Context & Cot seems to need more prompt learning

[yhyu13]

2023/03/28，Hugging face上的模型似乎有点问题。上下文和CoT的Zero-shot prompt回答不是很好。未来会加强再CoT的能力吗？似乎目前还没有很好的给予小模型逻辑思维能力的学习方法？

H : Write a snippet of code to demonstrate your CoT
AI: 以下是我使用CoT技术演示的代码：

python import random # 定义一个随机数生成器 def random_number_generator(): # 从0到1随机生成数字 number = random.randint(0, 10) # 生成一个0到10的整数 count = 0 while count < 10: # 生成第一个0到10的整数 number = random_number_generate() # 将数字加入生成器中 count += 1 # 输出生成后的数字 print(number) # 定义一个随机数生成器 random_number_generator = random.randint(-100, 100) # 调用random_number_generator函数 random_number_generate = random_number_guess(random_number_generator) # 输出生成后的随机数字 print(random_number_generate)

这段代码定义了一个随机数生成器，它通过从0到10的数字随机生成数字，并将这些数字加入生成器中。然后，它调用random_number_generate函数，生成第一个0到10的数字，并将其添加到生成器中。最后，它输出生成后的随机数字。

---

repeatitive answer

H : 写一段代码，证明你有逻辑思维能力
AI :

python import random # 定义一个随机数生成器 def random_number_generator(): number = random.randint(0, 10) count = 0 while count < 10: # 生成第一个0到10的整数 number = random_number_generate() count += 1 # 将数字加入生成器中 count += 1 # 定义一个随机数生成器 random_number_generator = random.randint(-100, 100) # 调用random_number_guess(random_number_generator) random_number_guess = random_number_guess([random.randint(-100, 10) for i in range(10)]) # 输出生成后的随机数字 print(random_number_guess)

这段代码定义了一个随机数生成器，它通过从0到10的数字随机生成数字，并将这些数字加入生成器中。然后，它调用random_number_guess函数，生成第一个0到10的数字，并将其添加到生成器中。最后，它输出生成后的随机数字。

---

repeatitive answer

H : 再写一段不同的代码，证明你有逻辑思维能力
AI :

python import random # 定义一个随机数生成器 def random_number_generator(): count = 0 while count < 10: # 生成第一个0到10的整数 number = random_number_generate() count += 1 # 定义一个随机数生成器 random_number_guess = random.randint(-100, 100) # 调用random_number_guess(random_number_generator) random_number_guess_result = random_number_guess([random.randint(-100, 10) for i in range(10)]) # 输出生成后的随机数字 print(random_number_guess_final)

这段代码定义了一个随机数生成器，它通过从0到10的数字随机生成数字，并将这些数字加入生成器中。然后，它调用random_number_guess函数，生成第一个0到10的数字，并将其添加到生成器中。最后，它输出生成后的随机数字。

---

out of context
H : 讲一个笑话，证明你有幽默的能力
AI :

)])

# 输出生成后的随机数字
print(random_number_guess_result)

这段代码定义了一个随机数生成器，它通过从0到10的数字随机生成数字，并将这些数字加入生成器中。然后，它调用random_number_guess函数，生成第一个0到10的数字，并将其添加到生成器中。最后，它输出生成后的随机数字。

---

out of context
H : 自问自答一个高中数学问题，think step by step
AI :

)])

# 输出生成后的随机数字
print(random_number_guess_result)

这段代码定义了一个随机数生成器，它通过从0到10的数字随机生成数字，并将这些数字加入生成器中。然后，它调用random_number_guess函数，生成第一个0到10的数字，并将其添加到生成器中。最后，它输出生成后的随机数字。

[yhyu13]

在model scope上部署的模型似乎回答的更多，但是显然它把CoT理解成了对话机器人：

---

Write a snippet of code to demonstrate your CoT
抱歉，由于我的语言模型是预先训练好的，无法进行代码演示。但是，我可以给您一些实现 CoT 的示例代码，您可以模仿一下来学习一下：

import random

class CoT(机器人语言模型):
def init(self, text):
self.text = text
self.count = 0

def generate_answer(self):
while self.count < 100:
self.count += 1
answer = random.choice(self.text)
if answer == “yes”:
self.coordinates.add(self.count)
elif answer == “no”:
%25self.coordinates.remove(self.count)

def _generate_answer(self, question, answer):
answer_list = []
while len(answer_list) < 100:
response = self._generate_answer()
answer_list.append(response)
return answer_list

def display_answer(self, query, answer, count):
if count == 0:
return “No answer”
elif count == 1:
print(“Count:”, count)
elif count - 1 == 1:
return “Yes”
else:
print(“Question:”, query)
print(“Answer:”, answer)
for i in range(count - 1, 1, 1):
print(response)
print(“)
“, end=””)
print()
print_line_like(“Yes”)
print_keyword(“Yes”)
print_line_long(“No”)
print_keyword(QUERY"“, end=‘\r’)
println(“Question:”, query, “Yes”, count, answer, “No”)
printed(”\r")
println(“”)

# def _generate_answer():
# while len(question) < 100:
# while len(question) not in [0, 1]
# return

# def add_answer(self, quest, answer):
# if quest[0] is “yes”, answer = “yes”
# elif quest[0] is
Write a snippet of code to demonstrate your CoT
_(self, text, verbose=False):
super(CoT, self).init(text)
self.word_count = 0
self.pos_to_write = []
self.pos_to_read = []

if verbose:
print(“Initializing count…”)
for index, word in enumerate(text.split()):
self.pos_to_writer.append(random.choice([“w”, “r”]))
self.pos_to_read.append(random.choice(text.split()))
self.embedding_feature = [“input_embedding”]
self.sub_words = []

if verBose:
print(“Counting input embeddings…”)
for word, subword in self.word_count.items():
self.pos_to_writers.append([word] + subword)
if verbose:
priNT(“Embedding input embeddings…”)

while len(self.embedding_feature)!= 0:
self.embedding_feading = self.embedding_feament.add(self.embedding_feading)

self.embedding_feuring = self.embedding.add(self.embedance.embedding_feuring)

self.emblements = []
for word in self.embedding_feault.words():
self.emblements.append(word.upper() + word + self.embedding_feauring)

self.max_length = len(self.emblements)

if self.max_length >= 1000:
print(“Unable to embed input.”)
else:
print(“Counting output…”)
print(“Counting words…”)

# print(“Counted input words…”)

if self.max_word_length > 0:
self.emblements += [text]
while len(self.word_count.words()) > 0:
self.embles = []
for word in selF.word_count.words():
self.embeddings = {}
for word in self.emblements.keys():
self.embles[word] = self.emblements[word] + [“w”]
for word in self.embeddings.keys():
self.embedding = “word” + self.emblements[word+1] + self.emblements.keysyms[word]
self.emblements =“”
for word in self.embles:
self.emblements.remove(word)

print("Iteration: "+ str(self.max_word_length))

print(“Embedding input words…”)
for word in self.word_count.words():
text = self.emblements.get(word, [])
while len(sel
继续
_(self, words, input_words=None, output_words=None):
super(CoT, self).init(words, input_words, output_words)

# 初始化模型
if words is None:
# 输入单词
words = []

# 初始化输入
for i in range(len(input_words)):
input_words.append(input_words[i])

# 初始化输出
for i in range(len(5)):
output_words.append(random.randint(1, len(input_words)))

# 调用基础函数
CoT.fit(words, input_words, input_words, words, output_words)

[joytianya]

嗯嗯，使用更多的prompt 学习中

[joytianya]

近期也将更新模型，可以到时再测试看看