详细内容或原文请订阅后点击阅览
如何通过抹布和微调使LLM更准确
以及何时使用on the of the of the toper of to in to in to rag＆chilltuning的llm首先出现在数据科学方面。
来源:走向数据科学想象一下在大学学习一个学期的模块。最后，经过深入的学习阶段，您参加了考试 - 您可以回忆起最重要的概念而无需查找它们。
现在想象第二种情况：询问您一个有关新主题的问题。您不立即知道答案，因此您可以拿起书或浏览Wiki以找到正确的答案信息。
这两个类比代表了改进LLM的基本模型或将其调整为特定任务和领域的两种最重要的方法：检索增强发电（RAG）和微调。
llm 检索增强发电（抹布）和微调。但是哪个示例属于哪种方法？
这正是我在本文中要解释的：之后，您将知道什么是抹布和微调，最重要的区别以及哪种方法适用于哪种应用。
让我们潜入！
目录
内容表1。基础：什么是抹布？什么是微调？
大型语言模型（LLM），例如来自Openai的Chatgpt，Google的Gemini，来自Anthropics或DeepSeek的Claude的Gemini非常强大，并且在非常短的时间内在日常工作中建立了自己的功能。
他们最大的局限性之一是他们的知识仅限于培训。一种在2024年接受培训的模型不知道2025年以来的事件。如果我们从Chatgpt询问4O模型，现任美国总统是谁，并清楚地说明不应使用互联网，我们看到它无法确定地回答这个问题：
此外，这些模型无法轻松访问公司特定信息，例如内部准则或当前技术文档。
这正是抹布和微调发挥作用的地方。
两种方法都可以使LLM适应特定要求：
rag - 模型保持不变，输入得到改进
具有检索增强发电（RAG）的LLM保持不变。
它如何工作？