图片提示词找到最佳的图像提示词来生成理想的图像是一项特殊的挑战。与文本提示相比，关于如何实现这一目标的研究方法还不够成熟。这可能是因为图像本身的特点，它们通常是主观的，并且缺乏准确性度量的方法。但是不要担心，社区已经在如何对各种图像模型进行提示方面取得了很大的进展。

- 阅读剩余部分 -

数学在整个课程中，我们看到了许多不同的提示方法，可以用于提高LLM的数学能力。最近的一种方法是MathPrompter，它将一些这些方法（CoT、PAL等）统一到了一种技术中。总体思想是将数学问题分解为代数术语，然后使用Python代码以不同的方式解决它。

- 阅读剩余部分 -

大语言模型自我评估基本自我评估LLM可以用来检查其自己或其他LLM的补全结果。这可以简单地通过向LLM提问实现：

- 阅读剩余部分 -

提示集成提示集成是使用多个不同的提示来尝试回答相同问题的概念。有许多不同的方法可以实现这一点。

- 阅读剩余部分 -

代码推理程序辅助语言模型（Program-aided Language Models, PAL） 是另一个MRKL系统的例子。给定一个问题，PAL能够编写代码解决这个问题。它将代码发送到编程运行时以获得结果。PAL的中间推理是代码，而CoT的是自然语言。

- 阅读剩余部分 -

具有推理和行动能力的LLMsReAct（Reason, Act）是一个示例语言模型范例，旨在使用自然语言推理来解决复杂任务。它被设计用于允许LLM执行特定操作的任务。在MRKL系统中，LLM可以与外部API进行交互以检索信息。当面临问题时，LLM可以选择执行操作来检索信息，并根据检索到的信息回答问题。

- 阅读剩余部分 -

LLMs使用工具MRKL系统（Modular Reasoning, Knowledge and Language，发音为"miracle"）是一种神经符号结构，将LLMs（神经计算）和外部工具（如计算器、符号计算等）结合起来，用于解决复杂问题。

- 阅读剩余部分 -

聊天机器人 + 知识库最近关注大型语言模型（LLM），如GPT-3和ChatGPT等，这些模型在技术行业引起了很大的关注。它们对于内容生成非常强大，但也存在一些缺点，例如偏差和幻象。在聊天机器人开发方面，LLM特别有用。

- 阅读剩余部分 -

解答讨论性问题使用适当的提示，GPT-3可以很好地处理解答讨论性问题。这种问题通常是大学课程中的常见任务，要求回答100到700字左右的问题。对于更长的文章，由于语言模型的记忆有限，难以理解全局视角，因此可能会有些困难。

- 阅读剩余部分 -

多项选择题让我们使用 GPT 来解决一道 LSAT问题！以下是一道 LSAT (法学院入学考试) 问题的例子。考虑你如何回答它以及你的推理。

- 阅读剩余部分 -