详细内容或原文请订阅后点击阅览
R.E.D。：用专家授权缩放文本分类
一个新颖的大规模半监督框架，通过LLMS The Post R.E.D。增强传统分类：使用专家代表团进行扩展文本分类，这首先出现在数据科学方面。
来源:走向数据科学随着大型语言模型（LLMS）的新时代解决问题的新时代，只有少数问题仍然具有低于标准的解决方案。大多数分类问题（在POC级别上）可以通过仅利用良好的及时工程技术以及适应性的内部文化学习（ICL）示例来利用LLM 70–90％的精度/F1来解决。
当您想始终如一地实现高于此的性能时会发生什么 - 及时工程不再足够？
更高分类难题
文本分类是监督学习的最古老，最受理解的例子之一。鉴于这个前提，构建可处理大量输入类的功能良好，表现出色的分类器真的不难，对吗？
welp。这是。
实际上必须对算法通常期望在以下工作的“约束”中做更多的事情：
- 每个分类分类精度的培训数据少（随着您添加更多类的局部下降），可能在现有的类别培训/推论培训（潜在的）中添加新类，实际上是大量的培训类（潜在的）由于数据漂移等，需要重新培训某些类别。
在这些条件下，是否曾尝试过建立几十个类别的分类器？ （我的意思是，即使是GPT也可能只需几个样本即可完成〜30个文本课程的出色工作……）
一个样本。R.E.D.算法
R.E.D：递归专家代表团 递归 根本不同 半监督学习让我们潜水。