機械翻訳について

一般的なプロンプト手法とは何ですか。

技術	使用する場合
ゼロ・ショット・プロンプト	LLMに、事前コーチングを必要とせずに正確に対応するための十分な既存の知識がある場合。 LLMのトレーニング・メソッドは、特に人間のフィードバック(RLHF)からの指導調整や強化学習などの技術によって改善されるため、これらのモデルは多くの場合、例を必要とせずに望ましいレスポンスを生成できます。
ショットが少ないプロンプト	ゼロ・ショット・プロンプトが失敗した場合、モデルをガイドする例またはデモンストレーションをプロンプトに直接指定できます。
思考チェーン(CoT)のプロンプト	LLMが複雑な推論または問題解決を担当している場合。 この手法は、レスポンスの精度を高め、透明性を高め、LLMの思考プロセスの段階的な説明を提供するように促すことで、LLMの推論能力を向上させます。 これは、モデルが誤った回答を示し、その誤りを認識できない状況に対処するためのモデルの推論を明らかにします。
プロンプト・チェーン	LLMが複数のステージでタスクを実行する必要がある場合、プロセスを小さく管理可能なチャンクに分割する方が効率的または正確です。 増分推論に重点を置いたCoTとは異なり、プロンプト・チェーンでは、タスクを個別のステップに分割し、それぞれを個別のプロンプトで処理できます。 このメソッドは、2つのプロンプトをリンクします。 モデルに段階的に考えるように指示するかわりに、まず状況を分析するように要求してから、その分析を2番目のプロンプトの入力として使用して、最終的な簡単な回答を得ます。