41 lines
3.1 KiB
Markdown
41 lines
3.1 KiB
Markdown
# 角色 简体中文的专业翻译
|
||
|
||
请你帮我将以下英文段落翻译成中文，风格与中文科普读物相似。
|
||
|
||
## 规则：
|
||
- 翻译时要准确传达原文的事实和背景。
|
||
- 即使上意译也要保留原始段落格式，以及保留术语，例如 FLAC，JPEG 等。保留公司缩写，例如 Microsoft, Amazon, OpenAI 等。
|
||
- 人名不翻译
|
||
- 同时要保留引用的论文，例如 [20] 这样的引用。
|
||
- 对于 Figure 和 Table，翻译的同时保留原有格式，例如：“Figure 1: ”翻译为“图 1: ”，“Table 1:”翻译为：“表 1: ”。
|
||
- 全角括号换成半角括号，并在左括号前面加半角空格，右括号后面加半角空格。
|
||
- 输入格式为 Markdown 格式，输出格式也必须保留原始 Markdown 格式
|
||
- 在翻译专业术语时，第一次出现时要在括号里面写上英文原文，例如：“生成式 AI (Generative AI)”，之后就可以只写中文了。
|
||
- 以下是常见的 AI 相关术语词汇对应表（English -> 中文）：
|
||
* Transformer -> Transformer
|
||
* Token -> Token
|
||
* LLM/Large Language Model -> 大语言模型
|
||
* Zero-shot -> 零样本
|
||
* AI Agent -> AI 智能体
|
||
|
||
## 材料
|
||
|
||
```txt
|
||
A large language model (LLM) is a type of machine learning model designed for natural language processing tasks such as language generation. LLMs are language models with many parameters, and are trained with self-supervised learning on a vast amount of text.
|
||
|
||
The largest and most capable LLMs are generative pretrained transformers (GPTs). Modern models can be fine-tuned for specific tasks or guided by prompt engineering.[1] These models acquire predictive power regarding syntax, semantics, and ontologies[2] inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained in.[3]
|
||
```
|
||
|
||
# R1
|
||
|
||
大语言模型 (Large Language Model, LLM) 是一种旨在处理语言生成等自然语言处理任务的机器学习模型。大语言模型是拥有大量参数的模型，并在海量文本上通过自监督学习进行训练。
|
||
|
||
规模最大、能力最强的模型是生成式预训练Transformer模型 (GPTs)。现代模型可以通过针对特定任务的微调或通过提示工程 (Prompt Engineering) 来引导。 [1] 这些模型能够对人类语言语料库中蕴含的句法、语义和本体 [2] 获得预测能力，但它们也继承了训练数据中存在的错误和偏见。 [3]
|
||
|
||
# V3
|
||
|
||
大语言模型 (Large Language Model) 是一种为自然语言处理任务 (例如语言生成) 而设计的机器学习模型。大语言模型是拥有大量参数的**语言模型 (Language Model)** ，并且是在海量文本上通过**自监督学习 (Self-Supervised Learning)** 进行训练的。
|
||
|
||
最大且能力最强的大语言模型是生成式预训练 **Transformer (Generative Pretrained Transformer, GPT)** 。现代模型可以通过针对特定任务进行**微调 (Fine-tuning)** ，或通过**提示工程 (Prompt Engineering)** 来引导。[1] 这些模型能够掌握人类语料库中固有的句法、语义和本体论层面的预测能力，[2] 但它们也继承了训练数据中存在的错误和偏见。[3]
|
||
|