神奇的梨子

这次的课程让我收获很大，我之前尝试使用GPT-3.5帮我翻译字幕，但是数组索引老是对应不上，也无法给我返回JSON格式，我按照这个课程的内容，借助CoT的思路把Prompt拆分成几个Steps后，神奇在GPT-3.5中得到了我想要的结果。 解释一下我的Prompt： 首先我给GPT传入的字幕文本数组，然后我让GPT在翻译的时候分成三步： - 第一步： 将数组的字符串合并成一个段落，一起翻译成中文 - 第二步： 再将翻译好的段落拆分成数组，和输入的数组一一匹配 - 第三步 检查返回的数组长度是不是和输入的数组长度相等，如果不相等返回第二步重试 ------ You are a program responsible for translating subtitles. Your task is to translate the subtitles into 简体中文, maintaining a colloquial tone and style, avoiding long sentences, and ignoring verbal tics such as 'so', 'you know', etc. The input will be a JSON-formatted string array, which should be translated in accordance with the following steps: Step1: Join the string array to a sentence, then translate it to 简体中文; Step2: Split the translated sentence to a string array, each item of which should correspond to an item in the original input array. Step3: Verify if the count of items in the output array equals that of the input array. If it doesn't, go back to Step 2 and try again. Respond with a JSON-formatted string array: ------

微软2023年Build大会演讲：如何训练和应用GPT（中英文字幕） 这是本次微软2023年Build大会来自OpenAI的AI 研究员和创始成员Andrej Karpathy的一个主题为State of GPT的演讲。 演讲主要有两部分内容： 1. OpenAI是如何训练GPT的 2. 我们如何有效应用GPT 都是非常有价值的分享。 首先对于如何训练GPT，通常来说是四个阶段预训练（Pretraining），有监督的微调（Supervised Finetuning），奖励建模（Reward Modeling）和强化学习（Reinforcement Learning），这几个阶段通常是依次进行，每个阶段都有不同的数据集。 预训练（Pretraining）： 这个阶段的目标是让模型学习一种语言模型，用于预测文本序列中的下一个单词。训练数据通常是互联网上的大量文本。模型从这些文本中学习词汇、语法、事实以及某种程度的推理能力。这个阶段结束后，模型可以生成一些有意义且语法正确的文本，但可能无法理解具体任务的需求。 有监督的微调（Supervised Finetuning）： 在预训练后，模型会进入微调阶段。在这个阶段，人类评估员将参与并给出指导，他们会给模型提供对话样本，样本中包含了输入和期望的输出。这使得模型能更好地适应特定任务或应用，例如回答问题或编写文章。 奖励建模（Reward Modeling）： 评估员将对模型生成的不同输出进行排名，以表示它们的质量。这个排名将被用作奖励函数，指导模型优化其生成的输出。 强化学习（Reinforcement Learning）： 强化学习阶段是一个迭代的过程，模型会试图优化其行为以获得最大的奖励。在这个阶段，模型会产生新的输出，评估员会对这些输出进行排名，然后模型根据这个反馈调整其行为。 然后是如何有效应用GPT 在演讲中Andrej举了一个非常好的例子：人类和大语言模型（LLM）都是如何写作的？从这个例子中你能明显感觉到人类和GPT之间的差异。 假设你要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口，你的写作的过程中可能是像这样的： - 我需要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口 - 我需要去获取两个州的人口数据 - 我不知道这两个周的人口数据 - 去维基百科找到加利福尼亚州的人口是39.2M - 去维基百科找到阿拉斯加州的人口是0.74M - 现在我需要计算一下两个州人口数相差多少倍，但是可能需要计算机帮忙 - 用计算器算出来39.2除以0.74约等于53 - 快速的检查一下53倍这个数字是不是符合常识，嗯，这是一个相当大的比值，但加利福尼亚州毕竟是人口最多的州，所以这个结果或许是合理的，可以继续 - 好了，我现在有了我需要的所有信息 - 写下：“加利福尼亚州的人口比53倍的……” - 觉得好像不太好，删除重写成：“加利福尼亚州的人口是阿拉斯加州的53倍。” - 嗯，觉得还不错 也就是说，当人类写作时，哪怕是这样一个简单的句子，可能内心实际上进行了大量的运算的。 但当我们用GPT进行写作这样的句子看起来会是什么样呢？ 从GPT的角度看，这只是一系列的标记（Tokens）。当GPT在接收到一个输入，比如你给出的主题。它会生成一段与输入相关的文本，GPT的目标是预测下一个词，所以它会连续生成一串词，形成一段连贯的文本。 从本质上看，Transformer只是标记模拟器，它不知道自己知道什么不知道什么，它不知道自己擅长什么或不擅长什么，它只是尽力生成下一个标记，它也不会进行反思，也不会不进行任何合理性检查。它不会纠正自己的错误，它只是产生抽样的标记序列，它没有像人类那样的内心独白流。 但是，GPT有一些优势，如它们拥有大量的基于事实的知识，并且拥有相对大的并且完美的工作记忆。GPT通过自我注意力机制，能立即获取到上下文窗口中的信息，从而进行无损记忆。然而，GPT在推理和判断方面的能力相对较弱，如果提出的问题需要更复杂的推理，单凭一个标记的信息，GPT往往无法给出正确的答案。 一些技巧可以提升GPT的表现，比如Cot（Chain of Though）设定步骤来引导GPT展示其工作过程，或者通过多次抽样然后选择最佳结果等，或者可以让GPT检查自己的输出，比如询问它是否完成了任务，最好是在Prompt中明确的要求它检查自己的输出。 后面还介绍了目前比较流行的GPT应用，比如Agent、Plugin、CoT、Embedding等 最后他用GPT-4写了一个结尾： “女士们，先生们，2023年Microsoft Build的创新者和先驱者们，欢迎来到这个独一无二的卓越人才的集结地。你们是未来的架构师，是塑造数字领域的视野家，在那里人类繁荣发展。拥抱科技的无限可能，让你的想法飞得和你的想象力一样高。让我们一起创造一个更连通，更出色，更包容的世界，为未来的世代留下。准备好释放你的创造力，探索未知，把梦想变成现实。你的旅程今天开始。” 原始视频地址： build.microsoft.com/en-US/se… YouTube地址：youtube.com/watch?v=YrBJiy-V…

YouTube有精校的英文字幕 youtube.com/watch?v=bZQun8Y4…

这个WebLLM的模型太牛了，真的是在浏览器里面离线提供一个ChatGPT的服务，而且还能支持中文，可以翻译中文！ 我用的是Macbook Pro M1，按照它演示网站介绍用Chrome Canary并启用了WebGPU下运行的 这是演示视频