บทเรียนปฏิบัติ LangChain: ปรับแต่งและประเมิน LLaMA2-7b-chat กับ gpt-3.5-turbo ด้วย LangSmith
หัวข้อต้นฉบับ:Using LangSmith to Support Fine-tuning
สรุปโดย AI
LangChain เผยแพร่คู่มือการปรับแต่งและประเมินผล ใช้ LangSmith จัดการชุดข้อมูลและประเมินผล ปรับแต่ง LLaMA2-7b-chat ด้วย qLoRA บน CoLab และปรับแต่ง gpt-3.5-turbo ของ OpenAI ด้วยตัวอย่าง 50 รายการ งานทดสอบคือการสกัดสามสิ่งจากกราฟความรู้
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- LangChain:Blog(RSS)
- หมวดหมู่
- บทแนะนำและเทคนิค
- คะแนน AI
- 60
原文给出了从数据集管理到评测的完整微调流程和实测分数,读者可以据此判断小模型微调与 GPT-4 few-shot 的取舍。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: บทเรียนปฏิบัติ LangChain: ปรับแต่งและประเมิน LLaMA2-7b-chat กับ gpt-3.5-turbo ด้วย LangSmith 23 สิงหาคม 2023 https://new.nat6.net/th/news/cmt96t9tm0aucroly7tsytvkz/