算法来表示这些规则

然后使用这些算法来执行特定的任务。 由于我已经介绍了训练和算法开发方面的内容，让我们看看 NLP 如何使 GPT 执行某些任务，特别是响应用户提示。 重要的是要理解，对于所有这些标记讨论，ChatGPT 正在生成可能跟随的单词、句子、甚至段落或节的文本。这不是你手机上的预测文本直接猜测下一个单词；而是直接猜测下一个单词。它试图对任何提示创建完全连贯的响应。



这就是 Transformer 给 NLP 带来的东西。 最后，最简单的想象方式就像你小时候玩的“说完句子”游戏之一。 最后，最简单的想象方式就像你小时候玩的“说完句子”游戏之一。ChatGPT 首先接受您的提示，将其分解为标记，然后使用其基于 Transformer 的神经网络来尝试了解其中最显着的部分是什么，以及您真正要求它做什么。从那里，神经网络再次启动并 电话号码数据 电话号码数据 根据从训练数据和微调中学到的知识生成适当的令牌输出序列。 例如，当我使用 GPT-3 向 ChatGPT 发出提示“Zapier 是……”时，它回复说： “Zapier 是一款基于 Web 的自动化工具，允许用户将不同的 Web 应用程序连接在一起，以便自动执行重复任务并改进工作流程。” 您可以在数百篇描述 Zapier 所做工作的文章中找到这种句子，因此它在这里吐出这样的内容是有道理的。









但当我的编辑给出同样的提示时，它说： “Zapier 是一款基于 Web 的自动化工具，允许用户连接不同的 Web 应用程序并自动化它们之间的工作流程。” 这非常相似，但并不完全相同。问“什么是 Zapier？”、“Zapier 做什么？”和“描述 Zapier”也会得到相似的结果，大概是因为它们在向量空间中占据相似的位置。GPT 知道这里最显着的词是 Zapier，所有其他词只是要求以略有不同的方式进行简短摘要。 这种随机性（您可以在某些 GPT 应用程序中使用名为“温度”的设置进行控制）确保 ChatGPT 不仅仅以相当于库存答案的方式响应每个响应。