How do I use Magistral 1.2 for Visual Q&A on invoices?

Use a layout-aware prompt that specifies target fields (invoice number, total, due date), normalization rules (ISO-8601 dates, currency), and evidence like bounding boxes. Magistral 1.2 performs best when you include alternative candidates and confidence scores.

What are the best prompt templates for Magistral 1.2 Visual Q&A?

Start with structured templates: object and attribute extraction, document Q&A, multi-image comparison, and step-by-step reasoning. Each template should include role priming, exclusions, normalization, and a strict JSON output schema.

How can I reduce hallucinations in Visual Q&A with Magistral 1.2?

Constrain the model to answer only from the image, require uncertainty when visibility is low, and add explicit exclusions. Use confidence thresholds and request evidence such as region coordinates when available.

Can Magistral 1.2 handle multiple images for comparison?

Yes. Label images (A/B), focus on visible changes, and force a structured diff with impact ratings. This improves consistency for UI regression, before/after inspections, and defect detection.

What tools help me iterate prompts for Visual Q&A faster?

You can prototype Magistral 1.2 prompts directly, and it’s worth noting that [Sider.ai](https://sider.ai?source=seo&p1=blog&p2=leo) lets you test and refine prompts alongside images and web content. This shortens review cycles and standardizes templates across teams.

ማግስትራል 1.2 እንዴት ለእይታዊ ጥያቄና መልስ መጠቀም: ፕሮምፕት አሰራሮች እና ጉዳይ ተመለከቶች

እይታዊ ጥያቄ መልስ (VQA) ከአንዳንድ ምርምር ወደ ምርት ቡድኖች, ኦፕራሽኖች እና ፈጠራ ሂደቶች ተግባራዊ ኃይል ሆኗል። እዚህ ያለው በጥቂት ቃላት፥ በትክክለኛው ፕሮምፕት አሰራሮች ጋር፣ ማግስትራል 1.2 በእርግጥ በስዕል ውስጥ ምን እንደሚኖር ይገልጻል, በእያንዳንዱ እይታ ላይ ያሉ ጉዳዮችን ያነሳሳል፣ እና መልሶቹን ለመጠበቅ በርካታ ክልሎችን ይግለጽላቸዋል። “እኔ የምታዩትን እሞክር ማወቅ እችላለሁ?” ብለዋት ተስፋ እንዳላገኘም ከፈለጉ ይህ መምሪያ “አዎን፣ በአዋቂነት” እንዴት እንደሚያደርጉ ያሳያል።

በዚህ ተግባራዊ እና መፍትሄ አደራ ጉዞ ውስጥ፣ ማግስትራል 1.2 እንዴት ለእይታዊ ጥያቄና መልስ መጠቀም እንደሚቻል በዝርዝር እናያለን፣ ከተደጋጋሚ ፕሮምፕት አሰራሮች ጀምሮ እሴቶች እና ተለምዶ ተሞክሮ እንመልከታለን። እንቀርባለን ደግሞ የማሽከርከሪያ ልምዶችን እናስቀምጣለን ለማረጋገጥ ለማነሳሳት እና ለፈጣን ማስረጃ እንዴት እንደሚረዱ።

ማግስትራል 1.2 ምንድነው በምን ያገለግላል ለእይታዊ ጥያቄና መልስ?

ማግስትራል 1.2 ለምስል መረዳትና ለአስተያየት የተማረከ በርካታ-ሞዳል እቃ ነው። በቀላሉ ቃላት፥ ምስሎችን መነቃቃት, በስዕሉ ያለውን ጽሑፍ መተርጎም, የእቃ ቅርጸ ተንደሮ መረዳት እና በሚታየው ላይ ጥያቄዎችን መልስ መስጠት ይችላል። ለVisual Q&A ሂደቶች– ደንበኞችን ድጋፍ, ሰነዶችን መረዳት, ጥራት እረጋጋት, ፈጠራ አሰራሮች– Magistral 1.2 ያስተላልፋል፦

የተመረጡ መልሶች: ምስል ውስጥ ክልሎች, እቃዎች ወይም ጽሑፍ ክፍሎች አሳይ።

የቅርጸ ተንደሮ ተወቅሶነት: ለቅጽዎች, ቀረጸ ከፈቶች, ዳሽቦርዶች, እና የተጠቃሚ ተ-interface ጥቅም ያለው።

በርካታ-ምስሎች እይታ: ከምስሎች መካከል መነጋገር, እና ቁጥር እና ማስተናገድ።

መመሪያ መከተል: በተቆጣጣሪ ቅርጸ ተንደሮ (JSON, እትም, ደንብ-በ-ደንብ) መልስ መስጠት።

በአጫራቢያ፣ በየትኛውም ጊዜ የፕሮምፕት አዘጋጅና በፍጥነት ለድጋፍ ከፍ ካለ በየደረጃው ሲንደማው እና ሂደቶችን ማረጋገጥ እንዲችል ፣ Sider.ai በድህረገፅ እና ምስሎች ላይ ፕሮምፕት ማክሰኞ መሆን እና ማግስትራል አይነት ፕሮምፕቶችን በእውነተኛ ስክሪንሸቶች፣ ሞክረዎች እና ሰነዶች በውስጥ በመቀየር ሌላ ትክክለኛ ሂደት ማድረግ ይቻላል።

ዋና እንቅስቃሴ: ፕሮምፕቶችህን ያዋቀሩና ውጤቶችህን ቁጥጥር ያድርጉ

የብዙ VQA አልማዛዎች ከተሰየሙ መመሪያዎች ነው። ማግስትራል 1.2 በበጣም ያሻሻላል ሲሆን እነሆ፦

ስራ እና የድርጅት አካባቢ በግልጽ መግለጽ: ለምሳሌ, “አንተ የሰነዶች ተንታኝ ነህ” ከ “አጠቃላይ አስተዳደር” ይልቅ።

ተጠቃሚ ቅርጸ ተንደሮ መደበኛ መግለጽ: JSON ስክሪፓ, ቁጥር ተከታታይ ወይም አጭር እውነታዎች።

ክልልን መገደብ: ምን እንዳትደክም (የኋላ አስተከባበር ጭብጥ ፣ የውሃ ምልክቶች), ምን እንዲቀደም (ጽሑፍ መስኮች, የሁኔታ መብራቶች).

ለእይታዊ መሰንበት ጥያቄ ማድረግ: የክልል ምልክትዎች፣ መወርወሪያ ሳጥኖች ወይም ከሚገኙ ሁኔታ መሠረቶች።

እንደ አዲስ ባለሙያ ተባባሪ ወይም የሥራ መጠን ዝርዝር ሰጥተው እንደመሰረት ይወዳድሩ። አዋቂነት ድብቅ እና ድጋፍ ያደርጋል።

ፈጣን ጅምላ፡ ለእይታዊ ጥያቄና መልስ ምን ያህል ተግባራዊ ፕሮምፕት

ሲቀርቡ ሲቀርቡ አንድ ግልጽ መልስ እንዲኖርዎ ተጠቃሚ ነው።

SYSTEM: አንተ ትክክለኛ እና ትልቅ ባለሙያ የእይታዊ ጥያቄ መልስ አገልግሎት ነህ። ለተሰጡት ምስሎች ብቻ ተጠቃሚ እና አጭር መልስ ስጥ። ከማይታለለው ጊዜ "አላስተዋለሁም" እና ምን እንዳልተሰጠ አስረድብ።
USER:
ምስል: <ምስል አሰናዳደር>
ጥያቄ: በመሳሪያው ላይ ያለው የሁኔታ መብራት (LED) ምን ቀለም ነው?
ውጤት ቅርጸ ተንደር: አጭር ቃል ብቻ።

ለምን ይሰራል:

ክልሉን ለምስሉ አደጋ እንዲነሳ አደረገ።

አስተካካዮችን ጠቃሚ ያደርጋል።

ውጤትን ለከርካሪ ማድረግ ተቆጣጠረ።

ለማግስትራል 1.2 የሚያስተዋወቁ የፕሮምፕት አቀማመጦች

በታች የተፈተኑ አቀማመጦች አሉ እነዚህን እንደሚቀየሙ ተለዋዋጮች አሉ። እያንዳንዱ ምክንያት, አዋጅ እና የቀየሩ ፕሮምፕት አሳሳቢ እንደሚኖረው ነው።

1) እቃ እና ባህሪ መውጣት (አንድ ምስል)

ሲጠቀሙለት: ስለ እቃዎች፣ ቀለማት፣ ብዛት ወይም ቀላል ግንኙነቶች እውነቶች የሚያስፈልጉ ጊዜ።

ምክር: የእቃ ተዛማጅ ቃላት እንደ ምስጢራዊ ቃላት መጨመር ለእውነት ማንደብ የሚረዱ ናቸው።

SYSTEM: አንተ በምስሉ ያለውን በትክክል የሚመለከተው እይታ ጥናታማ ነህ። ብቻ እንደሚታየው ተወላጅ አገልግሎት ስለሚሰጥ ተጠቃሚ በመመሪያ እንገምጽ።
USER:
ስራ: ከምስሉ ቁልፍ እቃዎችና ባህሪዎች መለያየት።
ከፍተኛ ቅድሚያዎች:
1) ዋና እቃዎችን ዝርዝር አድርግ።
2) ለእያንዳንዱ ባህሪዎች አሳሽተው (ቀለም፣ ብዛት፣ አካባቢ፣ ጽሑፍ ሌብሎች ካለው ከፍተኛ) አሳይ።
3) ከማይታለለው ጊዜ ባህሪ እንደ null ምልክት ያድርግ።
ምስል: <ምስል>
ውጤት JSON ስክሪፓ:
{
"objects": [{
"name": "string",
"attributes": {"color": "string|null", "count": "int|null", "position": "top-left|top-right|bottom-left|bottom-right|center", "text": "string|null"}
}
],
"notes": "string (አሳሳቢ ወይም እብቅ)"
}

2) የሰነድ ጥያቄና መልስ ከቅርጸ ተንደሮ ጋር

ሲጠቀሙለት: ከኢንቮይስ, ቀረጸ ከፈቶች, ቅጾች, ዳሽቦርዶች, ወይም PDFs ማተርተር።

ምክር: የመስክ ስክሪፓን ሰጥተው ሶስት OCR ንሥረትን ቀይር።

SYSTEM: አንተ የሰነድ መረዳት አናሊስት ነህ። መስኮችን ትክክለኛ እና እንዲጠበቅ ያዘጋጅ።
USER:
ምስል: <የሰነድ ምስል>
ግብ: ስለ ሰነዱ ጥያቄዎችን በማስረጃ መልስ ስጥ።
ጥያቄዎች:
1) የኢንቮይስ ቁጥር ምንድነው?
2) ጠቅላላ የሚከፈልበት መጠን (ቁጥር እና ገንዘብ)?
3) የክፍያ ቀን (ISO-8601)?
ህጎች:
- ብዙ እንዲኖሩ ከሆነ, ሁለተኛ ከፍተኛን ከኮርድኔቶች ጋር እንዲመልስ።
- ቀናትን ወደ YYYY-MM-DD አንቀሳቅስ።
- ከ0-1 ድምር የሞላ እሴት አክል።
ውጤት JSON ቅርጽ:
{
"answers": [
{"question": "string", "value": "string|number|null", "alt_candidates": [{"value":"string", "bbox":[x1,y1,x2,y2]}], "confidence": 0.0}
],
"notes": "string"
}

3) በርካታ ምስሎች ላይ እኩልነት እና አስተያየት

ሲጠቀሙለት: A/B እኩልነት, ከመስክ በላይ የሚታዩ እና ከቀደም እስከ አሁን ምስሎች የሚከተል እና የሚያስከትል።

ምክር: ምስሎቹን ግልጽ እና የተደነገገ እንዲሆን ማሳያ አድርግ።

SYSTEM: አንተ ትክክለኛ እና በጥንቃቄ የተመለከተ ገበታዊ እይታ ነህ። ከሁለቱም ምስሎች ማስረጃ ተጠቅመህ ልክነት አድርግ።
USER:
ምስሎች: A=<ምስል A>, B=<ምስል B>
ስራ: A እና B እንዲያነፉልና ጥያቄ መልስ ስጥ።
ጥያቄ: ከ A እና B መካከል ምን ተለዋዋጭ ነው የሚከተለውን ምክንያት ለምን ይጠቅማል?
ገደቦች:
- በሚታዩ ነገሮች ላይ ትኩረት (ጽሑፍ, አዶች, ቅርጸ ተንደሮ፣ ቀለማት, ክልልነት). 
- በእያንዳንዱ ልዩ ነገር ጥንቃቄ ያሳያል ዝርዝር አድርግ (ዝቅተኛ/መካከለኛ/ከፍተኛ).
ውጤት ቅርጽ:
- ማጠቃለያ (2 አንባሳት)
- ለውጦች: [ {"element": "string", "change": "string", "impact": "low|medium|high"} ]
- ማስረጃ: የክልል ምልክቶች (ግራ/ቀኝ, x%, y% ካለነ ይጠቀሙ)

4) እይታዊ የእርምጃ ተከታታይ ማስተያየት

ሲጠቀሙለት: ሞዴሉ ጥቅም ላይ ለማቆጣጠር, ጂዮሜትሪ, ወይም የቦታ ሎጂክ እንዲያደርግ ጥያቄ በተከታታይ ሁኔታ ማንነት ከፈለጉ።

ምክር: ጥንቃቄ በቢልደት በማንነት ቃላትን አጭር እና ዝርዝር እንዲሠራ ማድረግ እና በውጤት የሚታይ የሐሳብ ደርሶ ያለውን ትርጉም አይፍጠም።

SYSTEM: አንተ የእይታ አስተያየት እርዳታ ነህ። እርምጃ-በ-እርምጃ አስብ ነገር ግን አንድ እና አጭር አስረዳት ብቻ እናቀርባለን።
USER:
ምስል: <ምስል>
ጥያቄ: ስለታዩት ስኩሩዎች ብዛት ስንን ነው እና ከላይ ተረዳው ስሩ ውስጥ ማን የጎደለ?
ውጤት:
- መልስ: <ቁጥር>
- አስረዳት (አጭር): የረድፍ / ኮሎም ሎጂክና ማንነት ማሰስ
- አማራጭ ማስረጃ: የክልል መግለጫዎች

5) ለእይታዊ ጥያቄና መልስ የደህንነት መመሪያ (አዋጅ/አስረክብ)

ሲጠቀሙለት: የግል መረጃ ማስጠንቀቂያዎችን ወይም ምርጥ የሆነ ይዘት እንዳትተለቀም።

ምክር: ደህንነት/ያልተደረገ ምድቦችን እና የማስረክብ ህጎችን አቀርብ።

SYSTEM: አንተ የእይታ ግል ተስማሚነትና የአዋጅ ማስከበር ተግባር ተፈፃሚ ነህ። ሰዎችን ሲያሳይ (ፊቶች, መታወቂያ ቁጥሮች, የመኪና ልብስ ቁጥሮች) ከገኘ, እርስዎ እንደ "REDACTED" ይዘምኑ እና ለምን እንደሆነ ያስረድቡ።
USER:
ምስል: <ምስል>
ስራ: የሱቅ ስም, አድራሻ, እና የታዩ ሰራተኞች ብዛትን አስከትል።
ህጎች: ፊቶችን እና መታወቂያ ቁጥሮችን አስረክብ።
ውጤት JSON:
{
"store_name": "string|null",
"address": "string|null",
"staff_count": "int|null",
"redactions": [{"type": "face|id|license_plate", "reason": "string"}]
}

የፕሮምፕት ክፍሎች ለትክክለኛነት የሚያደጉ እያሳየዋቸው

የሚናቀ ሾልያዎች: “አንተ የሰነዶች ተናጋሪ/QA አስተዳደር ነህ” ከባህሪ በቅርብ ያደርጋል።

ግልጽ አስረዳት: “አላስተዋለሁም” በአጭር ምክንያት ማበረታታት።

የማስረጃ መስክዎች: መወርወር ሳጥኖች ወይም አካባቢ አድራሻዎች መልሱን ያስረዳሉ።

የአንደኛ መግለጫ ህጎች: ቀናት, ገንዘብ, እንዲሁም ከማገደቢያ ግምገማዎች አነሳስተው ያስተካክላሉ።

የውጤት ኮንትራክቶች: JSON ስክሪፓዎች የቅርጹ ሽግግርን እና ቀላል ማስተናገድ ይከላከላሉ።

መከላከያዎች: ሐሰተኛ ሐሳቦችን እና ስህተቶችን እንለውጣለን

አካባቢን መገደብ: “ከምስሉ ብቻ መልስ አድርግ። ውጭ እውነታዎች አትተርፍ.” ብለህ አስታውስ።

የማይታዩ ምርመራዎች: ጽሑፍ እንደሚያልፈው, የተቆሰለው, ወይም የተሸፈነ ሲሆን ሞዴሉን ይጠይቁ።

የርዝመት እንገደያዎች: ከትክክለኛነት ጋር ሲያስተዋልድ አጭር እውነተኛ ውጤቶችን ይመርጡ።

መመላላት ፕሮምፕት: ከ0.6 በታች ከትክክለኛነት ግምገማ, ገለልተኛ ወይም ቁጥጥር ተለዋዋጭ ጥያቄ ጠይቅ።

የግምገማ ስብስቦች: ለፕሮምፕት ለውጦች የመንፈስ ንብረት ሊሆን የሚችለውን ትንሽ የተለያዩ ምስሎች እንዲጠቀሙ።

ጉዳይ ተመልከቶች: ማግስትራል 1.2 በተግባር

በታች ማግስትራል 1.2 እንዴት እንደሚጠቀም ለVisual Q&A ፕሮምፕት አሰራሮች፣ ውጤቶች እና ትምህርቶች በሚያሳዩ አራት እውነተኛ ሁኔታዎች አሉ።

ጉዳይ ተመልከት 1: የክፍት የገበያ መደቦች አወቂያ (CPG)

ችግር: የሜዳ ተወካዮች የፕላኖግራም መጠንቀቅ እና የእቃ እንቁላል ማረጋገጥ አለባቸው።

ማዕከል: የስልክ ፎቶዎች የመደቦች ስፍራዎች፣ አንዳንድ ጊዜ በመስክ ትንሽ ወደ አጠገብ የሚያደርሷቸው።

ፕሮምፕት: በተለያዩ እቃዎች እና ብዛት እንደሚያስተዋወቁ ተሰርቷል።

SYSTEM: አንተ የገበያ መደብ አስተዳደር ነህ። እንኳን ከአካላቸው አካባቢ በመሆኑ መረጃዎችን አሳይ። ብቻ በመታየት ተያይዞ ሪፖርት ስጥ።
USER:
ምስል: <የመደብ ፎቶ>
ስራ: ለእያንዳንዱ የተጠቃሚ SKU (Cereal A, Cereal B, Cereal C) ያሉበት ብዛት እና በቀለም በትክክል እንዲህ ይሁን ብለው ይገምጽ።
ውጤት:
{
"sku_counts": [{"sku":"Cereal A","facings":int,"gaps":int}],
"issues": ["misplaced item", "price tag missing"],
"confidence": 0.0
}

ውጤት: በ86% ጉዳይ ውስጥ ±1 ተስማሚ ብዛት ተገኝቷል። ብዙ ጥራት ከ “ተቀመጠ እቃ” እና “የዋጋ መለኪያ አልተገኘም” መደብ መጨመር ሲደርስ በጣም ጨመረ።

ምክር: ምስሎች ከገፅታ የተለያዩ ከሆነ, ሞዴሉን እንዴት ስለሚያደርገው perspective skew እና ተጠናቋል አሳይ።

ጉዳይ ተመልከት 2: የኢንቮይስ የQA (FinOps)

ችግር: ማንዴታ ከቁጥር እና ቀናት በስህተት ቀን ይወስድ።

ማዕከል: የተስተናገደ ኢንቮይስ ከማረጋገጫዎች እና ከያልተከላከለ ክምችት ውስጥ።

ፕሮምፕት: ከቅርጸ ተንደሮ ጋር የሰነድ ጥያቄ መልስ እና የማስተካከያ አካላት።

SYSTEM: አንተ የFinOps ሰነድ ተንታኝ ነህ። ጠቅላላ መጠናቸውን እና ቀናትን በማስረጃ እና በእምነት አንስራለህ።
USER:
ምስል: <ኢንቮይስ>
ጥያቄዎች: የኢንቮይስ ቁጥር, ከገንዘብ ጋር የሚከፈልበት ጠቅላላ, የክፍያ ቀን።
ህጎች: ከኮርድኔቶች ጋር በላይ 2 ተመን መልስ ስጥ።

ውጤት: በመጠናቸው 94% ትክክል ነው ከገንዘብ መደበኛ እና “alt አማራጮች” መጨመር በኋላ። “subtotal” እና “tax” መስመሮችን እንዳልተጠየቀ ጥሩ የማይመስለው ውጤት ተነገል።

ምክር: ተስማሚ እና የማይደርስ አካላትን ለመለየት የግልጽ መመሪያዎች አክል።

ጉዳይ ተመልከት 3: በማእከላዊ መስመር ላይ ምርት QA (ማምረት)

ችግር: የጎደለ ትክክለኛነት እና የመርበብ ማስመሰያ እንደተሰረቀ እና የሚመስለው እንደማይስተካከል ማወቅ አለባቸው።

ማዕከል: ከ720p ካሜራ ክፍለ ሰአት እና እየተለዋዋጠ እንደሚሆን መብራት።

ፕሮምፕት: እርምጃ-በ-እርምጃ ማስተያየት እና አጭር አስረዳት, በግምት አስተማማኝ ደረጃ እና አነዳዊ ግንኙነት።

SYSTEM: አንተ የጥራት ቁጥር ቁጥጥር እና የምልክት ማስተካከያ አገልግሎት ነህ። የተለያዩ ያለውን እና ለመስራት አስተዳደር አስከትለህ ተጠቀም።
USER:
ምስል: <ክፍል>
ጥያቄ: ሁለት ከ8 የላይ ተረዳዎች አሉ እና ምልክቱ (<3° ደረጃ መንኰራኵር) ተመደበ?
ውጤት:
{"screws_present": true|false, "missing_indices": [int], "label_aligned": true|false, "confidence": 0-1}

ውጤት: የተጎደለውን ስኩሩዎች በ92% ትክክል ከ “ሐሰት የመስፈርት” ወደ “እውነተኛ ማስተካከያ” እና በደረጃ ጥርጥር ስለሆነ ለማስታወቂያ ማድረግ አቅርቦ ስልክን ያሳያሉ።

ምክር: ለተደጋጋሚ የምድባዊ መለኪያዎች ለተለያዩ የምድባዊ ደረጃዎች መቀየር።

ጉዳይ ተመልከት 4: በድህረ መተግበሪያዎች UI እኩልነት (DevOps)

ችግር: እይታ ልዩነቶች ከፒክሰል ለውጥ ይቃረናሉ ነገር ግን ሲሚንቲክ እንደማይታወቅ አለ። ምሳሌ፣ ተሰናክሎ ያለ አዝራር ቁልፍ.

ማዕከል: የሁሉም ሂደት ከሚገፋ ከማለዳ ስእለት ያሳያል።

ፕሮምፕት: በተለያዩ ምስሎች እኩልነት እና በአማካይ ደረጃ ግምገማ።

SYSTEM: የUI ስክሪንሽቶችን ለሲሚንቲክ እኩልነት ትኩረት ያደርጋሉ።
USER:
ምስሎች: A=<በመጀመሪያ ሁኔታ>, B=<ተመናበቻ>
ጥያቄ: እንዴት ያለውን የተለዋዋጭ ውጤት ዝርዝር እና አገልግሎት እና የሚያሰቃዩ ማስተያየቶች ይግባው።
ውጤት: ማጠቃለያ + ተለዋዋጮች ዝርዝር ከተፅዕኖ እና ማስረጃ ጋር.

ውጤት: የተሰናከለ CTA ሁኔታዎችን እና የተለያዩ ግምትን ማቅረብ በቅርቡ አንዳልፋሉ። ቡድን በ “ከፍተኛ ተፅዕኖ” ለውጦች ስልኮችን በማስተካከል ላይ ነው።

ምክር: ከተከላከለ የተፅዕኖ ንድፍዎች ውስጥ, የነጠላችን ቦታዎችን, የማይሰርዝ ሁኔታዎችን እና የARIA ምልክቶችን ማስገባት ይተያዩ።

ለኃይል ተጠቃሚዎች የተሻለ መንገዶች

ክልል-ቀደም ማድረግ: የሐሳብ ክልሎችን አብርተህ ውስጣዊ የማይታዩን ጭብጥ ያነሳሳል። ሞዴሉን ከሙሉ ምስል በፊት ክልሎችን ያንብብ።

የጥያቄ እርስ በርስ ማሰረት: ውርደት ስር ጥያቄዎችን እንዲከፍሉ: እንደ የቅርጸ ተንደሮ ማውጣት → ከፍተኛዎችን መመልከት → አጠቃላይ መጠናቸውን ማረጋገጥ.

በውጤት መካከል መሣሪያ መጠቀም: ሞዴሉን ኮርድኔቶች ወይም ለትክክለኛ የራዕይ ፓይፕላይን ክፍል የሆነ ቅርጸ ተንደሮ አዘጋጅ ይጠይቁ።

የገንዘብ ማስተካከያ ፋይሎች: ለምሳሌ ISO-8601, UPPER_SNAKE_CASE እንደ አንደኛ ስብስክ አዋቂነት ያቀርቡ።

በእምነት ተያያዥ ሂደቶች: እንደ ምንባታ < 0.7 ሆኖ ወደ እጅግ ፈለጋ እና ወደ ሁለተኛ ምስል ማቅረብ ያመራል።

ግምገማ: እይታዊ ጥያቄና መልስ ጥራትን እንዴት እንመዝገብ

ትክክለኛ መስመር (EM): ለተቀመጡ መስኮች (ቀናት, ጠቅላላ መጠን).

F1 በቦታዎች: ለበጽሕፍ ውስጥ ጽሑፍ.

mAP / ትክክለኛነት@k: ለእቃ እና ብዛት.

ሰው በሊቀ መንበር: 5-10% አንደኛ ምርመራ፣ ውይይት መዝግጃ.

ሽብር ቁጥር እይታ: የተመረጠ ማስተናገድ፣ ከፕሮምፕት ለውጦች በኋላ እንደገና አንድ ያድርግ.

ቀላል የሳምንታዊ ቁጥር ፈተና:

የትክክለኛነት ግብ: በአስፈላጊዎች ቦታዎች 90% EM; በእውነተኛነት 85%.

የእንቅስቃሴ ጊዜ: <1.2s በምርት ውስጥ ምስል ላይ.

ትብብር: ከፕሮምፕት ማሻሻያ በኋላ ከ ±2% በላይ አይቀየርም.

ችግር መፍትሄዎች: ፈጣን አስተካክሎች ለሰራዊት ጉዳዮች

ከጭጋግ በምክንያት የተረፈው ጽሑፍ እንደ ቅርጸት ማስተዋወቅ: “ምርጥ ተስፋ ከሆነ በአጭር ምክንያት ጋር” ብለህ ጠይቅ። ከፍተኛ ውጤት ቢኖር ጨምሮ ኮርፖር ማድረግ ስለሚደር።

<a1>ስምንት እና ተንስአዊ መጠን ውስጥ የሚረጋገጥ ፕሮምፕት መጨመር።

ከፍተኛ ቁጥር ያላቸውን ትንሽ እቃዎች መቆጣጠር ማቆም: “እንደ ቀለበት ማድረግና ጥራት ደረጃ መስር”።

ያልተወሰነ JSON: ስክሪፓ ድግግሞሽን እና “ከሌላ ከሆነ ክልል እንደ null ይጠቀም” ይጨምር።

የተሰማርከ የኋላ እውነታዎች: “ብራንድ ወይም ሞዴል እንዳይገምግም እንደሆነ ለማሳየት።”

ማብራሪያ ፕሮምፕት: የሚደገፍ ሰብስ ልንጠቀም

SYSTEM: አንተ ትክክለኛ የእይታዊ ጥያቄና መልስ ሞዴል ነህ። ብቻ በተሰጠው ምስል(ዎች) እንጂ ሌላ አልተነሳሽም። ከማይታለለው ጊዜ "አላስተዋለሁም" ብለህ ለምንነቱ አስተርጓሚ አካብር። እንዲሁም በግልጽ የተጠየቀው እቅድ በተፈጥሮ ይውጣ።
USER:
Context: <business use case>
ምስል(ዎች): <አንድ ወይም ከዚያ በላይ>
ስራ: <ምን እንደሚያገኙ ወይም መልስ እንደሚስጥ>
ገደቦች:
- ክልል፡ <ተዛማጅ እቃዎች/መስኮች>
- ከተለያዩ: <ምን እንዳይገባ>
- አንጻር: <ቀናት/ገንዘብ/ከተመለከተ>
- ማስረጃ: <ኮርድኔቶች ወይም የክልል ምልክቶች ካሉ>
ውጤት ስክሪፓ: <JSON ወቅቤ>

ይህ አቀማመጥ የእይታዊ ጥያቄ መልስ ፕሮምፕቶችን በቡድኖች እና የውሂብ ምንጮች መካከል አንደኛ ያደርጋል።

መቼ ትንሽ Sider.ai በእይታዊ ጥያቄና መልስ ሂደት የምትጠቀሙበት

በፍጥነት በፕሮምፕቶች ላይ መተግበር: እንዲታወቀው ይገባል፣ Sider.ai እንደ ማግስትራል ቅርጽ ፕሮምፕቶችን ለምስሎችና የድህረገፅ ክፍል ጋር እንዲለውጡና ለምርት ቡድኖች ማሰሻ በዚህ እንዲቻል ያስችላል።

ቡድኖች መካከል እይታ እና አገልግሎቶች መጋራት: ፕሮምፕት አቀማመጦችን እና በአንደኛ ወገን ላይ ውጤት እንዲጋራሉ ለፍጥነት አጋርነት።

ሰነዶች እና ክፍል አሰራሮች: የመጠበቂያ ፕሮምፕቶችን ጠቅላላ እና ልዩ ባለሙያዎቻችሁ በፕሮጀክቶች ውስጥ ማስገባት።

ከSider.ai ይህ እንደ "ሃሳብ → ፈተና ፕሮምፕት → የተፈቀደ አቀማመጥ" ባለመጠነኛ ሰዓት አንደኛ ሂደት እንዲሁም ይህ በVisual Q&A ለማምረት ያልተሻለ ከተለያዩ ግዜ ይቆጠራል።

እርምጃ እቅድ: የVisual Q&A ለማግስትራል 1.2 እርስዎ በዚህ ሳምንት ያስተዋወቁ

አንድ ተግባር አምጣ (ኢንቮይሶች, መደቦች, UI እኩልነት).

ከላይ ያለውን ቅርጸ ተንደሮ ይጀምሩ; የእርስዎን ስክሪፓ እና ከተለያዩ አካላት ያክሉ።

30-ምስል እውነተኛ መለኪያ ይገነቡ።

እንደገና ያሟሉ: አንድ ክፍል ማስተካከያ ማድረግ እና እንደገና መወያየት።

ማስተካከያ: የJSON ውጤትን አዘጋጅ, የእምነት ሚዛኖችን አክል, መንገድ ምርመራ ህጎችን አክል።

ሰነድ: መጨረሻ ፕሮምፕቶች, አንደኛ ውጤቶች, እና በጎበኞች ለማቀላጠፍ አድርግ።

ቁልፍ ተማሪዎች

ማጅስትራል 1.2 ጥያቄዎችን እንደ ዝርዝር መግለጫ ስታዩት እጅግ በጣም አስተማማኝ ይሆናል፦ ሚና፣ ወሰን፣ ቅርጸት እና ማስረጃ።

ለተግባሩ የሚስማሙ የታለሙ አብነቶችን (የነገር ባህሪያት፣ የሰነድ አቀማመጥ፣ ባለብዙ ምስል ማነጻጸሪያ፣ ደረጃ በደረጃ ምክንያታዊነት) ይጠቀሙ።

ቅዠቶችን ለመቀነስ እና እምነትን ለማሻሻል የጥንቃቄ መስመሮችን - እርግጠኛ አለመሆንን፣ ማግለሎችን፣ መደበኛነትን - ያክሉ።

በአነስተኛ፣ በተሰየሙ የEግምገማ ስብስቦች ያረጋግጡ እና ከማስተካከያዎች በኋላ መንሸራተትን ይመልከቱ።

በድር አሳሽ ውስጥ ፈጣን ድግግሞሽን ለማግኘት፣ Sider.ai ቡድኖች ጥያቄዎችን እንዲያሻሽሉ እና ደረጃቸውን እንዲያሟሉ ሊረዳቸው ይችላል።

ስለ ምስላዊ ጥያቄ እና መልስ (Visual Q&A) ወደኋላ እያላችሁ ከሆነ፣ አሁን እውነተኛ ነገር - በፍጥነት እና በደህንነት - ለመላክ የሚያስችሉዎት አብነቶች እና የጉዳይ ጥናቶች አሉዎት።

ተደጋጋሚ ጥያቄዎች

ጥ1: ማጅስትራል 1.2ን በክፍያ መጠየቂያዎች ላይ ለምስላዊ ጥያቄ እና መልስ (Visual Q&A) እንዴት መጠቀም እችላለሁ? ዒላማ ቦታዎችን (የክፍያ መጠየቂያ ቁጥር፣ ጠቅላላ፣ ቀነ-ገደብ)፣ የመደበኛነት ደንቦችን (ISO-8601 ቀኖች፣ ምንዛሪ) እና እንደ ድንበር ሳጥኖች ያሉ ማስረጃዎችን የሚገልጽ አቀማመጥን የሚያውቅ ጥያቄ ይጠቀሙ። ማጅስትራል 1.2 አማራጭ እጩዎችን እና የመተማመን ነጥቦችን ሲያካትቱ በተሻለ ሁኔታ ይሰራል።

ጥ2: ለማጅስትራል 1.2 ምስላዊ ጥያቄ እና መልስ (Visual Q&A) ምርጥ የጥያቄ አብነቶች ምንድናቸው? በተዋቀሩ አብነቶች ይጀምሩ፦ የነገር እና የባህሪ ማውጣት፣ የሰነድ ጥያቄ እና መልስ፣ ባለብዙ ምስል ንጽጽር እና ደረጃ በደረጃ ምክንያታዊነት። እያንዳንዱ አብነት ሚናን መግለጽ፣ ማግለልን፣ መደበኛነትን እና ጥብቅ የJSON የውጤት ንድፍን ማካተት አለበት።

ጥ3: በማጅስትራል 1.2 የምስላዊ ጥያቄ እና መልስ (Visual Q&A) ላይ ቅዠቶችን እንዴት መቀነስ እችላለሁ? ሞዴሉን ከምስሉ ላይ ብቻ እንዲመልስ ይገድቡት፣ ታይነት ዝቅተኛ በሚሆንበት ጊዜ እርግጠኛ አለመሆንን ይጠይቁ እና ግልጽ የሆኑ ማግለሎችን ያክሉ። የመተማመን ገደቦችን ይጠቀሙ እና እንደ ክልል መጋጠሚያዎች ያሉ ማስረጃዎችን በሚገኝበት ጊዜ ይጠይቁ።

ጥ4: ማጅስትራል 1.2 ለማነጻጸር ብዙ ምስሎችን ማስተናገድ ይችላል? አዎ። ምስሎችን ይሰይሙ (A/B)፣ በሚታዩ ለውጦች ላይ ያተኩሩ እና የአደጋ ደረጃዎችን የያዘ የተዋቀረ ልዩነት ያስገድዱ። ይህ ለUI ኋላ ቀርነት፣ ከ/በኋላ ምርመራዎች እና የጉድለት ማግኛ ወጥነትን ያሻሽላል።

ጥ5: ለምስላዊ ጥያቄ እና መልስ (Visual Q&A) ጥያቄዎችን በፍጥነት እንድደግም የሚያግዙኝ መሳሪያዎች ምንድናቸው? ማጅስትራል 1.2 ጥያቄዎችን በቀጥታ መሞከር ትችላላችሁ፣ እና Sider.ai ምስሎችን እና የድር ይዘትን ጎን ለጎን በመጠቀም ጥያቄዎችን እንድትፈትሹ እና እንድታሻሽሉ ያስችልዎታል። ይህ የክለሳ ዑደቶችን ያሳጥራል እንዲሁም በቡድኖች መካከል አብነቶችን ደረጃውን የጠበቀ ያደርጋል።