知识卡片
小规模微调用于诊断
先用精心设计的小集检查是否有可测改进,可以降低采集大数据前的风险。未见提升时应检查学习率、数据、格式、目标和评估噪声,不能直接推出增加数据永远无效。小样本中的增益也需独立样本验证。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 数据集工程
原书出处 · 1 处
- · 查看原书依据
除了数据量,还有许多因素会影响微调的结果,例如超参数的选择(如学习率过高或过低)、数据质量、提示词的设计等。在绝大多数情况下,使用50~100个样本进行微调后,你应该能看到性能的提升。
参考来源
- 位置:《AI工程:大模型应用开发实战》第8章《数据集工程》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section016.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:除了数据量,还有许多因素会影响微调的结果,例如超参数的选择(如学习率过高或过低)、数据质量、提示词的设计等。在绝大多数情况下,使用50~100个样本进行微调后,你应该能看到性能的提升。