Ar kada nors norėjote, kad jūsų dirbtinis intelektas skambėtų ne kaip meteorologinis robotas, o labiau kaip... jūs?
Įsivaizduokite: paprašote savo dirbtinio intelekto apibendrinti kliento el. laišką, o jis atsako taip, tarsi pasakotų laivybos orų prognozę. Techniškai teisinga, bet dvasiškai nenaudinga. Jums iš tikrųjų reikia savo dirbtinio intelekto – jūsų tono, jūsų žargono, jūsų pageidavimų – nereikalaujant įsirengti mokslinių tyrimų laboratorijos savo garaže.
Štai kur ateina tikslus derinimas. Ir jei girdėjote šnabždesius apie „Tinker API“, jūs esate tinkamoje vietoje. Tai yra instrukcija, kaip tiksliai suderinti savo AI modelį su Tinker API, kad kitą kartą, kai įvesite „Parengti atsakymą“, gautumėte kažką, kas skamba kaip jūsų komanda, o ne HAL 9000 pusbrolis.
Mes apžvelgsime viską: ką reiškia tikslus derinimas, kaip paruošti duomenis, kaip vykdyti tikslų derinimą su Tinker API ir kaip nesugadinti savo biudžeto (ar kantrybės). Aš netgi pasakysiu, kur gyvena bjaurastys, nes tikslus derinimas yra galingas, bet tai nėra fėja krikštamotė.
Įspėjimas dėl raktinių žodžių: mes daug kartų sakysime „kaip naudoti Tinker API“, nes to jūs ir atėjote. Taip pat įtrauksime ilgos uodegos terminus, tokius kaip „tiksliai suderinkite savo AI modelį“, „Tinker API vadovėlis“, „duomenų rinkinio paruošimas tiksliam derinimui“ ir „tiksliai suderinto modelio diegimas“. Jei tai skamba kaip daug, nesijaudinkite – aš viską paaiškinsiu suprantamai.
Kas yra tikslus derinimas – ir kas tai nėra
Jei bendras AI modelis yra Šveicarijos armijos peilis, tikslus derinimas yra tada, kai jūs sakote: „Klausyk, peili, mes padarysime tave labai, labai geru pakuočių atidarymo specialistu.“ Jūs neišrandate peilio. Jūs mokote jį mėgstamiausio kartono.
Praktiškai tikslus derinimas reiškia, kad jūs imate bazinį modelį (jau apmokytą su daugybe interneto tekstų) ir stumtelite jį su savo pavyzdžiais – jūsų rašymo stiliumi, jūsų konkrečios srities klausimais ir atsakymais, jūsų palaikymo scenarijais – kad jis reaguotų taip, kaip jums patinka. Tai tarsi įteikti modeliui stiliaus vadovą ir krūvą praktinių testų.
Tačiau tikslus derinimas nėra magiškas burtas. Jis staiga neišmoks faktų, kurių niekada nematė, nebent jūsų duomenys išmokys tuos modelius. Jis taip pat „neprisimins“ didelių nuosavybės dokumentų, nebent pateiksite reprezentatyvius fragmentus. Ir jei jūsų duomenys yra netvarkingi, prieštaringi ar maži, jūsų modelis paveldės tuos įpročius, kaip paauglių roko grupė paveldi savo būgnininko tempą.
Greitas maršrutas
Štai kaip iš paukščio skrydžio atrodo, kaip naudoti Tinker API norint tiksliai suderinti savo AI modelį:
- Pasirinkite bazinį modelį Tinker API.
- Paruoškite švarų, subalansuotą duomenų rinkinį su raginimais ir idealiais atsakymais.
- Įkelkite savo duomenų rinkinį į Tinker.
- Sukurkite tikslaus derinimo užduotį su aiškiais hiperparametrais.
- Stebėkite mokymą, įvertinkite rezultatus su atidėtu testavimo rinkiniu.
- Įdiekite ir iškvieskite savo tiksliai suderintą modelį gamyboje.
- Kartokite, kai pastebėsite keistumų.
Mes žingsnis po žingsnio apžvelgsime, pateiksime kodo stiliaus pavyzdžius, kuriuos galite įklijuoti, ir patarimus, kurie man padėjo nešaukti ant ekrano.
1 žingsnis: pasirinkite bazinį modelį taip, kaip pasirinktumėte nuomojamą automobilį
Jūs nenuomotumėte 15 vietų mikroautobuso lygiagrečiam parkavimui Manhatane. Panašiai, nesirinkite didžiulio modelio, jei jums reikia greitų, pigių atsakymų į milijoną kasdienių užklausų. Tinker API paprastai siūlo keletą modelių šeimų – lengvus, vidutinio dydžio ir „oho, tai protinga“.
- Jei jums reikia greičio ir sutaupyti: pasirinkite mažesnį pagrindą.
- Jei jums reikia niuansų, argumentų ar ilgo formato rašymo: pasirinkite didesnį pagrindą.
- Jei jūsų domene yra daug žargono (medicinos, teisės, palaikymo makrokomandos): vidutiniai ir dideli modeliai tiksliau derinami.
Patarimas: pradėkite nuo mažesnio, kad sukurtumėte prototipą. Jei jūsų pagrindiniai rodikliai pašoka, perkelkite tą patį duomenų rinkinį į didesnį pagrindą.
2 žingsnis: paruoškite duomenų rinkinį taip, tarsi tai būtų receptų kortelė, o ne jūsų stalčius su nereikalingais daiktais
Jūsų duomenų rinkinys yra didžiausia kokybės svertas. Modelis mokosi mėgdžiodamas; jei pavyzdžiai yra neaiškūs, modelis mokosi būti neaiškus. Jei jie yra aiškūs, nuoseklūs ir įvairūs, jūsų modelis tampa naudingu bendradarbiu, kuris iš tikrųjų perskaito atmintinę.
Siekite JSONL (JSON Lines) formato su aiškiomis instrukcijų ir atsakymų poromis. Norėdami tiksliai derinti pokalbių stilių, įtraukite tokius vaidmenis kaip sistema/vartotojas/asistentas. Kiekvieną pavyzdį laikykite trumpu ar vidutiniu; dešimtys aukštos kokybės pavyzdžių pranoksta tūkstančius triukšmingų pavyzdžių.
Pavyzdys (instrukcijų stilius):
{"instruction": "Apibendrinkite šį palaikymo bilietą 2 sakiniais, draugišku tonu.", "input": "Klientas praneša apie 404 klaidą spustelėjus 'Sekti užsakymą'", "output": "Ačiū, kad pranešėte! Svetainėje rodoma 404 klaida, kai klientai spusteli 'Sekti užsakymą'. Mes tiriame neveikiančią nuorodą užsakymų sekimo puslapyje ir pateiksime pataisymą."
Pavyzdys (pokalbių stilius):
{"messages": [
{"role": "system", "content": "Jūs esate glaustas, draugiškas palaikymo agentas. Naudokite paprastą anglų kalbą."},
{"role": "user", "content": "Mano prenumerata atnaujinta, bet kortelės galiojimas pasibaigęs. Padėkite?"},
{"role": "assistant", "content": "Atsiprašau dėl šio galvos skausmo! Aš dar kartą patikrinau jūsų planą – atnaujinimas bandytas naudojant pasibaigusio galiojimo kortelę. Prašome atnaujinti savo kortelę atsiskaitymo puslapyje; Aš bandysiu dar kartą apmokestinti, kai tik ji bus išsaugota."}
]}
Patarimai, kaip paruošti duomenų rinkinį tiksliam derinimui:
- Nuoseklumas yra karalienė. Visada naudokite tą patį toną, atsisveikinimus ir struktūrą.
- Subalansuokite savo temas. Jei 90% pavyzdžių yra pinigų grąžinimai, jūsų modelis tampa Pinigų grąžinimo fėja.
- Pažymėkite sudėtingus atvejus. Įtraukite neigiamus pavyzdžius (ko nesakyti), jei Tinker API palaiko pageidavimų signalą.
- Saugokite. Pašalinkite asmeninius duomenis. Jei dirbate su slapta informacija, anonimizuokite arba sintezuokite.
10–20% savo duomenų laikykite kaip testavimo rinkinį. Jei vertinsite mokymo rinkinį, apgaule priversite save manyti, kad modelis yra genijus. Paklauskite manęs, kaip aš tai žinau.
3 žingsnis: įkelkite savo duomenis į Tinker API be ašarų
Dauguma tikslaus derinimo platformų siūlo saugyklos galinį tašką. Su Tinker API paprastai:
- Sukurkite duomenų rinkinio išteklių (pvz., POST /datasets)
- Įkelkite savo JSONL failą
- Patvirtinkite schemą (Tinker paprastai grąžina patogią ataskaitą: OK skaičius, klaidas, keistus laukus)
Pseudo-pavyzdys (curl stiliaus):
curl -X POST -H "Authorization: Bearer YOUR_TINKER_KEY" -F "file=@my_finetune_data.jsonl" -F "purpose=finetune"
Jei Tinker API palaiko CLI, gyvenimas tampa lengvesnis:
Įkelti
tinker datasets upload my_finetune_data.jsonl --purpose finetune
Patvirtinti
tinker datasets validate DATASET_ID
Patvirtinimo klaidos yra jūsų draugas. Jie jaučiasi teisiantys, bet apsaugo jus nuo paslaptingų mokymo nesėkmių 2 val. nakties.
4 žingsnis: pradėkite tikslaus derinimo užduotį ir pasirinkite protingus nustatymus
Jūs pradėsite užduotį, kuri nurodo jūsų duomenų rinkinį ir pasirinktą bazinį modelį. Dauguma Tinker API tikslaus derinimo galinių taškų priima tokius parametrus kaip epochos, mokymosi greitis, partijos dydis ir įvertinimo dažnumas. Vertimas: kiek kartų per jūsų duomenis, kaip agresyviai modelis mokosi, kiek pavyzdžių jis nagrinėja vienu metu ir kaip dažnai jis rodo jums pažangos ataskaitą.
Užklausos pavyzdys:
curl -X POST -H "Authorization: Bearer YOUR_TINKER_KEY" -H "Content-Type: application/json" -d '{
"base_model": "tinker-large-1",
"dataset_id": "ds_abc123",
"epochs": 3,
"learning_rate": 1e-5,
"batch_size": 8,
"eval_dataset_id": "ds_eval789",
"suffix": "support-tone-v1"
}'
Protingi numatytieji nustatymai:
- Epochos: 3–5 mažiems ir vidutiniams duomenų rinkiniams. Daugiau ne visada yra geriau; kartais tai tiesiog per didelis pritaikymas su papildomais veiksmais.
- Mokymosi greitis: pradėkite konservatyviai (1e-5 arba 2e-5). Jei modelis mokosi per greitai, jis pamiršta savo bendrą protingumą.
- Partijos dydis: kas leidžiama jūsų kvota, bet nesijaudinkite – našumo prieaugis daugiausia priklauso nuo gerų duomenų.
- Ankstyvas sustabdymas: jei Tinker API jį siūlo, įjunkite jį. Tai yra mašininio mokymosi „ar mes jau atvykome?“, kuris kartais sako: „Taip.“
5 žingsnis: stebėkite mokymą kaip vanagas – bet ramus vanagas
Tinker paprastai transliuoja žurnalus: mokymo nuostolius, įvertinimo nuostolius ir galbūt pasirinktinius rodiklius, kuriuos apibrėžiate (pvz., tikslus atitikimas K&A). Štai kaip skaityti arbatos lapus:
- Mokymo nuostoliai mažėja, įvertinimo nuostoliai yra plokšti arba didėja? Jūs per daug pritaikote – įsimenate savo mokymo atsakymus, bet klystate su naujais.
- Abu mažėja? Jūs esate teisingame kelyje.
- Nuostoliai šokinėja kaip pogo lazda? Jūsų mokymosi greitis gali būti per didelis arba jūsų duomenų rinkinys yra nenuoseklus.
Patikrinkite dalinius rezultatus, jei Tinker siūlo peržiūros generavimą mokymo metu. Paimkite keletą raginimų iš savo testavimo rinkinio ir įvertinkite toną/tikslumą. Taip, tai kokybiška – bet jūs mokote stiliaus, o ne fizikos įrodymų.
6 žingsnis: pavadinkite jį, įdiekite jį, iškvieskite jį
Kai užduotis baigiama, Tinker API palaimins jus modelio ID, pvz., ft:tinker-large-1:support-tone-v1:abc123. Tada galite įdiegti jį už galinio taško ir iškviesti jį taip pat, kaip bazinį modelį – tik dabar jis kalba kaip jūsų komanda.
Generavimo iškvietimo pavyzdys:
curl -X POST -H "Authorization: Bearer YOUR_TINKER_KEY" -H "Content-Type: application/json" -d '{
"model": "ft:tinker-large-1:support-tone-v1:abc123",
"messages": [
{"role": "system", "content": "Jūs esate glaustas, draugiškas palaikymo agentas."},
{"role": "user", "content": "Mano pinigų grąžinimas vėluoja ir aš esu susierzinęs."}
],
"temperature": 0.4
}'
Taip pat galite nustatyti didesnę „presence_penalty“ arba mažesnę „temperature“, jei jūsų modelis tampa per daug plepus arba per daug glaustas. Tinker dokumentuose bus išdėstyti reguliavimo elementai – nedvejokite eksperimentuoti.
7 žingsnis: vertinkite kaip treneris, o ne teisėjas
Jums reikės automatinės rezultatų suvestinės ir žmogiškos. Automatiniai rodikliai (BLEU, ROUGE, tikslumas) yra tvarkingi, bet akli tonui. Žmonės pagauna „tai skamba arogantiškai“ problemą.
Nustatykite mažą rubriką:
- Instrukcijų laikymasis (1–5)
Paimkite 50–100 išvesties pavyzdžių iš savo atidėto rinkinio. Paprašykite dviejų žmonių juos įvertinti nepriklausomai. Jei kategorijos vidurkis yra mažesnis nei 3, atsekite ją atgal į savo duomenų rinkinį ir pridėkite daugiau pavyzdžių, kurie parodo norimą elgesį.
8 žingsnis: sąnaudos ir našumas: kas rūpi jūsų CFO ir jūsų serveriui
Tikslaus derinimo su Tinker API kaina yra dviejose vietose: mokymas ir išvedimas. Mokymas yra vienkartinis sprintas; išvedimas yra maratonas.
- Sumažinkite žetonų ilgį. Trumpesni raginimai ir išvestys = mažesnės sąskaitos.
- Naudokite sistemos raginimą, kuris suformuoja jūsų stilių, bet nekartokite didelių instrukcijų kiekvieno iškvietimo metu, jei Tinker palaiko numatytąjį diegimo lygį.
- Kaupkite dažnus raginimus, kur įmanoma.
- Apsvarstykite maršruto strategiją: naudokite savo tiksliai suderintą didelį modelį tik tada, kai reikia; kitu atveju grįžkite prie mažesnio, pigesnio.
Latencija taip pat svarbi. Jei jūsų tiksliai suderintas modelis veikia lėčiau, išbandykite mažesnius konteksto langus arba naudokite mažą modelį klasifikacijai, o didelį – tik generatyviam tekstui.
9 žingsnis: trikčių šalinimas: populiariausi bjaurasties hitai
- Modelis kartoja save kaip sugedusi plokštelė.
- Sumažinkite temperatūrą; pridėkite pavyzdžių su aiškiais, trumpais atsakymais; sumažinkite spindulio plotį, jei tai yra galimybė.
- Jis ignoruoja instrukcijas.
- Sustiprinkite sistemos raginimą ir įtraukite mokymo pavyzdžių, kurie parodo griežtą instrukcijų laikymąsi.
- Jis haliucinuoja faktus su pasitikėjimu.
- Įtraukite pavyzdžių, kurie sako „Aš nežinau“ arba nuorodų į šaltinius; sumažinkite temperatūrą; sujunkite su paieška, kad pagrįstumėte atsakymus.
- Jis per daug malonus. (Taip, tai yra dalykas.)
- Pridėkite mokymo pavyzdžių, kurie nustato ribas ir paaiškina politiką – „Mes negalime padaryti X, bet štai Y.“
- Mokymas nepavyksta pusiaukelėje.
- Patikrinkite duomenų rinkinio patvirtinimą, keistus simbolius ir maksimalų žetonų ilgį. Išbandykite mažesnį partijos dydį arba mažiau epochų.
10 žingsnis: kada tiksliai derinti, palyginti su kada naudoti raginimus ar paiešką
Aš mėgstu tikslų derinimą, bet tai nėra vienintelis plaktukas. Trys dažnos strategijos:
- Tik raginimų inžinerija: pigiausia, greičiausia. Puikiai tinka, kai jums tiesiog reikia tono pakeitimo arba paprasto nuoseklumo.
- Paieškos papildytas generavimas (RAG): puikiai tinka naujiems faktams ir didelėms žinių bazėms. Modelis skaito jūsų dokumentus vykdymo metu.
- Tikslus derinimas: geriausiai tinka stiliui, struktūrai ir domeno modeliams, kurie nesikeičia kasdien.
Dažnai laiminga formulė yra šiek tiek visko: naudokite RAG faktams gauti, tada perduokite juos savo tiksliai suderintam modeliui, kad jis atsakytų jūsų firminiu balsu.
Greitas Tinker API vadovėlis, kurį galite nukopijuoti ir įklijuoti
Štai konsoliduota, išgalvota apžvalga, kuri atspindi daugelį Tinker stiliaus platformų. Pakeiskite galinius taškus ir ID tikraisiais.
- Sukurkite ir įkelkite duomenų rinkinius
curl -X POST -H "Authorization: Bearer $TINKER_KEY" -F "[email protected]" -F "purpose=finetune" curl -X POST -H "Authorization: Bearer $TINKER_KEY" -F "[email protected]" -F "purpose=eval" - Pradėkite tikslų derinimą
curl -X POST -H "Authorization: Bearer $TINKER_KEY" -H "Content-Type: application/json" -d '{
"base_model": "tinker-medium-1",
"dataset_id": "ds_train",
"eval_dataset_id": "ds_eval",
"epochs": 4,
"learning_rate": 2e-5,
"suffix": "email-summarizer-v1"
}'
curl -N -H "Authorization: Bearer $TINKER_KEY"
- Naudokite tiksliai suderintą modelį
curl -X POST -H "Authorization: Bearer $TINKER_KEY" -H "Content-Type: application/json" -d '{
"model": "ft:tinker-medium-1:email-summarizer-v1:xyz",
"prompt": "Apibendrinkite šį el. laišką dviem punktais, draugišku tonu:\n\n[ĮKLIJUOTI EL. LAIŠKĄ]",
"max_tokens": 160,
"temperature": 0.4
}'
Realaus gyvenimo scenarijai: kas atsitinka, kai...
- Jūs tiksliai derinate pagal savo palaikymo makrokomandas
- Staiga jūsų AI atsako ta pačia struktūra, kurią naudoja jūsų agentai: atsiprašymas, veiksmas, tolesni veiksmai. CSAT dažnai padidėja, nes žmonėms labiau patinka nuoseklumas nei staigmenos.
- Jūs tiksliai derinate pagal savo prekės ženklo balsą
- Modelis pataiko į jūsų „mes esame naudingi, bet ne įkyrūs“ stilių. Jis vengia 17 šauktukų entuziazmo. Rinkodara miega geriau.
- Jūs tiksliai derinate pagal kodo pasiūlymus
- Įtraukite užduočių aprašymų ir idealių kodo fragmentų poras. Laikykite pavyzdžius trumpus ir sutelktus; triukšmingas kodas veda prie triukšmingų užbaigimų.
- Jūs tiksliai derinate pagal klasifikavimą
- Taip, galite. Pateikite pažymėtus pavyzdžius ir iškvieskite modelį su trumpais raginimais. Griežtoms etiketėms nustatykite nulinę temperatūrą.
Saugumas pirmiausia, paskui ir visada
Jei jūsų naudojimo atvejis paliečia reguliuojamas ar jautrias sritis, nubrėžkite ryškias linijas savo sistemos raginime ir savo mokymo duomenyse. Pridėkite pavyzdžių, kurie parodo atsisakymus grakščiai. Registruokite išvestis ir leiskite vartotojams pranešti apie problemas. Tiksliai suderinti modeliai gali būti įsitikinę – apmokykite juos būti įsitikinusiais atsargiais.
Kur Sider.AI tinka (ir kur ne)
Štai staigmena: Sider.AI gali būti puikus kompanionas, kai išsiaiškinate, kaip naudoti Tinker API. Tai tarsi turėti atsargų pilotą, kuris skaito dokumentus nesiskųsdamas. Galite parengti duomenų rinkinio pavyzdžius Sider šoninėje juostoje naršydami savo esamus el. laiškus ar žinių bazę, tada eksportuoti švarų, nuoseklų JSONL. Jis nepaleis mokymo užduoties už jus – tai yra Tinker sritis – bet rengiant, pertvarkant ir QA‘inant jūsų pavyzdžius, tai yra nuostabiai praktiška. Pabandykite jo paklausti: „Perrašykite šį atsakymą ramiu, paprasta anglų kalba palaikymo balsu, dviem sakiniais“, ir stebėkite, kaip šokteli jūsų duomenų rinkinio kokybė. Apgavystės, kurias norėčiau, kad kažkas man būtų pasakęs
- Daugiau duomenų ne visada yra geriau – daugiau reprezentatyvių duomenų yra.
- Neperkraukite tono. Laikykite keletą pakaitinių pavyzdžių, kad modelis galėtų improvizuoti, kai vartotojai tampa kūrybingi.
- Versija viską: duomenų rinkinys v1.1, modelis v1.2, raginimo šablonas v3.0. Ateities jūs atsiųsite jums padėkos bandelę.
- Laikykite atšaukimo mygtuką. Jei naujas tikslus derinimas nukrypsta nuo bėgių, greitai iš naujo įdiekite ankstesnį modelį.
- Vertinkite su tikrais vartotojų raginimais, o ne tik su gražiausiais pavyzdžiais. Vartotojai yra chaoso poetai.
Paskutinis dalykas...
Tikslus derinimas su Tinker API nėra apie Skynet kūrimą. Tai apie šiurkščių briaunų nuskutimą, kad jūsų AI jaustųsi kaip jūsų komandos dalis. Pradėkite nuo mažo, negailestingai matuokite ir nebijokite pripažinti, kai paprastesnis triukas (pvz., geresni raginimai) atlieka darbą.
Nes kai jūsų AI pagaliau atsako taip, kaip atsakytumėte jūs? Tai ne tik efektyvumas. Tai sveikas protas.
apgaulės lapas
- Kaip naudoti Tinker API norint tiksliai suderinti savo AI modelį: paruoškite švarias, nuoseklias JSONL poras; įkelkite; pradėkite tikslų derinimą su protingais numatytaisiais nustatymais; vertinkite su žmonėmis ir rodikliais; įdiekite ir kartokite.
- Naudokite tikslų derinimą stiliui ir stabiliems modeliams; naudokite paiešką naujiems faktams.
- Kontroliuokite kainą su trumpesniais raginimais, mažesniais modeliais ir maršruto parinkimu.
- Padarykite saugumą aiškia savo duomenų rinkinio dalimi.
- Leiskite tokiems įrankiams kaip Sider.AI padėti jums sukurti geresnius pavyzdžius, kol paspausite „Mokyti.“
DUK
1 klausimas: Kaip paruošti duomenis, kad galėčiau tiksliai suderinti savo AI modelį su Tinker API?
Naudokite JSONL su aiškiomis instrukcijų–atsakymų arba pokalbių stiliaus poromis. Laikykite toną nuoseklų, anonimizuokite jautrią informaciją ir atidėkite 10–20% testavimui, kad neapgautumėte savęs padidintais balais.
2 klausimas: ar modelio patikslinimas naudojant „Tinker API“ yra geresnis nei raginimas (angl. prompt engineering)?
Raginimus naudokite norėdami greitai pakoreguoti toną ir paprastą elgesį; modelio patikslinimą naudokite, kai jums reikia patvaraus stiliaus, struktūros ar domeno šablonų. Daugelis komandų derina abu metodus – RAG faktams, modelio patikslinimą balsui.
3 klausimas: kiek duomenų man reikia norint patikslinti modelį naudojant „Tinker API“?
Kokybė svarbiau už kiekybę. Keli šimtai stiprių pavyzdžių gali būti veiksmingesni už tūkstančius triukšmingų. Pradėkite nuo mažo, įvertinkite, tada pridėkite tikslinių pavyzdžių, kur modeliui sunkiausia.
4 klausimas: kaip įdiegti patikslintą modelį „Tinker API“?
Po apmokymo „Tinker“ grąžina modelio ID, kurį galite iškviesti naudodami standartinius užbaigimo arba pokalbių galinius taškus. Nustatykite naudingą sistemos raginimą, sureguliuokite temperatūrą ir stebėkite išvestis realaus laiko sraute.
5 klausimas: kaip sustabdyti mano patikslintą modelį nuo haliucinacijų?
Mokykite su pavyzdžiais, kurie pripažįsta neapibrėžtumą, sumažinkite temperatūrą ir susiekite su paieška, kad gautumėte faktų. Įtraukite „cituoti šaltinius“ arba „pasakyti, kad nežinote“ į instrukciją ir mokymo duomenis.
