GPT4\GPT-3.5
多模态模型，就是自然语言处理模型，可以理解文本，而且很像人，不是常见的指令型的假模型，是有人味的一个模型，主要接收文本输入并输出文本
获得更好结果6项策略
写下清晰的说明
策略：
- 要求模特采用角色（系统消息可用于指定模型在其回复中使用的角色，在我们落地应用时这个是必备的，将角色设置为我们自己的项目名称）
- 使用分隔符清楚的指示输入的不同部分
- 指定完成任务的步骤
- 提供例子（比如做智能客服时，每次回答都尽量统一回复风格，可以提供示例实现）
- 指定所需的输出长度
提供参考文字
策略
-
指示模型使用参考文本回答
-
指示模型通过引用参考文本来回答
将复杂的任务拆分为更简单的子任务
策略
- 使用意图分类来识别与用户查询最相关的指令
- 对于需要很长对话的对话应用，总结或过滤以前的对话
- 分段总结长文档并递归构建完整摘要
给GPT时间思考
策略
-
指示模型在急于得出结论之前找出自己的解决方案
-
使用内心独白或一系列查询来隐藏模型的推理过程
-
询问模型在之前的过程中是否遗漏了任何内容
使用外部工具
通过向GPT提供其他工具的输出来弥补GPT的弱点
策略
- 使用基于Embeddings的搜索实现高效的知识检索（基于本地数据搜索的功能都可以利用Embeddings来实现，比如快速搭建起智能帮助中心、客服系统、问诊系统、保险推荐等）
- 使用代码执行来执行更准确的计算或调用外部API
- 授予模型访问特定功能的权限
系统的测试变更
需要有方法测试一个优化是否对系统是正向的改进，好的评估方法：
- 代表现实世界的使用情况
- 指定测试用例
- 易于自动化或重复
策略：参考黄金标准答案评估模型输出
假设已知问题的正确答案应参考一组特定的已知事实。然后我们可以使用模型查询来计算答案中包含多少必需的事实。
DALL.E/DALL.E2
根据自然语言描述创建图像，
Whisper
语音识别模型，可以不用学外语了
例如可以自动生成会议纪要
Embeddings
Embedding 通常用于以下场景：
- 搜索（结果按查询字符串的相关性进行排序）
- 聚类（将文本字符串按相似性分组）
- 推荐（推荐具有相关文本字符串的项目）
- 异常检测（识别相关性较小的异常值）
- 多样性测量（分析相似度分布）
- 分类（文本字符串按其最相似的标签进行分类）
简单点说就是Embeddings可以将提供的数据转化为向量数据，然后应用于以上场景。
这个最直观的应用场景就是智能客服、智能推荐，应该是落地中比较容易实现可以很快立竿见影的场景。结合qdrant数据库（或者万金油Redis也可以），可以将本地数据通过Embeddings转化后存入qdrant实现本地搜索。
或者做用户画像，将用户数据通过Embeddings转化后，可以很容易的实现给用户自动打标签，一个人工智能版本的用户标签系统就完成了。继而赋能给其他系统（CRM、推荐系统等）。
同理可得，智能推荐系统通过Embeddings也能非常快速的实现。只需要调整参数，或者增加一些额外的代码逻辑，一个符合公司业务的智能系统就完成了。
Moderation
这个是我们最熟悉的了，审核模型，以后yyds这种拼音缩写的词也无处遁型了，真是yyds