式生成的:根据更新指令和至少一个第n-1候选提示模板,构建第n-1候选提示信息,其中,第n-1候选提示模板是基于第n-1阶段确定的第n-1模板评估结果确定的,n>1,且n为整数,第1模板评估结果为与提示模板对应的模板评估结果;利用语言模型处理第n-1候选提示信息,得到与第n-1候选提示模板相对应的第n-1候选模板缺陷信息;以及根据第n-1候选模板缺陷信息更新第n-1候选提示模板,得到第n候选提示模板。
中间提示模板确定单元,用于从与N个阶段各自对应的候选提示模板中,确定至少一个中间提示模板。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开实施例提供的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本公开实施例提供的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据本公开实施例提供的方法。
图7示意性示出了根据本公开实施例的适于实现应用于语言模型的提示模板的处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如应用于语言模型的提示模板的处理方法。例如,在一些实施例中,应用于语言模型的提示模板的处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的应用于语言模型的提示模板的处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行应用于语言模型的提示模板的处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种应用于语言模型的提示模板的处理方法,包括:
响应于表征更新提示模板的更新指令,根据所述更新指令和所述提示模板,构建提示信息;
利用语言模型处理所述提示信息,得到模板缺陷信息;
根据所述模板缺陷信息更新所述提示模板,得到至少一个候选提示模板;以及
根据至少一个所述候选提示模板,以及针对至少一个所述候选提示模板的模板评估结果,确定目标提示模板。
2.根据权利要求1所述的方法,其中,所述利用语言模型处理所述提示信息,得到模板缺陷信息包括:
利用所述语言模型处理所述提示信息,生成表征所述提示模板的缺陷属性的缺陷描述文本;
根据所述缺陷描述文本中的缺陷描述字,确定所述模板缺陷信息。
3.根据权利要2所述的方法,其中,所述根据所述缺陷描述文本中的缺陷描述字,确定所述模板缺陷信息包括:
根据所述缺陷描述字,构建原因需求提示信息;以及
利用所述语言模型处理所述原因需求提示信息,得到缺陷原因描述文本,其中,所述缺陷原因描述文本包括缺陷原因信息,所述模板缺陷信息包括所述缺陷原因信息。
4.根据权利要3所述的方法,其中,所述根据所述缺陷描述字,构建原因需求提示信息包括:
根据所述提示模板、所述缺陷描述字和原因提示标记序列,构建所述原因需求提示信息;其中,所述原因提示标记序列适用于控制所述语言模型理解原因需求。
5.根据权利要求1所述的方法,还包括:
利用所述语言模型处理预设的评估规则和所述候选提示模板,得到与所述评估规则对应的评估步骤;
根据所述评估步骤对所述候选提示模板进行评估,得到针对所述候选提示模板的模板评估结果。
6.根据权利要求5所述的方法,其中,所述评估规则包括多个;
其中,所述根据所述评估步骤对所述候选提示模板进行评估,得到针对所述候选提示模板的模板评估结果包括:
利用所述语言模型处理所述评估步骤和所述候选提示模板,以及基于所述候选提示模板生成的候选预测文本,得到与所述评估规则对应的模板评估子结果;以及
根据与多个所述评估规则各自对应的模板评估子结果,确定针对所述候选提示模板的模板评估结果。
7.根据权利要求1所述的方法,其中,所述根据至少一个所述候选提示模板,以及针对至少一个所述候选提示模板的模板评估结果,确定目标提示模板包括:
根据所述模板评估结果,从至少一个所述候选提示模板中确定中间提示模板:
响应于针对所述中间提示模板的修改指令,根据与所述修改指令对应的修改文本,生成模板修改提示信息;以及
根据所述语言模型处理所述模板修改提示信息,得到所述目标提示模板。
8.根据权利要求7所述的方法,其中,所述根据所述模板评估结果,从至少一个所述候选提示模板中确定中间提示模板包括:
根据与所述提示模板对应的模板评估结果,确定N个阶段各自得到的候选提示模板,其中,与第n所述阶段对应的第n候选提示模板是通过如下方式生成的:
根据所述更新指令和至少一个第n-1候选提示模板,构建第n-1候选提示信息,其中,第n-1候选提示模板是基于第n-1阶段确定的第n-1模板评估结果确定的,n>1,且n为整数,第1所述模板评估结果为与所述提示模板对应的模板评估结果;
利用所述语言模型处理所述第n-1候选提示信息,得到与所述第n-1候选提示模板相对应的第n-1候选模板缺陷信息;以及
根据所述第n-1候选模板缺陷信息更新所述第n-1候选提示模板,得到第n候选提示模板;以及
从与N个阶段各自对应的候选提示模板中,确定至少一个所述中间提示模板。
9.一种应用于语言模型的提示模板的处理装置,包括:
提示信息构建模块,用于响应于表征更新提示模板的更新指令,根据所述更新指令和所述提示模板,构建提示信息;
模板缺陷信息获得模块,用于利用语言模型处理所述提示信息,得到模板缺陷信息;
候选提示模板获得模块,用于根据所述模板缺陷信息更新所述提示模板,得到至少一个候选提示模板;以及
目标提示模板确定模块,用于根据至少一个所述候选提示模板,以及针对至少一个所述候选提示模板的模板评估结果,确定目标提示模板。
10.根据权利要求9所述的装置,其中,所述模板缺陷信息获得模块包括:
缺陷描述文本生成子模块,用于利用所述语言模型处理所述提示信息,生成表征所述提示模板的缺陷属性的缺陷描述文本;
模板缺陷信息确定子模块,用于根据所述缺陷描述文本中的缺陷描述字,确定所述模板缺陷信息。
11.根据权利要10所述的装置,其中,所述模板缺陷信息确定子模块包括:
原因需求提示信息构建单元,用于根据所述缺陷描述字,构建原因需求提示信息;以及
缺陷原因描述文本获得单元,用于利用所述语言模型处理所述原因需求提示信息,得到缺陷原因描述文本,其中,所述缺陷原因描述文本包括缺陷原因信息,所述模板缺陷信息包括所述缺陷原因信息。
12.根据权利要11所述的装置,其中,所述原因需求提示信息构建单元包括:
原因需求提示信息构建子单元,用于根据所述提示模板、所述缺陷描述字和原因提示标记序列,构建所述原因需求提示信息;其中,所述原因提示标记序列适用于控制所述语言模型理解原因需求。
13.根据权利要求9所述的装置,还包括:
评估步骤获得模块,用于利用所述语言模型处理预设的评估规则和所述候选提示模板,得到与所述评估规则对应的评估步骤;
模板评估结果获得模块,用于根据所述评估步骤对所述候选提示模板进行评估,得到针对所述候选提示模板的模板评估结果。
14.根据权利要求13所述的装置,其中,所述评估规则包括多个;
其中,所述模板评估结果获得模块包括:
模板评估子结果获得子模块,用于利用所述语言模型处理所述评估步骤和所述候选提示模板,以及基于所述候选提示模板生成的候选预测文本,得到与所述评估规则对应的模板评估子结果;以及
模板评估结果获得子模块,用于根据与多个所述评估规则各自对应的模板评估子结果,确定针对所述候选提示模板的模板评估结果。
15.根据权利要求9所述的装置,其中,所述目标提示模板确定模块包括:
中间提示模板确定子模块,用于根据所述模板评估结果,从至少一个所述候选提示模板中确定中间提示模板;
模板修改提示信息生成子模块,用于响应于针对所述中间提示模板的修改指令,根据与所述修改指令对应的修改文本,生成模板修改提示信息;以及
目标提示模板获得子模块,用于根据所述语言模型处理所述模板修改提示信息,得到所述目标提示模板。
16.根据权利要求15所述的装置,其中,所述中间提示模板确定子模块包括:
候选提示模板确定单元,用于根据与所述提示模板对应的模板评估结果,确定N个阶段各自得到的候选提示模板,其中,与第n所述阶段对应的第n候选提示模板是通过如下方式生成的:
根据所述更新指令和至少一个第n-1候选提示模板,构建第n-1候选提示信息,其中,第n-1候选提示模板是基于第n-1阶段确定的第n-1模板评估结果确定的,n>1,且n为整数,第1所述模板评估结果为与所述提示模板对应的模板评估结果;
利用所述语言模型处理所述第n-1候选提示信息,得到与所述第n-1候选提示模板相对应的第n-1候选模板缺陷信息;以及
根据所述第n-1候选模板缺陷信息更新所述第n-1候选提示模板,得到第n候选提示模板;以及
中间提示模板确定单元,用于从与N个阶段各自对应的候选提示模板中,确定至少一个所述中间提示模板。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562625.2A CN117349424A (zh) | 2023-11-22 | 2023-11-22 | 应用于语言模型的提示模板的处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562625.2A CN117349424A (zh) | 2023-11-22 | 2023-11-22 | 应用于语言模型的提示模板的处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117349424A true CN117349424A (zh) | 2024-01-05 |
Family
ID=89365106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311562625.2A Pending CN117349424A (zh) | 2023-11-22 | 2023-11-22 | 应用于语言模型的提示模板的处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349424A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725191A (zh) * | 2024-02-18 | 2024-03-19 | 卓世智星(天津)科技有限公司 | 大语言模型的引导信息生成方法、装置及电子设备 |
-
2023
- 2023-11-22 CN CN202311562625.2A patent/CN117349424A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725191A (zh) * | 2024-02-18 | 2024-03-19 | 卓世智星(天津)科技有限公司 | 大语言模型的引导信息生成方法、装置及电子设备 |
CN117725191B (zh) * | 2024-02-18 | 2024-05-28 | 卓世智星(天津)科技有限公司 | 大语言模型的引导信息生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4020326A1 (en) | Method and apparatus of training model, device, storage medium, and program product | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN117349424A (zh) | 应用于语言模型的提示模板的处理方法、装置及电子设备 | |
CN114329244A (zh) | 地图兴趣点查询方法、装置、设备、存储介质及程序产品 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
KR102608867B1 (ko) | 업계 텍스트를 증분하는 방법, 관련 장치 및 매체에 저장된 컴퓨터 프로그램 | |
CN114691525A (zh) | 测试用例的选择方法及装置 | |
CN114492370B (zh) | 网页识别方法、装置、电子设备和介质 | |
CN116127376A (zh) | 模型训练方法、数据分类分级方法、装置、设备及介质 | |
CN112966513B (zh) | 用于实体链接的方法和装置 | |
CN115470790A (zh) | 一种识别文件中的命名实体的方法和装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113222414A (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN112947928A (zh) | 代码评价的方法、装置、电子设备和存储介质 | |
CN105302336A (zh) | 一种输入纠错方法和装置 | |
CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
CN114841471B (zh) | 知识点预测方法、装置、电子设备和存储介质 | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN113361284B (zh) | 目标内容的生成方法和装置 | |
CN116383491B (zh) | 信息推荐方法、装置、设备、存储介质和程序产品 | |
CN115249017B (zh) | 文本标注方法、意图识别模型的训练方法及相关设备 | |
US20230386237A1 (en) | Classification method and apparatus, electronic device and storage medium | |
CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
US20220138435A1 (en) | Method and apparatus for generating a text, and storage medium | |
CN116842942A (zh) | 数据处理方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |