从Prompt工程到模型微调：全方位解决AI幻觉问题

在人工智能飞速发展的今天，AI已经深入到我们生活的方方面面。然而，AI存在一个让人头疼的问题，那就是“幻觉”。简单来说，AI有时候会给出一些和事实不符或者不合理的回答。我们这篇文章的目的就是要全方位地探讨如何解决这个AI幻觉问题，从Prompt工程到模型微调，把各种解决办法都讲清楚。范围呢，主要集中在自然语言处理领域的AI模型，像大家熟悉的聊天机器人等。接下来我给大家说说这篇文章的结构。首先会介绍

搜索引擎技术

451人浏览 · 2025-09-11 12:17:50

搜索引擎技术 · 2025-09-11 12:17:50 发布

从Prompt工程到模型微调：全方位解决AI幻觉问题

关键词：Prompt工程、模型微调、AI幻觉问题、人工智能、自然语言处理

摘要：本文深入探讨了AI幻觉问题，详细介绍了从Prompt工程到模型微调等全方位解决该问题的方法。首先阐述了AI幻觉问题的背景及相关概念，接着解释了Prompt工程和模型微调的核心概念及其相互关系，通过具体的算法原理、代码示例展示了解决问题的实际操作，还探讨了实际应用场景、未来发展趋势与挑战等内容，旨在帮助读者全面理解并掌握解决AI幻觉问题的有效途径。

背景介绍

目的和范围

预期读者

这篇文章适合很多人来读哦。如果你是对人工智能感兴趣的小学生，想了解一些有趣的知识，没问题，文章会用很简单的语言给你讲明白；如果你是正在学习编程和人工智能的学生，这里面的代码和技术原理能帮助你加深理解；要是你已经是专业的AI开发者，说不定能从里面找到新的解决思路和灵感呢。

文档结构概述

接下来我给大家说说这篇文章的结构。首先会介绍一些核心概念，用故事和生活中的例子让大家明白什么是Prompt工程、模型微调还有AI幻觉问题。然后会讲讲这些概念之间的关系，就像给大家介绍小伙伴们是怎么一起玩耍的。再之后会深入到具体的算法原理，用代码来展示怎么解决问题。还会有项目实战，让大家看看实际操作中是怎么解决AI幻觉问题的。另外，会介绍一些实际应用场景，让大家知道这些方法在生活中有什么用。最后会说说未来的发展趋势和挑战，以及总结学到的内容，还会给大家留一些思考题呢。

术语表

核心术语定义

Prompt工程：可以把它想象成我们和AI聊天时，给它说的提示语。就像我们给小朋友讲故事前，先告诉小朋友一个主题，让他能更好地接着故事往下编。Prompt工程就是设计合适的提示语，让AI给出更准确合理的回答。
模型微调：AI模型就像一个大厨师，一开始它学了很多做菜的方法，但不一定能做出符合我们口味的菜。模型微调就是对这个大厨师进行训练，让他按照我们的口味来做菜，也就是让AI模型更符合我们的特定需求。
AI幻觉问题：AI就像一个爱幻想的小朋友，有时候会说出一些和事实不一样或者不合理的话。比如问它“世界上最高的山是什么”，它可能会回答一个根本不存在的山名，这就是AI幻觉问题。

缩略词列表

NLP：自然语言处理（Natural Language Processing）

核心概念与联系

故事引入

小朋友们，我们来想象一个神奇的魔法王国。在这个王国里，有一个聪明的小魔法师，他会很多魔法。但是有时候，小魔法师会出现一些小失误，比如他想变出一个苹果，结果却变出了一个不存在的水果。这就有点像我们的AI出现幻觉问题啦。现在，我们有两种神奇的方法来帮助小魔法师减少失误。一种方法是我们在他施展魔法前，给他一些特别的提示，告诉他要变出什么样的苹果，这就像Prompt工程。另一种方法是带小魔法师去一个特别的魔法学校，让他在那里进行更深入的学习和训练，让他变得更厉害，这就像模型微调。

核心概念解释（像给小学生讲故事一样）

> ** 核心概念一：Prompt工程**
    > 想象一下，你有一个超级聪明的小伙伴，你想让他帮你画画。但是你只是说“画一幅画”，他可能不知道你想要什么样的画。如果你给他一些提示，比如“画一幅有蓝天白云和绿色草地的画”，他就能画出更符合你心意的画啦。Prompt工程就是给AI这样的提示，让它能更好地完成任务。
> ** 核心概念二：模型微调**
    > 我们都知道，运动员需要不断地训练才能变得更厉害。AI模型就像运动员一样，一开始它有一些基本的能力，但是要想在特定的比赛（也就是我们的特定需求）中表现得更好，就需要进行专门的训练。模型微调就是对AI模型进行这种专门的训练，让它更适应我们的需求。
> ** 核心概念三：AI幻觉问题**
    > 就像我们前面说的小魔法师会变出不存在的水果一样，AI有时候也会说出一些不存在或者不合理的话。比如你问它“孙悟空的师傅是谁”，它可能会回答一个奇怪的名字。这就是AI幻觉问题，就好像AI在做白日梦，说了一些不靠谱的话。

核心概念之间的关系（用小学生能理解的比喻）

> ** 概念一和概念二的关系**
    > 我们还是用画画的例子来说。Prompt工程就像我们给画画的小伙伴一些提示，让他画得更好。而模型微调就像我们送这个小伙伴去绘画培训班，让他本身的绘画水平提高。这两个方法可以一起用哦。先给他提示，再让他去培训班学习，这样他就能画出超级棒的画啦。也就是说，Prompt工程和模型微调可以一起帮助AI更好地完成任务，减少幻觉问题。
> ** 概念二和概念三的关系**
    > 模型微调就像给小魔法师去魔法学校学习，让他变得更厉害。而AI幻觉问题就像小魔法师的小失误。当小魔法师在魔法学校学习得更好了，他出现失误的可能性就会变小。同样的，对AI模型进行微调后，它出现幻觉问题的可能性也会降低。
> ** 概念一和概念三的关系**
    > Prompt工程给AI一些提示，就像给迷路的小朋友一些指引。AI幻觉问题就像小朋友迷路了。当我们给AI合适的提示时，它就不容易“迷路”，也就是不容易出现幻觉问题啦。

核心概念原理和架构的文本示意图（专业定义）

Prompt工程的原理是通过设计合适的输入提示，引导AI模型在其预训练的知识体系中筛选出更符合需求的输出。它基于AI模型本身的语言理解和生成能力，利用精心构造的提示信息来约束模型的输出方向。

模型微调则是在预训练模型的基础上，使用特定的数据集对模型进行进一步的训练。预训练模型已经学习了大量的通用知识，而微调过程会让模型针对特定的任务和领域进行优化，调整模型的参数，使其更适应具体的应用场景。

AI幻觉问题产生的原因主要是模型在学习过程中可能存在知识的不完整性、对输入信息的理解偏差以及生成输出时的随机性等。解决这个问题需要从输入提示和模型本身的优化两方面入手，也就是结合Prompt工程和模型微调。

Mermaid 流程图

核心算法原理 & 具体操作步骤

Prompt工程算法原理及操作步骤

算法原理

Prompt工程的核心是设计有效的提示信息，这些提示信息可以包含任务描述、示例、约束条件等。例如，当我们让AI进行文本生成时，提示中可以明确生成的主题、风格、字数要求等。通过这些提示，AI模型会在生成文本时更有针对性，减少生成不合理内容的可能性。

操作步骤

分析任务需求：首先要清楚我们让AI完成的是什么任务，比如是文本生成、问答、翻译等。
设计提示模板：根据任务需求，设计一个合适的提示模板。例如，如果是问答任务，可以这样设计提示：“问题：{具体问题}，请给出准确合理的回答。”
测试和优化提示：将设计好的提示输入到AI模型中，观察输出结果。如果结果不理想，就对提示进行调整和优化，直到得到满意的结果。

以下是一个使用Python和Hugging Face的Transformers库进行Prompt工程的简单示例：

from transformers import pipeline

# 加载预训练的文本生成模型
generator = pipeline('text-generation', model='gpt2')

# 设计提示
prompt = "请生成一段关于美丽花园的描述，字数在100字左右。"

# 生成文本
output = generator(prompt, max_length=120, num_return_sequences=1)

# 输出结果
print(output[0]['generated_text'])

模型微调算法原理及操作步骤

算法原理

模型微调基于反向传播算法。在微调过程中，使用特定的数据集对模型进行训练。模型会根据输入数据生成输出，然后将输出与真实标签进行比较，计算损失值。通过反向传播算法，模型会调整自身的参数，使得损失值不断减小，从而提高模型在特定任务上的性能。

操作步骤

准备数据集：收集和整理与特定任务相关的数据集，数据集要包含输入数据和对应的真实标签。
加载预训练模型：从开源模型库中加载适合的预训练模型。
定义微调配置：设置微调的参数，如学习率、训练轮数等。
进行微调训练：使用准备好的数据集对模型进行微调训练。
评估和保存模型：训练完成后，对模型进行评估，评估指标可以包括准确率、召回率等。如果评估结果满意，就保存微调后的模型。

以下是一个使用PyTorch和Hugging Face的Transformers库进行模型微调的简单示例：

import torch
from transformers import GPT2LMHeadModel, GPT2Tokenizer, TextDataset, DataCollatorForLanguageModeling
from transformers import Trainer, TrainingArguments

# 加载预训练模型和分词器
model = GPT2LMHeadModel.from_pretrained('gpt2')
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')

# 准备数据集
train_dataset = TextDataset(
    tokenizer=tokenizer,
    file_path='train.txt',  # 训练数据集文件路径
    block_size=128
)

data_collator = DataCollatorForLanguageModeling(
    tokenizer=tokenizer, mlm=False
)

# 定义训练参数
training_args = TrainingArguments(
    output_dir='./results',          # 输出目录
    overwrite_output_dir=True,      # 覆盖输出目录
    num_train_epochs=3,              # 训练轮数
    per_device_train_batch_size=4,   # 每个设备的训练批次大小
    save_steps=10_000,               # 每多少步保存一次模型
    save_total_limit=2,              # 最多保存的模型数量
    prediction_loss_only=True,
)

# 定义Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    data_collator=data_collator,
    train_dataset=train_dataset,
)

# 进行微调训练
trainer.train()

# 保存微调后的模型
trainer.save_model()

数学模型和公式 & 详细讲解 & 举例说明

损失函数

在模型微调中，常用的损失函数是交叉熵损失函数。对于分类任务，交叉熵损失函数的公式为：
$-\frac{1}{N} \sum_{i=1}^{N} \sum_{j=1}^{C} y_{ij} \log(p_{ij})$
其中， $N$ 是样本数量， $C$ 是类别数量， $y_{ij}$ 是第 $i$ 个样本属于第 $j$ 类的真实标签（0 或 1）， $p_{ij}$ 是模型预测第 $i$ 个样本属于第 $j$ 类的概率。

例如，假设有 3 个样本，2 个类别。真实标签为 $y = [[1, 0], [0, 1], [1, 0]]$ ，模型预测的概率为 $p = [[0.8, 0.2], [0.3, 0.7], [0.6, 0.4]]$ 。则损失值的计算如下：
对于第一个样本： $y11log⁡(p11)+y12log⁡(p12)=1×log⁡(0.8)+0×log⁡(0.2)≈−0.223y_{11} \log(p_{11}) + y_{12} \log(p_{12}) = 1 \times \log(0.8) + 0 \times \log(0.2) \approx -0.223$
对于第二个样本： $y21log⁡(p21)+y22log⁡(p22)=0×log⁡(0.3)+1×log⁡(0.7)≈−0.357y_{21} \log(p_{21}) + y_{22} \log(p_{22}) = 0 \times \log(0.3) + 1 \times \log(0.7) \approx -0.357$
对于第三个样本： $y31log⁡(p31)+y32log⁡(p32)=1×log⁡(0.6)+0×log⁡(0.4)≈−0.511y_{31} \log(p_{31}) + y_{32} \log(p_{32}) = 1 \times \log(0.6) + 0 \times \log(0.4) \approx -0.511$
平均损失值为： $-\frac{1}{3} \times (-0.223 - 0.357 - 0.511) \approx 0.364$

梯度下降算法

梯度下降算法是用于优化模型参数的常用算法。其基本思想是沿着损失函数的负梯度方向更新模型参数，使得损失函数的值不断减小。参数更新公式为：
$\theta_{t+1} = \theta_{t} - \alpha \nabla L(\theta_{t})$
其中， $θt\theta_{t}$ 是第 $t$ 次迭代时的模型参数， $α\alpha$ 是学习率， $∇L(θt)\nabla L(\theta_{t})$ 是损失函数 $L$ 关于参数 $θt\theta_{t}$ 的梯度。

例如，假设损失函数 $L(θ)=θ2L(\theta) = \theta^2$ ，则其梯度为 $∇L(θ)=2θ\nabla L(\theta) = 2\theta$ 。如果初始参数 $θ0=2\theta_0 = 2$ ，学习率 $α=0.1\alpha = 0.1$ ，则第一次迭代后的参数为：
$θ1=θ0−α∇L(θ0)=2−0.1×2×2=1.6\theta_1 = \theta_0 - \alpha \nabla L(\theta_0) = 2 - 0.1 \times 2 \times 2 = 1.6$

项目实战：代码实际案例和详细解释说明

开发环境搭建

安装Python：确保你的系统中安装了Python 3.6或以上版本。可以从Python官方网站（https://www.python.org/downloads/）下载并安装。
创建虚拟环境：使用venv或conda创建一个虚拟环境，以隔离项目的依赖。例如，使用venv创建虚拟环境的命令为：

python -m venv myenv

然后激活虚拟环境：

在Windows上：

myenv\Scripts\activate

在Linux或Mac上：

source myenv/bin/activate

安装必要的库：安装Hugging Face的Transformers库、PyTorch等。可以使用pip进行安装：

pip install transformers torch

源代码详细实现和代码解读

以下是一个结合Prompt工程和模型微调来解决AI幻觉问题的完整项目示例。假设我们要让AI进行电影推荐，并减少幻觉问题。

数据准备

首先，我们需要准备一个电影推荐的数据集，数据集包含电影的描述和对应的标签（如电影类型、评分等）。将数据集保存为movies.csv文件，文件内容示例如下：

电影描述,电影类型,评分
这部电影讲述了一个超级英雄拯救世界的故事,动作,8.5
这是一部浪漫的爱情电影,爱情,7.8

Prompt工程和模型调用

import pandas as pd
from transformers import pipeline

# 加载预训练的文本生成模型
generator = pipeline('text-generation', model='gpt2')

# 读取数据集
data = pd.read_csv('movies.csv')

# 设计Prompt
prompt = "请根据以下电影描述推荐一部相似的电影：{电影描述}"

# 选择一个电影描述进行测试
test_description = data['电影描述'][0]
final_prompt = prompt.format(电影描述=test_description)

# 生成推荐结果
output = generator(final_prompt, max_length=100, num_return_sequences=1)

print(output[0]['generated_text'])

代码解读：

首先，我们使用pandas库读取电影数据集。
然后，设计了一个包含占位符的Prompt模板。
选择一个电影描述，将其填充到Prompt模板中。
最后，使用预训练的模型生成电影推荐结果。

模型微调

import torch
from transformers import GPT2LMHeadModel, GPT2Tokenizer, TextDataset, DataCollatorForLanguageModeling
from transformers import Trainer, TrainingArguments

# 加载预训练模型和分词器
model = GPT2LMHeadModel.from_pretrained('gpt2')
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')

# 准备数据集
train_dataset = TextDataset(
    tokenizer=tokenizer,
    file_path='movies.txt',  # 将数据集转换为文本格式保存
    block_size=128
)

data_collator = DataCollatorForLanguageModeling(
    tokenizer=tokenizer, mlm=False
)

# 定义训练参数
training_args = TrainingArguments(
    output_dir='./results',          # 输出目录
    overwrite_output_dir=True,      # 覆盖输出目录
    num_train_epochs=3,              # 训练轮数
    per_device_train_batch_size=4,   # 每个设备的训练批次大小
    save_steps=10_000,               # 每多少步保存一次模型
    save_total_limit=2,              # 最多保存的模型数量
    prediction_loss_only=True,
)

# 定义Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    data_collator=data_collator,
    train_dataset=train_dataset,
)

# 进行微调训练
trainer.train()

# 保存微调后的模型
trainer.save_model()

代码解读：

加载预训练的GPT-2模型和分词器。
将电影数据集转换为文本格式，并使用TextDataset类加载数据集。
定义训练参数，包括输出目录、训练轮数、批次大小等。
使用Trainer类进行模型微调训练，并保存微调后的模型。

代码解读与分析

通过以上代码，我们可以看到，Prompt工程通过设计合适的提示信息，引导模型生成更符合需求的电影推荐结果。而模型微调则是让模型在电影推荐这个特定任务上进行优化，提高模型的准确性和可靠性。在实际应用中，我们可以根据具体情况调整Prompt和微调的参数，以达到更好的效果。

实际应用场景

智能客服

在智能客服场景中，AI可能会出现幻觉问题，比如给出错误的解决方案或信息。通过Prompt工程，我们可以设计合适的提示，让AI更准确地理解用户的问题，并给出合理的回答。同时，对模型进行微调，使其更熟悉特定领域的知识和问题，减少幻觉问题的发生。例如，电商平台的智能客服可以通过微调模型，更好地回答关于商品信息、订单状态等问题。

内容创作

在内容创作领域，如文章生成、故事编写等，AI可能会生成一些不合理或不符合逻辑的内容。使用Prompt工程可以明确创作的主题、风格、结构等要求，引导AI生成更优质的内容。模型微调可以让AI学习特定类型内容的特点和规律，提高创作的质量。比如，新闻媒体可以对模型进行微调，让其生成更专业、准确的新闻报道。

医疗辅助诊断

在医疗辅助诊断中，AI的幻觉问题可能会导致严重的后果。通过Prompt工程，可以向AI提供详细的患者症状、检查结果等信息，让其进行准确的诊断。模型微调可以让AI学习大量的医学知识和病例，提高诊断的准确性和可靠性。例如，医院可以使用微调后的模型辅助医生进行疾病诊断。

工具和资源推荐

开源模型库

Hugging Face Transformers：提供了大量的预训练模型，包括GPT、BERT等，并且有丰富的文档和示例代码，方便我们进行模型的加载、使用和微调。
TensorFlow Hub：包含了许多预训练的深度学习模型，可以用于图像识别、自然语言处理等任务。

数据集平台

Kaggle：一个数据科学竞赛平台，上面有大量的公开数据集，可以用于模型的训练和测试。
Hugging Face Datasets：提供了各种类型的数据集，方便我们进行自然语言处理任务的研究和开发。

开发工具

PyCharm：一款功能强大的Python集成开发环境，提供了代码编辑、调试、版本控制等功能，提高开发效率。
Jupyter Notebook：一个交互式的开发环境，适合进行数据探索、模型实验和代码演示。

未来发展趋势与挑战

发展趋势

多模态融合：未来的AI将不仅仅局限于处理文本信息，还会融合图像、音频、视频等多种模态的信息。解决多模态AI的幻觉问题将成为研究的热点。
自主学习和进化：AI模型将具备更强的自主学习能力，能够自动调整和优化自身的参数，减少人工干预。
个性化服务：根据用户的个性化需求，提供更加精准、个性化的服务，减少因信息不匹配导致的幻觉问题。

挑战

数据质量和隐私问题：高质量的数据是解决AI幻觉问题的关键，但数据的收集、标注和管理面临着质量和隐私的挑战。
计算资源和成本：模型微调需要大量的计算资源和时间，如何降低计算成本和提高效率是一个亟待解决的问题。
可解释性和可靠性：随着AI模型的复杂度不断增加，如何解释模型的决策过程和保证模型的可靠性也是一个重要的挑战。

总结：学到了什么？

> ** 核心概念回顾**
    > 我们学习了Prompt工程、模型微调还有AI幻觉问题。Prompt工程就像给AI一些提示，让它更好地完成任务；模型微调就像给AI进行专门的训练，让它更适应我们的需求；AI幻觉问题就是AI会说出一些不合理的话。
> ** 概念关系回顾**
    > 我们了解了Prompt工程和模型微调可以一起帮助AI减少幻觉问题。Prompt工程给AI提示，让它不容易“迷路”；模型微调让AI本身变得更厉害，减少出现失误的可能性。

思考题：动动小脑筋

> ** 思考题一**：你能想到生活中还有哪些地方可能会出现AI幻觉问题吗？
> ** 思考题二**：如果你要对一个音乐推荐的AI模型进行微调，你会怎么做？

附录：常见问题与解答

问题一：Prompt工程和模型微调哪个更有效？

答：这取决于具体的应用场景。Prompt工程相对简单快捷，可以在不改变模型的情况下，通过调整提示信息来改善模型的输出。而模型微调可以让模型更深入地学习特定任务的知识，效果可能更显著，但需要更多的计算资源和时间。在实际应用中，通常可以先尝试Prompt工程，如果效果不理想，再考虑模型微调。

问题二：模型微调会导致模型过拟合吗？

答：有可能。如果微调的数据集过小或者模型训练的轮数过多，模型可能会过拟合，即模型在训练数据上表现很好，但在测试数据上表现不佳。为了避免过拟合，可以使用更大的数据集、增加正则化项、调整训练参数等方法。

扩展阅读 & 参考资料

《深度学习》（Ian Goodfellow、Yoshua Bengio和Aaron Courville著）
Hugging Face官方文档（https://huggingface.co/docs）
Kaggle官方网站（https://www.kaggle.com/）

技术共进，成长同行——讯飞AI开发者社区

更多推荐

从大数据到智能分析：未来科技的跨越式进步

未来，人工智能将不仅仅是数据的分析工具，它将成为决策过程中的核心力量，甚至在某些领域，AI可能会代替人工完成整个决策过程。我们可以预见，在不久的将来，智能分析将能够对海量数据进行深入挖掘，并通过自我学习和自我优化，不断提高分析的精准度和效率。在医疗领域，AI可以通过分析大量的医学影像和病历数据，帮助医生提高诊断的准确性，甚至在某些情况下，AI已经能够做到比人类医生更准确的诊断。首先，数据隐私问题日

讯飞AI开发者社区

Python从零实现线性回归详解

以下是为您撰写的“人工智能与机器学习：Python从零实现线性回归模型”技术文章大纲。大纲结构清晰，分为引言、理论基础、实现步骤、代码详解和结论等部分，确保逻辑流畅，适合从零开始的读者。内容基于真实技术原理，强调手动实现（不使用scikit-learn等库），并使用Python代码和数学公式（遵循LaTeX格式：行内公式如$y = mx + b$，独立公式单独成段）。

讯飞AI开发者社区

GEO搜索优化：AI时代精准获客的全新法则（新手必学）

通过GEO搜索优化，企业可以利用地理位置的数据，结合AI技术的优势，帮助自己在激烈的市场竞争中脱颖而出。举个简单的例子，如果你经营的是一家餐馆，客户在手机上搜索“附近的餐馆”，搜索引擎会通过GEO搜索优化技术，推荐离客户最近的餐厅。如果你的餐厅在当地做了良好的SEO优化，并且配合GEO搜索优化，那么你的餐馆就有更大的机会出现在搜索结果的前面，从而吸引更多顾客。随着技术的不断发展，尤其是人工智能（A

讯飞AI开发者社区

所有评论(0)

查看更多评论

搜索引擎技术

@2501_91930600

已为社区贡献5条内容

从Prompt工程到模型微调：全方位解决AI幻觉问题

搜索引擎技术

从Prompt工程到模型微调：全方位解决AI幻觉问题

背景介绍

目的和范围

预期读者

文档结构概述

术语表

核心术语定义

相关概念解释

缩略词列表

核心概念与联系

故事引入

核心概念解释（像给小学生讲故事一样）

核心概念之间的关系（用小学生能理解的比喻）

核心概念原理和架构的文本示意图（专业定义）

Mermaid 流程图

核心算法原理 & 具体操作步骤

Prompt工程算法原理及操作步骤

算法原理

操作步骤

模型微调算法原理及操作步骤

算法原理

操作步骤

数学模型和公式 & 详细讲解 & 举例说明

损失函数

梯度下降算法

项目实战：代码实际案例和详细解释说明

开发环境搭建

源代码详细实现和代码解读

数据准备

Prompt工程和模型调用

模型微调

代码解读与分析

实际应用场景

智能客服

内容创作

医疗辅助诊断

工具和资源推荐

开源模型库

数据集平台

开发工具

未来发展趋势与挑战

发展趋势

挑战

总结：学到了什么？

思考题：动动小脑筋

附录：常见问题与解答

问题一：Prompt工程和模型微调哪个更有效？

问题二：模型微调会导致模型过拟合吗？

扩展阅读 & 参考资料

所有评论(0)

搜索引擎技术