本文是观看视频What is Prompt Tuning?后的笔记。
大语言模型（如ChatGPT ）是基础模型，是经过互联网上大量知识训练的大型可重用模型。 他们非常灵活，同样的模型可以分析法律文书或撰写文章。 但是，如果我们需要用其解决专门的任务，目前最好的方法是使用微调（fine tuning）。
通过微调，你可以收集并标记目标任务的大量示例，然后你可以微调您的模型，而不是从头开始训练一个全新的模型。 但现在出现了一种更简单、更节能（指不需要消耗太多GPU）的技术来代替微调，这就是提示调整（prompt tuning）。
提示调整可以使用有限的数据，针对非常特定的任务定制大模型。 并且不需要像微调那样收集数千个带标签的示例。 在提示调整中，优质准确的提示将被输入到AI 模型中，为其提供特定于任务的上下文。 提示可以是人类引入的额外单词，更常见的则是引入模型嵌入层的人工智能生成的数字，以指导模型做出所需的决策或预测。
使用提示来指导大语言模型的输出，这就是提示工程（prompt engineering），即开发提示来指导大语言模型执行特定任务的任务。例如，希望大语言模型翻译英语为中文，我可以通过设计（engineer）提示来实现。
首先，我的第一个提示会是“将英语翻译成中文”。 这个提示是任务的描述。 然后，添加一些简短的示例。 例如，英语单词“bread”变成“面包”，将“butter”变成“黄油”。 然后，在提示的下一部分，我将添加接下来要翻译的单词：“cheese”。
由人类编写的提示发送给模型，然后模型从其巨大内存中检索适当的响应，模型的输出是就是它的预测。在本例中专门针对中文中的其他单词，输出为 “奶酪”。我们使用提示工程来训练模型来执行专门的任务，只需在推理时引入一个提示，而无需重新训练模型。
如果任务更复杂，需要成百上千的提示。那么我们可以用AI设计的提示（称为软提示）替代手工提示（由人类硬编码的，也称为硬提示）。软提示通常优于硬提示，人眼无法识别，每个提示都包含一个嵌入或一串数字（嵌入层的这一串数字要比人工编制成百上千的提示方便的多），他们可以从大模型中提取知识。
这些软提示可以是高级提示或特定于任务的提示，他们替代了额外的训练数据，对于引导模型得到所需输出非常有效。 不过，提示调整的缺点之一是缺乏可解释性。 这意味着人工智能会发现针对给定任务进行优化的提示，但它通常无法解释为什么选择这些嵌入。 就像深度学习模型本身一样，软提示也是不透明的。
假设我们有一个预先训练的大语言模型，现在，让我们考虑三种方法来使其可以完成特定任务。
- 微调（fine tuning）。 针对目标任务，我们将成千上万个样例数据补充到模型中，然后对模型进行调整即可。
- 提示工程（prompt engineering）。无需调整模型，只需给模型输入2个提示：即问题本身和人工编写的提示（硬提示，如前翻译的例子）。
- 提示调整（prompt tuning）。无需调整模型，只需给模型输入2个提示：即问题本身和AI编写的软提示。
提示调整可以在多个领域改变游戏规则。 例如在多任务学习中，建模者需要在任务之间快速切换，多任务提示调整等技术使模型能够快速适应，并且成本比重新训练小得多。 又如在持续学习领域，AI模型需要学习新任务和概念而不忘记旧的。 所以，提示调整可以让您比微调和提示工程更快地使模型适应专门任务，从而更容易发现和修复问题。
所以这篇文章要点是什么呢。
- 通用模型变专用模型，可以用微调和提示2种技术，提示更轻量级些。
- 提示又分为提示工程和提示调整2类。前者是人工的，称为硬提示；后者是软件的，称为软提示，更自动化。
- 提示涉及嵌入，这又和向量数据库产生了关系。
提示工程和提示调整的区别，可参见文章Prompt Engineering vs Prompt Tuning: A Detailed Explanation
