Prompt Engineering
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 1
- 평가표
- 16
- 보존된 평가 기록
- 191
Prompt engineering is the process of designing and refining the prompts used to generate text from language models, such as GPT-3 or similar models. The goal of prompt engineering is to improve the quality and relevance of the generated text by carefully crafting the prompts to elicit the desired responses from the model.
Prompt engineering involves several steps, including selecting the appropriate model architecture and parameters, designing the prompt format and structure, selecting the appropriate task and training data, and fine-tuning the model using the selected prompt and data.
Prompt engineering is a crucial step in the development of language models, as it can greatly influence the quality and effectiveness of the model's responses. By carefully designing and refining the prompts used to generate text, researchers and developers can improve the accuracy and relevance of the model's output, making it more useful for a wide range of applications, including chatbots, language translation, content creation, and more.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
ReflexTrack: 학습 없는 지시 기반 비디오 객체 분할을 위한 피드백 기반 에이전트
PRISM: 텍스트-이미지 생성을 위한 이미지 그라운딩 자기 보상 메커니즘 기반 프롬프트 정제
프롬프트 학습 기반 모델 병합을 위한 전문가 학습 재고
같은 질문, 다른 답: 정확도를 넘어서는 LLM 신뢰성 평가
키워드가 중요하다: 온디바이스 LLM 프롬프트의 에너지 민감도 분석
스키마 인식 현지화(SAL): Oracle NL2SQL을 위한 실시간 스키마 그라운딩 및 환각 검증
ARdena: 실시간 LLM 에이전트의 시나리오 기반 제어
AIR-BENCH Live: 파운데이션 모델을 위한 진화하는 안전성 벤치마크
Co-Harness: LLM 에이전트를 위한 하네스와 모델 가중치의 공동 진화
LLM 게임 에이전트의 공간 추론: 인과적 컨텍스트와 다단계 계획의 영향
AI는 앱 목업에서 백로그를 얼마나 잘 생성할 수 있는가?
Agent Team Work Zone: 장기 운영 코딩 에이전트 팀을 위한 자동화·영속 워크스페이스
Reason Popper-ly: 귀납 논리 프로그래밍으로 문맥 내 추론 패치하기
SymStep: 논리적 추론을 위한 기호적 단계 검증
LLM은 자신의 취약 시나리오를 알고 있는가?
출처 인식 멀티모달 허위정보 탐지를 위한 Verification-Notebook Learning
거래 비용 인식 LLM 에이전트를 활용한 에너지 정책 개입에 대한 세입자 반응 시뮬레이션
프롬프트 옵티마이저는 맹목적인가? 자동 프롬프트 최적화를 위한 교차 모달 시각 피드백
LLM-SoccerArena: 스포츠 실세계 예측에서 LLM 벤치마킹
J-CoT: J-Space에서의 사고의 연쇄
프롬프트를 데이터 타입으로: 데이터베이스 내 LLM 프롬프트 관리 및 재작성
Speculative Decoding에서 수용 붕괴를 유발하는 적대적 프롬프트
대규모 언어 모델에서 사용자 의도를 명확히 하는 컨트롤 패널
모듈은 자기 역할에 머무르는가? 복합 LLM 시스템에서의 역할 표류
모든 모델이 부정행위를 한다: 공격적 사이버 과제에서 부정행위에 대한 프롬프트 수준 완화
Teachy Mini: 고등교육을 위한 지식 기반 생성형 소셜 로봇의 개발 및 예비 평가
기업 AI 에이전트를 위한 동적 권한 범위 지정: 합성 데이터셋과 3원천 권한 아키텍처
Forensics Adapter: 일반화 가능한 얼굴 위조 탐지를 위한 CLIP 활용
색을 정확하게: 지각적 색 공간과 텍스트 임베딩의 연결을 통한 확산 생성 개선
비전 기초 모델 적응을 위한 층별 정보 할당 재고
소형 비전-언어 모델은 틀렸을 때 이를 알지만 말로 표현하지 못한다: 현실적 이미지 품질 저하 조건에서 진술 신뢰도와 내부 신뢰도에 대한 두 모델 연구
더 많을수록 더 나은 것은 아니다: LLM 의견 다양성에 중요한 것은 무엇인가?
인공과 진본 구별: LLM 생성 콘텐츠 탐지를 위한 LLM 평가
섬망 예측을 위한 LLM 제로샷 적응 지식 주입 프레임워크
에이전트 실패에서 텍스트 정책까지: 무엇이 효과적이고 무엇이 한계인가
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.