大家好呀，我是飛魚。

如果我想要大模型學(xué)習(xí)我的知識，怎么給他數(shù)據(jù)呢？

數(shù)據(jù)是大模型的食物，只有喂對了，模型才能更好地學(xué)習(xí)和成長。

這里介紹大模型優(yōu)化的三種方式：長文本提示，RAG，微調(diào)。

長文本提示

比如我們上傳一篇文章，發(fā)給大模型讓他總結(jié)一下里面的內(nèi)容，這個就是長文本提示。

我們上傳的這篇文章，跟我們的提示詞拼接后，會一起發(fā)給大模型。

這個長文本數(shù)據(jù)，它只能在你的這個對話窗口內(nèi)有效，而且還不能超過它模型本身支持的上下文長度。

在問答系統(tǒng)、內(nèi)容創(chuàng)作等任務(wù)中，提示詞可以顯著提升模型的表現(xiàn)。

RAG（檢索增強生成）

RAG 就是我們經(jīng)常聽到的知識庫。

這個知識庫就好比我們寫論文的時候，在圖書館里有一大堆書，當(dāng)你開始寫某個主題的時候。

• 你才會根據(jù)你的需要去把那些相關(guān)的書籍段落都找出來參考和引用。

RAG 的知識庫數(shù)據(jù)就是單獨放在外面，提什么問你就去搜什么數(shù)據(jù)，跟我們寫論文很像。

在問答系統(tǒng)中，RAG可以利用最新的數(shù)據(jù)和信息來生成更準(zhǔn)確的答案，彌補大模型在知識更新方面的不足。

微調(diào)（Fine-Tuning）

其實微調(diào)中的數(shù)據(jù)才是直接給大模型喂進去。

微調(diào)大模型是把你喂進去的數(shù)據(jù)消化成了規(guī)律，固定在它的參數(shù)里。

其實在微調(diào)之前，真正做大模型的廠商已經(jīng)做過了一步，叫做預(yù)訓(xùn)練。

• 這一步用了大量的算力數(shù)據(jù)讓他有了基礎(chǔ)知識。

微調(diào)它是把接收到的信息壓縮成了一種規(guī)律，把它記住。

• 那以后能沿著這個規(guī)律去做推測。

當(dāng)需要模型在特定領(lǐng)域或任務(wù)中表現(xiàn)更佳時，微調(diào)是理想的選擇。

• 例如，在醫(yī)學(xué)領(lǐng)域，通過微調(diào)可以讓模型更好地理解和生成醫(yī)學(xué)文本。

總結(jié)：大模型的學(xué)習(xí)方式就像選課，文本提示是旁聽，RAG是圖書館查資料，微調(diào)是請家教。

每日一題

題目描述

給你一個二叉搜索樹的根節(jié)點 root ，返回 樹中任意兩不同節(jié)點值之間的最小差值 。

差值是一個正數(shù)，其數(shù)值等于兩值之差的絕對值。

解題思路

中序遍歷 目標(biāo)二叉搜索樹，每輪計算相鄰節(jié)點的差值，并取最小。

在二叉搜索樹中，左 < 根 < 右。

因此，最小差值，一定是相鄰兩個節(jié)點的差值。

而 中序遍歷，則保證了 上一輪遍歷的根 與 當(dāng)前遍歷的根 相鄰(為父子關(guān)系)。

代碼實現(xiàn)

Java代碼：

class Solution {
    private int preNodeValue = -1;
    private int result = Integer.MAX_VALUE;
    public int getMinimumDifference(TreeNode root) {
        inorder(root);
        return this.result;
    }
    private void inorder(TreeNode root) {
        if (root == null) {
            return;
        }
        inorder(root.left);
        if (this.preNodeValue != -1) {
            // 因為是 二叉搜索樹，且為 中序遍歷
            // 因此 左 > 根 > 右，(root.val - this.preNodeValue) 必為正值
            this.result = Integer.min(root.val - this.preNodeValue, this.result);
        }
        this.preNodeValue = root.val;
        inorder(root.right);
    }
}