الجزء الأول: شرح كامل
Few-Shot متنوّعة لا متشابهة
في few-shot، تنوّع الأمثلة عمدًا (إيجابي/سلبي/حالة حافّة) أهمّ من العدد.
الهدف
منع النموذج من حفظ نمط واحد ومحاكاته أعمى، عبر تنويع متعمّد للأمثلة.
الخطوات
-
1
اختر مهمّة تصنيف/كتابة. حدّد 3 أنواع إخراج مرغوبة.2 دقائق
-
2
لكلّ نوع، اكتب مثالاً قصيرًا. اجعل اللغة مختلفة (طويل/قصير/تقني/بسيط).8 دقائق
-
3
أضف مثالاً واحدًا «حالة حافّة» — مدخل نادر لكن ممكن.3 دقائق
-
4
في XML: <ex>...</ex><ex>...</ex>...<query>...</query>1 دقيقة
-
5
اختبر على 5 مدخلات حقيقيّة. قارن مع few-shot بأمثلة متشابهة.5 دقائق
النتيجة المتوقّعة
فوريًا
يلتقط النموذج البنية بدل تكرار حرفي.
خلال أسبوع
تتقن إعداد few-shot قويّة في 5 دقائق.
علامة النجاح
الإخراج يتعامل مع مدخل جديد لم تره الأمثلة بنفس الجودة.
إن لم تنجح
أمثلة كلّها قصيرة/متشابهة = النموذج يفترض البساطة كقاعدة.
سؤال التأمّل
في آخر few-shot استخدمتها، كم كانت الأمثلة متنوّعة فعلًا؟
المرجع العلمي
المدرسة: In-Context Learning
الروّاد: Brown et al. · Min et al. (2022)
Min وآخرون 2022 «Rethinking the Role of Demonstrations» أظهرت أنّ تنوّع الأمثلة (وحتى صحّة التوسيمات) أقل أهمّيّة من توزيع المدخلات.
- Brown, T. (2020). GPT-3 Paper.
- Min, S. (2022). Rethinking Demonstrations. EMNLP.
الكلمات المفتاحية
طبّق الآن
Few-Shot متنوّعة لا متشابهة: تطبيق تفاعلي مصمَّم لهذا التمرين. مدّته 15 دقيقة. كلّ widget يحفظ مدخلاتك تلقائيًّا.