Task3：赛题进阶思路
输入“/”快速插入内容
🥊Task3：赛题进阶思路
Task3：赛题进阶思路
2024年10月10日修改
2086
2279
3
0
思路1：对比不同大模型
使用更复杂的大模型可以提高文本改写的质量和效果。随着模型大小的增加，其表示能力也随之增强，能够捕捉更细微的语言特征和语义信息。这意味着大型模型在理解和生成文本时可以更加准确和自然。
代码块
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen2.5-7B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype="auto",
device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "Give me a short introduction to large language model."
messages = [
{"role": "system", "content": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant."},
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(
**model_inputs,
max_new_tokens=512
)
generated_ids = [
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
思路2：提示词工程
在原有的代码中我们通过Qwen进行改写文本，但这种方法并不能保证改写的结果一定有效：
•
大模型回答的结果可能是多样的，生成的文本仍然不安全。
•
大模型回答的结果可能并不能生成指定的语言，可能存在中英文混杂。
•
大模型回答的结果可能丢失了文本的主体信息。