license: mit

提示词优化微调模型 ✍️

概述

该模型采用QLORA（量化低秩自适应）方法进行微调，专门用于优化文本提示词。其主要功能是将用户初始输入的提示词进行精炼优化，提升其清晰度、吸引力和有效性。这一特性使其成为从改进聊天机器人交互到提升创意写作流程等广泛应用的宝贵工具。

特点

• 提示词优化：输入初始的、可能未经优化的提示词，输出显著改进后的版本。
• 广泛适用：适用于内容创作者、营销人员、开发交互式AI的开发人员等。

工作原理

该模型通过分析输入提示词的结构、内容和意图来工作。采用QLORA微调方法，识别需要优化的部分，并生成一个能更好传达预期信息或问题的修订版本，确保更高的参与度和更清晰的沟通。

模型输入："C程序实现两数相加"  
优化后的提示词输出："编写一个C程序，接收两个整数输入并计算它们的和"  

模型输入："我想学武术"  
优化后的提示词输出："解释从初学者到高级水平学习武术的步骤。"  

使用方法

该模型可通过Hugging Face API访问，或通过我们提供的端点直接集成到应用程序中。以下是通过Hugging Face API使用该模型的简单示例：

import requests  

API_URL = "https://api-inference.huggingface.co/models/zamal/gemma-7b-finetuned"  
headers = {"Authorization": "Bearer <your-api-key>"}  

def query(payload):  
    response = requests.post(API_URL, headers=headers, json=payload)  
    return response.json()  

output = query({  
    "inputs": "在此输入您的初始提示词",  
})  

print(output)