LLM-urile au adesea preferințe native pentru anumite cuvinte (de exemplu, preferă să răspundă „Pozitiv” sau „Adevărat” mai des decât „Negativ”). Calibrarea Contextuală măsoară bias-ul modelului pe un text neutru (ex: „N/A”) și recalibrează probabilitățile de ieșire.
# Determinarea bias-ului apriori al modelului:
# Întrebare cu input vid: "Input: N/A. Sentiment: ?"
# Dacă modelul returnează P(Pozitiv) = 0.7 și P(Negativ) = 0.3 pe un input neutru,
# înseamnă că modelul are un bias nativ puternic către eticheta "Pozitiv"!
# Corecție matematică:
# Se împart probabilitățile viitoare la distribuția apriori:
# P_corectat(Pozitiv) = P_raw(Pozitiv) / 0.7Acuratețe de clasificare: Esențial pentru analize obiective de sentiment, triere de tichete și clasificare juridică.
Întrebări & Discuții: Calibrarea Probabilităților și Atenuarea Bias-ului de Etichetă în Prompts
Ai o întrebare despre Calibrarea Probabilităților și Atenuarea Bias-ului de Etichetă în Prompts sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.