在模糊测试中生成提示模板的方法与流程

本发明属于人工智能，尤其涉及在模糊测试中生成提示模板的方法。

背景技术：

1、在人工智能技术与大数据结合的时代，大规模语言模型成为通用人工智能的重要组成部分，在自然语言处理(nlp)、计算机视觉(cv)、图学习(gl)等主要人工智能领域中得到广泛研究与应用。大规模语言模型通过语言学习丰富的世界知识，对各个领域发展均起到巨大的促进作用，其还具备自我学习、迁移学习等能力，可以通过少量的调整适应新任务，具有很强的普适性。随着模型体量的不断增大和模型结构的不断优化，大规模语言模型在人工智能领域的应用前景越来越广阔。

2、大语言模型具有海量的知识储备，现阶段的大语言模型主要以交互方式进行使用，在使用大语言模型进行学习的过程中，大语言模型可能会出现胡言乱语的情况，影响用户的体验，增大了中文大模型应用难度，限制了应用效果，鉴于此，我们提出了在模糊测试中生成提示模板的方法。

技术实现思路

1、本发明的目的是针对上述存在的技术问题，提供在模糊测试中生成提示模板的方法，以解决上述背景技术中提出的问题。

2、有鉴于此，本发明提供在模糊测试中生成提示模板的方法，该方法包括：获取大数据中各种提示信息，将各种提示信息数据集合，生成提示模板；

3、获取提示模板数据和提示模板输入大语言模型进行训练，以得到训练后的大语言模型，其中训练后的大语言模型能按照所述交互对话语境生成符合所述提示模板的交互对话；

4、对提示模板数据进行筛选，提示筛选时，通过目标模型根据候选提示依次得到输出结果，通过得分反馈机制筛选出结果较好的提示，并用于该任务固定提示，达到优化效果的目的；

5、获取学习内容，将所述学习内容输入训练后的大语言模型，使得所述大语言模型按照所述学习方法的学习过程对所述学习内容生成执行结果。

6、在上述技术方案中，进一步的，所述提示模板建立时，连接不同的输入输出示例组合，形成完整候选提示集合，根据输入输出示例，基于大规模语言模型动态生成提示任务表述。

7、在上述技术方案中，进一步的，所述自动生成任务描述中，设计输入输出示例到任务描述映射提示，利用大模型生成多种任务描述，为了保障任务描述的多样性，动态随机选取输入输出示例，降低固定示例带来的模式受限问题。

8、在上述技术方案中，进一步的，所述将多种任务描述组合输入输出示例过程中，采用三个维度首先组合输入输出示例，分别为内容、顺序、数量，即不同内容的输入输出组合示例、不同顺序的组合示例以及不同数量的输入输出组合示例，三种维度覆盖不同输入输出示例带来的影响，将多种任务描述依次与组合示例连接，建立完整的提示，并以此得到提示模板。

9、在上述技术方案中，进一步的，所述学习方法为费曼学习方法，所述使得所述大语言模型按照所述学习方法的学习过程对所述学习内容生成执行结果包括：使得所述大语言模型按照所述费曼学习方法的学习过程对所述学习内容生成执行结果，其中所述学习过程为确定目标、模拟教学、反复理解和总结提炼。

10、在上述技术方案中，进一步的，所述提示模板包括指令、上下文和输出指示，所述将所述训练数据和所述提示模板输入大语言模型进行训练，以得到训练后的大语言模型包括：将所述训练数据和所述提示模板输入大语言模型，使得所述大语言模型根据所述指令明确自身扮演的角色和需要完成的任务，基于自身扮演的角色和需要完成的任务，按照所述输出指示进行符合上下文的交互对话语境的训练，以得到训练后的大语言模型。

11、在上述技术方案中，进一步的，所述训练后的大语言模型包括：所述交互对话用于判断训练后的大语言模型是否达到预期效果，若未达到，则对输入参数进行修改，得到修改后的输入参数，将修改后的输入参数输入大语言模型重新进行训练，否则，得到达到预期效果的训练后的大语言模型，其中，所述输入参数为所述训练数据和/或所述提示模板。

12、本发明的有益效果是：

13、1.该在模糊测试中生成提示模板的方法，用“先生成、再组合、后优化”的思路，分为任务描述自动生成、获取学习内容与提示筛选等步骤。具体地，首先，根据输入输出示例，基于大规模语言模型动态生成提示任务表述；之后连接不同的输入输出示例组合，形成完整候选提示集合；最后，本方法通过目标模型根据候选提示依次得到输出结果，通过得分反馈机制筛选出结果较好的提示，并用于该任务固定提示，达到优化效果的目的。需注意，本方法共计使用两个大规模语言模型，一个作为辅助模型用于生成任务描述，另一个为待提升应用效果的目标模型。

14、2.该在模糊测试中生成提示模板的方法，学习方法为费曼学习方法，所述使得所述大语言模型按照所述学习方法的学习过程对所述学习内容生成执行结果包括：使得所述大语言模型按照所述费曼学习方法的学习过程对所述学习内容生成执行结果，其中所述学习过程为确定目标、模拟教学、反复理解和总结提炼。

技术特征：

1.在模糊测试中生成提示模板的方法，其特征在于，该方法包括：

2.根据权利要求1所述的在模糊测试中生成提示模板的方法，其特征在于，所述提示模板建立时，连接不同的输入输出示例组合，形成完整候选提示集合，根据输入输出示例，基于大规模语言模型动态生成提示任务表述。

3.根据权利要求1所述的在模糊测试中生成提示模板的方法，其特征在于，所述自动生成任务描述中，设计输入输出示例到任务描述映射提示，利用大模型生成多种任务描述，为了保障任务描述的多样性，动态随机选取输入输出示例，降低固定示例带来的模式受限问题。

4.根据权利要求1所述的在模糊测试中生成提示模板的方法，其特征在于，所述将多种任务描述组合输入输出示例过程中，采用三个维度首先组合输入输出示例，分别为内容、顺序、数量，即不同内容的输入输出组合示例、不同顺序的组合示例以及不同数量的输入输出组合示例，三种维度覆盖不同输入输出示例带来的影响，将多种任务描述依次与组合示例连接，建立完整的提示，并以此得到提示模板。

5.根据权利要求1所述的在模糊测试中生成提示模板的方法，其特征在于，所述学习方法为费曼学习方法，所述使得所述大语言模型按照所述学习方法的学习过程对所述学习内容生成执行结果包括：使得所述大语言模型按照所述费曼学习方法的学习过程对所述学习内容生成执行结果，其中所述学习过程为确定目标、模拟教学、反复理解和总结提炼。

6.根据权利要求1所述的在模糊测试中生成提示模板的方法，其特征在于，所述提示模板包括指令、上下文和输出指示，所述将所述训练数据和所述提示模板输入大语言模型进行训练，以得到训练后的大语言模型包括：将所述训练数据和所述提示模板输入大语言模型，使得所述大语言模型根据所述指令明确自身扮演的角色和需要完成的任务，基于自身扮演的角色和需要完成的任务，按照所述输出指示进行符合上下文的交互对话语境的训练，以得到训练后的大语言模型。

7.根据权利要求1所述的在模糊测试中生成提示模板的方法，其特征在于，所述训练后的大语言模型包括：所述交互对话用于判断训练后的大语言模型是否达到预期效果，若未达到，则对输入参数进行修改，得到修改后的输入参数，将修改后的输入参数输入大语言模型重新进行训练，否则，得到达到预期效果的训练后的大语言模型，其中，所述输入参数为所述训练数据和/或所述提示模板。

技术总结
本发明属于人工智能技术领域，尤其涉及在模糊测试中生成提示模板的方法，该方法包括：获取大数据中各种提示信息，将各种提示信息数据集合，生成提示模板；获取提示模板数据和提示模板输入大语言模型进行训练，以得到训练后的大语言模型，其中训练后的大语言模型能按照所述交互对话语境生成符合所述提示模板的交互对话；对提示模板数据进行筛选，提示筛选时，通过目标模型根据候选提示依次得到输出结果，通过得分反馈机制筛选出结果较好的提示，并用于该任务固定提示，达到优化效果的目的；获取学习内容，将所述学习内容输入训练后的大语言模型，使得所述大语言模型按照所述学习方法的学习过程对所述学习内容生成执行结果。

技术研发人员：陈绍东,董坤,牛永玺,郝文杰,冯晓庆,王肖,苏志生
受保护的技术使用者：固源芯创微（安徽）科技有限公司
技术研发日：
技术公布日：2024/9/23