Ziyosfera

Prompt muhandisligi

(Prompt engineeringdan yoʻnaltirildi)

Промпт муҳандислиги (инглизча: промпт энгинеэринг) — генератив сунъий интеллект (ГенАИ) моделидан муайян ва аниқ натижаларни олиш учун табиий тилдаги киритиш маълумотларини (промптлар деб аталади) структуралаш ва шакллантириш жараёнидир. Контекст муҳандислиги (инглизча: cонтехт энгинеэринг) — бу дастурий таъминот муҳандислигининг турдош йўналиши бўлиб, у ГенАИ моделига тақдим этиладиган промпт ва промптдан ташқари контекстларни (тизимий кўрсатмалар, метамаълумотлар, АПИ воситалари ҳамда токенларни) бошқаришга қаратилган.

Шунингдек, у генератив АИ моделига бериладиган киритиш кўрсатмаларини янада аниқроқ, тегишлироқ ёки фойдалироқ натижалар олиш учун лойиҳалаш ҳамда такомиллаштириш амалиёти сифатида ҳам таърифланади. Самарали промпт муҳандислиги моделнинг тилни қандай талқин қилишини тушунишни талаб этади. Ушбу жараён бир нечта намуналик промптлаш (феw-шот промптинг), фикрлаш занжири (чаин-оф-тҳоугҳт промптинг) ва моделларга муайян ролларни бириктириш каби усулларни ўз ичига олади.

2020-йиллардаги АИ буму даврида промпт муҳандислиги турли корпорациялар ҳамда саноат тармоқларида муҳим бизнес кўникмаси сифатида тан олинди. Ташкилотларда меҳнат ундорлиги ва самарадорликни оширувчи промптларни яратиш учун промпт муҳандиси (инглизча: промпт энгинеэр) лавозимига ходимлар ишга олинди. Бироқ, кейинчалик инсонларга қараганда яхшироқ промптлар ярата оладиган АИ моделларининг пайдо бўлиши ва умумий ходимлар учун киритиш кўрсатмалари бўйича корпоратив тренинглар йўлга қўйилиши натижасида бу алоҳида лавозимга бўлган талаб бироз пасайди.

Кенг тарқалган промптлаш усулларига мулти-шот, фикрлаш занжири (чаин-оф-тҳоугҳт) ва фикрлар дарахти (треэ-оф-тҳоугҳт) усуллари, шунингдек, моделга махсус ролларни юклаш киради. Ахборотни қидириш билан тўлдирилган генерация (РАГ) каби автоматлаштирилган промпт генерацияси усуллари промпт муҳандислари учун юқори аниқлик ҳамда кенгроқ функсионал имкониятларни таъминлайди. Промпт инжексияси эса киберхавфсизлик соҳасидаги ҳужум тури бўлиб, у машинали ўргатиш моделларига ғаразли промптлар юбориш орқали уларни чалғитишга қаратилган.

Атамашунослик

Оксфорд инглиз тили луғати (Охфорд Энглиш Диcтионарй) промпт муҳандислигига қуйидагича таъриф беради: "Сунъий интеллект дастури, алгоритм ва бошқалар учун унинг натижасини оптималлаштириш ёки кутилган натижага эришиш мақсадида промптларни шакллантириш ва такомиллаштириш ҳаракати ёки жараёни; ушбу фаолият билан шуғулланувчи соҳа ёки касб."[1] 2023-йилда "промпт" сўзи ("сунъий интеллект дастури ёки алгоритмига бериладиган, у яратадиган контентни белгилайдиган ёки унга таъсир кўрсатадиган кўрсатма") Оксфорднинг йил сўзи номинациясида иккинчи ўринни эгаллади.[2]

Промпт

Промпт — бу сунъий интеллект (АИ) бажариши керак бўлган вазифани тасвирлайдиган ҳамда белгилайдиган табиий тилдаги матндир.[3] Матндан матн ҳосил қилувчи катта тил модели учун промпт оддий сўров, буйруқ ёки контекст, кўрсатмалар ва суҳбат тарихига ҳаволаларни ўз ичига олган батафсил баёнот бўлиши мумкин. Промпт муҳандислиги аниқ сўровларни лойиҳалаш, сўз бирикмаларини такомиллаштириш, тегишли контекстни тақдим этиш, чиқиш услубини кўрсатиш ҳамда АИ моделини аниқроқ, фойдалироқ ва изчил жавоблар беришга йўналтириш учун махсус характерни тақлид қилишни ўз ичига олади.[4][5]

Матндан тасвир ёки матндан аудио ҳосил қилувчи модел билан мулоқот қилишда одатий промпт кутилаётган натижанинг тасвирини ўз ичига олади. Масалан: "От минаётган космонавтнинг юқори сифатли фотосурати"[6] ёки "Тадбиркорлик намуналарига эга паст темпли электрон мусиқа".[7] Матндан тасвир яратувчи моделларда промпт муҳандислиги кераксиз обект, услуб, макет, ёритиш ва эстетикага эришиш учун қўлланилади.[8]

Усуллар

Промпт муҳандислигининг турли усулларини ифодалаш учун қўлланиладиган асосий атамаларга фикрлаш занжири (чаин-оф-тҳоугҳт),[9] фикрлар дарахти (треэ-оф-тҳоугҳт),[10] ҳамда ахборотни қидириш билан тўлдирилган генерация (РАГ) киради.[11] 2024-йилда ушбу соҳада ўтказилган тадқиқот 50 дан ортиқ матнли промптлаш усулларини, 40 та кўп модалли вариантларни ва 33 та асосий атамани аниқлади. Бу эса соҳада стандартлаштирилган терминологиянинг ҳали шаклланмаганлигини кўрсатади.[12]

Вибе cодинг (Вайб кодлаш) — бу сунъий интеллект ёрдамида дастурий таъминот яратиш усули бўлиб, унда фойдаланувчи катта тил моделига ўзи хоҳлаган функсияни тавсифлаб беради ва кодни генерация қилишни АИ моделига топширади. 2025-йилда "вибе cодинг" ибораси Коллинз инглиз тили луғати (Cоллинс Диcтионарй) томонидан йил сўзи деб топилди.[13]

Контекст муҳандислиги

Контекст муҳандислиги (инглизча: cонтехт энгинеэринг) — фойдаланувчи промптларига ҳамроҳ бўладиган контекст унсурларини (тизимий кўрсатмалар, қидириб олинган билимлар, воситалар таърифи, суҳбат хулосалари ҳамда вазифа метамаълумотлари) бошқаришга қаратилган турдош жараёндир. Контекст муҳандислиги Ишлаб чиқариш тизимларида ЛЛМ моделларнинг ишончлилигини, ахборот манбаларининг аниқлигини ва токенлар самарадорлигини ошириш учун амалга оширилади.[14][15] Бу консепция токенлар бюджетини режалаштириш, манба тегларини бириктириш, контекст воситаларини версиялаш ва обсервабилитй (тизимга қандай контекст берилганини қайд этиш) каби амалиётларга алоҳида эътибор қаратади.[16]

Назарий ва амалий асослар

Ўтказилган тадқиқотлар шуни кўрсатадики, катта тил моделларининг (ЛЛМ) самарадорлиги промптдаги мисолларнинг тартиби, кўрсатилган намуналар сифати ва ҳатто жумлаларнинг кичик ўзгаришларига ҳам жуда таъсирчандир. Баъзи ҳолларда, промпт ичида мисоллар кетма-кетлигини ўзгартириш натижанинг аниқлигини 40 фоиздан ортиққа ўзгартириши кузатилган.[12]

Контекст ичидаги ўрганиш (Ин-cонтехт леарнинг)

Моделнинг киритилган промптлардан вақтинча ўрганиш қобилияти контекст ичидаги ўрганиш (ин-cонтехт леарнинг) деб аталади. Бу хусусият катта тил моделларининг фавқулодда қобилияти (эмергент абилитй) ҳисобланади.[17] Контекст ичида ўрганиш модел ўлчами ортиши билан намоён бўладиган хусусият бўлиб, каттароқ моделларда унинг самарадорлиги кичик моделларга қараганда тезроқ ўсади.[17][18] Тизимий ўргатиш ва нозик созлашдан (фине-тунинг) фарқли равишда, контекст ичидаги ўрганиш вақтинчалик характерга эга.[19] Моделларни контекст ичида ўрганишга ўргатиш жараёнини мета-ўрганиш ёки "ўрганишни ўрганиш" шакли сифатида кўриш мумкин.[20]

Модел таъсирчанлигини баҳолаш

Тадқиқотлар шуни кўрсатадики, ЛЛМ моделлар промпт формати, структураси ҳамда лингвистик хусусиятлардаги кичик ўзгаришларга ҳам ўта таъсирчандир. Баъзи тадқиқотларда формат ўзгартирилганда аниқлик даражаси 76 фоизгача фарқ қилиши аниқланган.[21] Морфологик, синтактик ва лексик-семантик ўзгаришлар каби лингвистик хусусиятлар промпт самарадорлигига сезиларли таъсир кўрсатади.[5][22] Масалан, эргашган гапли синтаксис ахборотни қидиришда изчилликни оширади ва ноаниқликни камайтиради.[23] Ушбу таъсирчанлик ҳатто модел ҳажми катталаштирилганда ёки қўшимча намуналар берилганда ҳам сақланиб қолади.

Моделларнинг таъсирчанлигини баҳолаш учун махсус усуллар таклиф этилган. ФорматСпреад тизими турли хил промпт форматларини баҳолаш орқали тизимли таҳлилни амалга оширади.[21] Промптевал эса турли промптлар бўйича самарадорлик тақсимотини баҳолайди ва чекланган бюджет шароитида аниқ баҳолаш имконини беради.[24]

Промптлаш усуллари

Мулти-шот (Кўп намуналик промптлаш)

Промпт моделга контекст ичида ўрганиш учун бир нечта мисолларни ўз ичига олиши мумкин, бу ЛЛМлар учун бир нечта намуналик ўрганиш (феw-шот леарнинг) усулидир.[9][25] Масалан, промпт моделдан қуйидаги кетма-кетликни тўлдиришни сўраши мумкин: "маисон → уй, чат → мушук, чиэн → ", ва кутилаётган жавоб "ит" сўзи бўлади.[26]

Чаин-оф-тҳоугҳт (Фикрлаш занжири)

Фикрлаш занжири (Чаин-оф-тҳоугҳт / CоТ) — бу катта тил моделларига (ЛЛМ) якуний жавоб беришдан олдин муаммони кетма-кет оралиқ босқичлар кўринишида ҳал қилиш имконини берувчи усулдир. 2022-йилда Гоогле Браин тадқиқотчилари фикрлаш занжири усули моделни фикрлаш босқичлари билан жавоб беришга ундаш орқали унинг автоматлаштирилган мантиқий фикрлаш қобилиятини яхшилашини маълум қилди.[9][27] Ушбу усул ЛЛМ моделларга арифметик ёки мантиқий масалаларни босқичма-босқич ечишда ёрдам бериш учун ишлаб чиқилган.[28]

540 миллиард параметрга эга ПаЛМ тил моделида қўлланилганда, CоТ усули моделга ГСМ8К математик мезонларида (бенчмарк) энг юқори натижаларни кўрсатишга ёрдам берди.[9] Моделларни CоТ маълумотлар топламида нозик созлаш орқали ушбу имкониятни янада ошириш мумкин.[29] Шунингдек, промптга шунчаки "Келинг, буни босқичма-босқич ўйлаб кўрайлик" (Лет'с тҳинк степ-бй-степ) иборасини қўшиш ҳам CоТ усулини нол намуналик (зеро-шот) режимида самарали қўллаш имконини беради.[30]

Селф-cонсистенcй (Ўз-ўзига мослик)

Селф-cонсистенcй усули бир нечта фикрлаш занжирларини амалга оширади ва уларнинг орасидан энг кўп такрорланган ва мантиқан тўғри келган якуний хулосани танлаб олади.[31]

Треэ-оф-тҳоугҳт (Фикрлар дарахти)

Треэ-оф-тҳоугҳт усули фикрлаш занжирини умумлаштириб, бир вақтнинг ўзида бир нечта фикрлаш йўналишларини (шохларини) генерация қилади ҳамда ортга қайтиш ёки бошқа йўлларни ўрганиш имконини беради. У кенглик бўйича қидириш, чуқурлик бўйича қидириш ёки нурли қидириш (беам сеарч) каби дарахт бўйича қидириш алгоритмларидан фойдаланади.[10]

Матндан тасвир яратувчи промптлаш

2022-йилда ДАЛЛ-Э 2, Стабле Диффусион ва Миджоурней каби матндан тасвир яратувчи моделлар оммага тақдим этилди. Ушбу моделлар матнли промптларни қабул қилади ва унга мос тасвирларни генерация қилади.[32]

Тасвирий промпт одатда санъат обектининг тавсифи, восита (масалан, рақамли тасвир ёки фотосурат), услуб (масалан, гиперреализм), ёритиш ва текстурани ўз ичига олади.[33] Сўзларнинг кетма-кетлиги ҳам тасвир натижасига таъсир қилади: промпт бошида келган сўзларга кўпроқ урғу берилади.[34]

Рассом услублари

Баъзи матндан тасвир яратувчи моделлар муайян рассомларнинг услубига тақлид қилиш имкониятига эга. Масалан, Грег Рутковски услубида ибораси полшалик рақамли рассом Грег Рутковскининг ўзига хос услубида тасвирлар яратиш учун ишлатилган.[35] Шунингдек, Винсент ван Гог ва Салвадор Далí каби машҳур рассомлар услубидан ҳам кенг фойдаланилади.[36]

Матн инверсияси ва эмбеддинглар

Матндан тасвир яратувчи моделларда матн инверсияси (техтуал инверсион) намунавий тасвирлар тўплами асосида янги сўз эмбеддингини лойиҳалаштиради. Ушбу эмбеддинг вектори промпт таркибида мисоллар услубини акс эттирувчи "псевдо-сўз" вазифасини ўтайди.[37]

Тасвирий промптлаш

2023-йилда Мета Платформс компанияси Сегмент Анйтҳинг деб номланган компютерли кўриш моделини тақдим этди. Ушбу модел промптлар орқали тасвир сегментациясини бажариши мумкин. Матнли промптларга муқобил равишда, у чегараловчирамкалар ва сегментация ниқобларини қабул қилади.[38]

Чекловлар

Промпт ёзиш ва уни такомиллаштириш жараёни муҳандислик лойиҳалаш амалиётига ўхшаса-да, бир қанча фундаментал чекловлар мавжуд. Самарали промпт стратегиялари муайян моделга ўта даражада боғлиқ бўлиб, бир моделда яхши ишлаган усул бошқасида натижани ёмонлаштириши мумкин. Шунингдек, сўзларнинг жойлашуви ёки тинчлик белгиларидаги кичик ўзгаришлар ҳам модел натижасини кескин ўзгартириб юбориши мумкин.[39]

Бундан ташқари, АИ моделларининг фойдаланувчи мақсадини тўғридан-тўғри тушуниш қобилияти ошиб бораётгани сабабли, кўплаб қўлда бажариладиган промптлаш усуллари ўз аҳамиятини йўқотмоқда.[40]

Автоматлаштирилган промпт генерацияси

Сўнгги тадқиқотлар инсон аралашувисиз промптларни генерация қилиш ва оптималлаштириш учун автоматлаштирилган алгоритмларни ўрганмоқда. Ушбу автоматик усуллар модел градиэнтлари ҳамда эволюцион жараёнларни таҳлил қилиш орқали самарали промпт намуна турларини аниқлашни мақсад қилади.[41]

Ахборотни қидириш билан тўлдирилган генерация (РАГ)

Ахборотни қидириш билан тўлдирилган генерация (Ретриэвал-аугментед генератион / РАГ) — ГенАИ моделларига янги ахборотларни қидириб топиш ҳамда уларни жавобга бириктириш имконини берувчи технологиядир. У фойдаланувчи сўровларига жавоб беришда ташқи ҳужжатлар базасига мурожаат қилади ва моделнинг мавжуд ўргатиш маълумотларини бойитади.[11]

РАГ модели жавоб генерация қилишдан олдин ахборот қидируви (информатион ретриэвал) босқичини амалга оширади. У маълумотлар базаларидан ва юкланган ҳужжатлардан тегишли матнларни динамик равишда тортиб олади. Бу эса АИ моделининг қайта ўргатишсиз аниқроқ жавоб беришига ва АИ галлюцинацияларини камайтиришга хизмат қилади.[42]

Графли ахборот қидируви билан тўлдирилган генерация (ГрапҳРАГ)

ГрапҳРАГ (Миcрософт Ресеарч томонидан киритилган) — РАГ технологиясини билимлар графи билан кенгайтирувчи усул бўлиб, у моделга турли маълумотлар тўпламларини боғлаш ҳамда умумлаштирилган семантик тушунчаларни таҳлил қилиш имконини беради.[43][44]

Промпт яратишда тил моделларидан фойдаланиш

Тил моделларининг ўзидан бошқа тил моделлари учун промптлар тайёрлашда фойдаланиш мумкин.[45] "Автоматик промпт муҳандиси" (Аутоматиc Промпт Энгинеэр) алгоритми қуйидагича ишлайди:

  • Иккита ЛЛМ қўлланилади: мақсадли ЛЛМ ва промптловчи ЛЛМ.
  • Промптловчи ЛЛМга намуна киритиш-чиқариш жуфтликлари берилади ҳамда ушбу натижаларни келтириб чиқариши мумкин бўлган кўрсатмаларни генерация қилиш буюрилади.
  • Ҳар бир кўрсатгич баҳоланади ва энг юқори балл олган кўрсатгичлар қайта такомиллаштирилади.

Ауто-CоТ усулида эса саволлар кутубхонаси БЕРТ каби моделлар орқали векторларга ўтказилади ҳамда кластерланади. Ҳар бир кластер марказига яқин саволлар танлаб олинади ва модел уларга зеро-шот CоТ режимида жавоб беради.[46]

Автоматик промпт оптималлаштириш

Автоматик промпт оптималлаштириш усуллари махсус маълумотлар тўпламидан фойдаланиб, муқобил промпт матнларини қидириш орқали натижани яхшилайди:

  • МИПРО (Мулти-промпт Инструcтион Пропосал Оптимизер) кўп босқичли тил моделлари кўрсатмаларини оптималлаштиради.[47]
  • ГЕПА (Генетиc-Парето) эволюцион қидирув орқали мурожаатларни таҳлил қилади ва мустаҳкамловчи ўргатиш (реинфорcемент леарнинг) усулларига қараганда юқори самарадорлик беради.[48]
  • ДСПй ва Опик каби очиқ кодли фреймворклар ушбу оптималлаштириш воситаларини дастурлаш конвеерларига бириктириш имконини беради.[49]

Градиэнт тушиши орқали промптларни қидириш

Префих-тунинг ёки промпт тунинг усулларида сузувчи нуқтали векторлар бевосита градиэнт тушиши (градиэнт десcент) орқали оптимал кўринишга келтирилади.[50][51] Маскаланган тил моделларида эса АутоПромпт алгоритми токенлар кетма-кетлигини излаш учун градиэнт тушиши ғоясидан фойдаланади.[52]

Тарихи

Структураланган мулоқот тизимларининг дастлабки намуналари 1990-йиллардаги корпоратив автоматлаштириш дастурларида кўринган. Масалан, Кришна К. Мукержи томонидан яратилган Интеллигент Филлинг Манагер (1999) тизими ҳужжатларни автоматик яратиш учун савол-жавоб интерфейсидан фойдаланган.[53] 2018-йилда тадқиқотчилар табиий тилни қайта ишлаш (НЛП) соҳасидаги барча алоҳида вазифаларни умумий савол-жавоб шаклига ўтказиш мумкинлигини таклиф қилди ва кўп вазифали илк моделни ўргатди.[54]

АИ буму даврида моделдан кутилган натижани олиш ҳамда галлюцинацияларнинг олдини олиш учун промптлаш усулларини қўллашга эътибор ошди.[55] 2022-йил ноябр ойида ЧатГПТ тақдим этилгач, промпт муҳандислиги тез орада муҳим бизнес кўникмасига айланди ва корхоналар махсус мутахассисларни ёллай бошлади.[4] Тҳе Wалл Стреэт Жоурнал маълумотларига кўра, промпт муҳандиси касби 2023-йилда энг харидоргир касблардан бири бўлган бўлса-да, моделлар интуициясининг ривожланиши туфайли у ўзининг аввалги долзарблигини бироз йўқотди.[56]

2022-йилда Гоогле тадқиқотчилари томонидан фикрлаш занжири (чаин-оф-тҳоугҳт) усули таклиф этилди.[9][57] 2023-2024 йилларда эса кўплаб очиқ промпт базалари оммага тақдим этилди.[58][59]

Промпт инжексияси

Асосий мақола: Промпт инжексияси

Промпт инжексияси (инглизча: промпт инжеcтион) — бу киберхавфсизлик соҳасидаги заифлик бўлиб, унда тажовузкорлар киритадиган ғаразли маълумотлар машинали ўргатиш ва катта тил моделларининг кутилмаган ҳаракатларни бажаришига олиб келади. Ушбу ҳужум моделнинг дастурчи кўрсатмалари билан фойдаланувчи киритган маълумотларни ажрата олмаслигидан фойдаланиб, хавфсизлик чекловларини айланиб ўтади.[60][61]

Манбалар

  1. ↑ „промпт энгинеэринг“, Охфорд Энглиш Диcтионарй. Охфорд Университй Пресс, 2025. 
  2. ↑ „Охфорд Wорд оф тҳе Еар 2023“ (эн-ГБ). Охфорд Лангуагес. Охфорд Университй Пресс. 2024-йил 31-январда асл нусхадан архивланган. Қаралди: 2026-йил 6-феврал.
  3. ↑ Радфорд, Алеc; Wу, Жеффрей; Чилд, Реwон; Луан, Давид; Амодеи, Дарио „Лангуаге Моделс аре Унсупервисед Мултитаск Леарнерс“. ОпенАИ (2019). — „"Wе демонстрате лангуаге моделс cан перформ доwн-стреам таскс ин а зеро-шот сеттинг – wитҳоут анй параметер ор арчитеcтуре модифиcатион"“. 2021-йил 6-февралда асл нусхадан архивланган. Қаралди: 2023-йил 19-июн.
  4. ↑ 4,0 4,1 Генкина, Дина „АИ Промпт Энгинеэринг ис Деад: Лонг ливе АИ промпт энгинеэринг“. ИЭЭЭ Спеcтрум (2024-йил 6-март). 2025-йил 17-январда асл нусхадан архивланган. Қаралди: 2025-йил 18-январ.
  5. ↑ 5,0 5,1 Wаҳле, Жан Пҳилип; Руас, Террй; Ху, Янг; Гипп, Бела „Парапҳрасе Тйпес Элиcит Промпт Энгинеэринг Cапабилитиэс“, . Проcеэдингс оф тҳе 2024 Cонференcе он Эмпириcал Метҳодс ин Натурал Лангуаге Проcессинг. Миами, Флорида, УСА: Ассоcиатион фор Cомпутатионал Лингуистиcс, 2024 — 11004–11033-бет. ДОИ:10.18653/в1/2024.эмнлп-маин.617. 
  6. ↑ Ҳеавен, Wилл Доуглас „Тҳис ҳорсе-ридинг астронаут ис а милестоне он АИ'с лонг роад тоwардс ундерстандинг“. МИТ Течнологй Ревиэw (2022-йил 6-апрел). Қаралди: 2023-йил 14-август.
  7. ↑ Wиггерс, Кйле „Мета опен соурcес ан АИ-поwеред мусиc генератор“. ТечCрунч (2023-йил 12-июн). — „Нехт, И гаве а море cомплиcатед промпт то аттемпт то тҳроw МусиcГен фор а лооп: "Ло-фи слоw БПМ элеcтро чилл wитҳ органиc самплес."“. Қаралди: 2023-йил 15-август.
  8. ↑ Миттал, Ааюш „Мастеринг АИ Арт: А Cонcисе Гуиде то Миджоурней анд Промпт Энгинеэринг“ (эн-УС). Уните.АИ (2023-йил 27-июл). 2025-йил 9-майда асл нусхадан архивланган. Қаралди: 2025-йил 9-май.
  9. ↑ 9,0 9,1 9,2 9,3 9,4 Wеи, Жасон; Wанг, Хуэзҳи; Счуурманс, Дале; Босма, Маартен; Ичтер, Бриан; Хиа, Феи; Чи, Эд Ҳ.; Ле, Қуоc В. эт ал. (31 Оcтобер 2022). "Чаин-оф-Тҳоугҳт Промптинг Элиcиц Реасонинг ин Ларге Лангуаге Моделс" (эн). 35. Адванcес ин Неурал Информатион Проcессинг Сйстемс (НеурИПС 2022). 
  10. ↑ 10,0 10,1 "Треэ оф Тҳоугҳц: Делиберате Проблем Солвинг wитҳ Ларге Лангуаге Моделс". НеурИПС. 2023. 
  11. ↑ 11,0 11,1 „Wҳй Гоогле'с АИ Овервиэwс гец тҳингс wронг“. МИТ Течнологй Ревиэw (2024-йил 31-май). 2025-йил 3-майда асл нусхадан архивланган. Қаралди: 2025-йил 7-март.
  12. ↑ 12,0 12,1 Счулҳофф, Сандер; Илиэ, Мичаэл; Балепур, Нишант; Каҳадзе, Константине; Лиу, Аманда; Си, Ченглеи; Ли, Йинҳенг; Гупта, Ааюш эт ал. (2024). "Тҳе Промпт Репорт: А Сйстематиc Сурвей оф Промпт Энгинеэринг Течниқуэс". арХив:2406.06608 [cс.CЛ]. 
  13. ↑ Колирин, Лианне „'Вибе cодинг' намед Cоллинс Диcтионарй'с Wорд оф тҳе Еар“ (эн). CНН (2025-йил 6-ноябр). 2025-йил 14-ноябрда асл нусхадан архивланган. Қаралди: 2026-йил 7-феврал.
  14. ↑ Cасей, Матт М. „Cонтехт Энгинеэринг: Тҳе Дисcиплине Беҳинд Релиабле ЛЛМ Апплиcатионс & Агенц“. Cомет (2025-йил 5-ноябр). 2025-йил 11-ноябрда асл нусхадан архивланган. Қаралди: 2025-йил 10-ноябр.
  15. ↑ „Cонтехт Энгинеэринг“. ЛангЧаин (2025-йил 2-июл). 2025-йил 11-ноябрда асл нусхадан архивланган. Қаралди: 2025-йил 10-ноябр.
  16. ↑ Меи, Лингруи (2025-07-17). "А Сурвей оф Cонтехт Энгинеэринг фор Ларге Лангуаге Моделс". арХив:2507.13334 [cс.CЛ]. 
  17. ↑ 17,0 17,1 Wеи, Жасон; Тай, Йи; Боммасани, Риши; Раффел, Cолин; Зопҳ, Баррет; Боргеауд, Себастиан; Ёгатама, Дани; Босма, Маартен эт ал. (Оcтобер 2022). "Эмергент Абилитиэс оф Ларге Лангуаге Моделс". Трансаcтионс он Мачине Леарнинг Ресеарч. ""Ин промптинг, а пре-траинед лангуаге модел ис гивен а промпт (э.г. а натурал лангуаге инструcтион) оф а таск анд cомплетес тҳе респонсе wитҳоут анй фуртҳер траининг ор градиэнт упдатес то иц параметерс... Тҳе абилитй то перформ а таск виа феw-шот промптинг ис эмергент wҳен а модел ҳас рандом перформанcе унтил а cертаин сcале, афтер wҳич перформанcе инcреасес то wелл-абове рандом"" 
  18. ↑ Cабаллеро, Этҳан; Гупта, Кшитиж; Риш, Ирина; Круэгер, Давид (2023). "Брокен Неурал Сcалинг Лаwс". ИCЛР. 
  19. ↑ Муссер, Георге „Ҳоw АИ Кноwс Тҳингс Но Оне Толд Ит“. Сcиэнтифиc Америcан. — „"Бй тҳе тиме ёу тйпе а қуэрй инто ЧатГПТ, тҳе нетwорк шоулд бе фихед; унлике ҳуманс, ит шоулд нот cонтинуэ то леарн. Со ит cаме ас а сурприсе тҳат ЛЛМс до, ин фаcт, леарн фром тҳеир усерс' промпц—ан абилитй кноwн ас ин-cонтехт леарнинг."“. 2023-йил 3-июлда асл нусхадан архивланган. Қаралди: 2023-йил 17-май.
  20. ↑ Гарг, Шивам; Ципрас, Димитрис; Лианг, Перcй; Валиант, Грегорй (2022). "Wҳат Cан Трансформерс Леарн Ин-Cонтехт? А Cасе Студй оф Симпле Фунcтион Cлассес". НеурИПС. "Траининг а модел то перформ ин-cонтехт леарнинг cан бе виэwед ас ан инстанcе оф тҳе море генерал леарнинг-то-леарн ор мета-леарнинг парадигм" 
  21. ↑ 21,0 21,1 "Қуантифйинг Лангуаге Моделс' Сенситивитй то Спуриоус Феатурес ин Промпт Десигн ор: Ҳоw И леарнед то старт wоррйинг абоут промпт форматтинг". ИCЛР. 2024. 
  22. ↑ Леидингер, Алина; ван Рооиж, Роберт; Шутова, Экатерина (2023). Боуамор, Ҳоуда; Пино, Жуан; Бали, Калика. эдс. "Тҳе лангуаге оф промптинг: Wҳат лингуистиc пропертиэс маке а промпт суccессфул?". Финдингс оф тҳе Ассоcиатион фор Cомпутатионал Лингуистиcс: ЭМНЛП 2023 (Сингапоре: Ассоcиатион фор Cомпутатионал Лингуистиcс): 9210–9232. дои:10.18653/в1/2023.финдингс-эмнлп.618. ҳттпс://аcлантҳологй.орг/2023.финдингс-эмнлп.618/. Қаралди: Новембер 18, 2024. Промпт муҳандислиги]]
  23. ↑ Линзбач, Степҳан; Димитров, Димитар; Каллмеер, Лаура; Эванг, Килиан; Жабеэн, Ҳажира „Диссеcтинг Парапҳрасес: Тҳе Импаcт оф Промпт Сйнтах анд супплементарй Информатион он Кноwледге Ретриэвал фром Претраинед Лангуаге Моделс“, . Проcеэдингс оф тҳе 2024 Cонференcе оф тҳе Нортҳ Америcан Чаптер оф тҳе Ассоcиатион фор Cомпутатионал Лингуистиcс: Ҳуман Лангуаге Течнологиэс (Волуме 1: Лонг Паперс). Мехиcо Cитй, Мехиcо: Ассоcиатион фор Cомпутатионал Лингуистиcс, Жуне 2024 — 3645–3655-бет. ДОИ:10.18653/в1/2024.нааcл-лонг.201 (2024-йил 3-ноябрда асл нусхадан архивланган). 
  24. ↑ "Эффиcиэнт мулти-промпт эвалуатион оф ЛЛМс". НеурИПС. 2024. 
  25. ↑ Броwн, Том; Манн, Бенжамин; Рйдер, Ниcк; Суббиаҳ, Меланиэ; Каплан, Жаред Д.; Дҳариwал, Прафулла; Неэлакантан, Арвинд (2020). "Лангуаге моделс аре феw-шот леарнерс". Адванcес ин Неурал Информатион Проcессинг Сйстемс 33: 1877–1901. 
  26. ↑ Гарг, Шивам; Ципрас, Димитрис; Лианг, Перcй; Валиант, Грегорй (2022). "Wҳат Cан Трансформерс Леарн Ин-Cонтехт? А Cасе Студй оф Симпле Фунcтион Cлассес". НеурИПС. 
  27. ↑ Наранг; Чоwдҳерй, Ааканкша „Патҳwайс Лангуаге Модел (ПаЛМ): Сcалинг то 540 Биллион Параметерс фор Бреактҳроугҳ Перформанcе“. аи.гооглеблог.cом (2022-йил 4-апрел). 2022-йил 4-апрелда асл нусхадан архивланган. Қаралди: 2023-йил 14-август.
  28. ↑ Данг, Экта „Ҳарнессинг тҳе поwер оф ГПТ-3 ин сcиэнтифиc ресеарч“. ВентуреБеат (2023-йил 8-феврал). 2023-йил 18-мартда асл нусхадан архивланган. Қаралди: 2023-йил 10-март.
  29. ↑ "Сcалинг Инструcтион-Финетунед Лангуаге Моделс". Жоурнал оф Мачине Леарнинг Ресеарч. 2024. ҳттпс://жмлр.орг/паперс/волуме25/23-0870/23-0870.пдф. Қаралди: Май 9, 2025. Промпт муҳандислиги]]
  30. ↑ Кожима, Такеши; Шихианг Шане Гу; Реид, Мачел; Мацуо, Ютака; Иwасаwа, Юсуке (2022). "Ларге Лангуаге Моделс аре Зеро-Шот Реасонерс". НеурИПС. 
  31. ↑ "Селф-Cонсистенcй Импровес Чаин оф Тҳоугҳт Реасонинг ин Лангуаге Моделс". ИCЛР. 2023. 
  32. ↑ Голдман, Шарон „Тwо еарс афтер ДАЛЛ-Э дебут, иц инвентор ис "сурприсед" бй импаcт“ (эн-УС). ВентуреБеат (2023-йил 5-январ). 2025-йил 18-январда асл нусхадан архивланган. Қаралди: 2025-йил 9-май.
  33. ↑ „Стабле Диффусион промпт: а дефинитиве гуиде“ (2023-йил 14-май). 2023-йил 14-августда асл нусхадан архивланган. Қаралди: 2023-йил 14-август.
  34. ↑ Диаб, Моҳамад; Ҳеррера, Жулиан; Черноw, Боб „Стабле Диффусион Промпт Боок“ (2022-йил 28-октябр). — „"Промпт энгинеэринг ис тҳе проcесс оф струcтуринг wордс тҳат cан бе интерпретед анд ундерстоод бй а техт-то-имаге модел."“. 2023-йил 30-мартда асл нусхадан архивланган. Қаралди: 2023-йил 7-август.
  35. ↑ Ҳеиккилä, Мелисса „Тҳис Артист Ис Доминатинг АИ-Генератед Арт анд Ҳе'с Нот Ҳаппй Абоут Ит“. МИТ Течнологй Ревиэw (2022-йил 16-сентябр). 2023-йил 14-январда асл нусхадан архивланган. Қаралди: 2023-йил 14-август.
  36. ↑ Соломон, Тесса „Тҳе АИ-Поwеред Аск Далí анд Ҳелло Винcент Инсталлатионс Раисе Унcомфортабле Қуэстионс абоут Вентрилоқуизинг тҳе Деад“ (эн-УС). АРТнеwс.cом (2024-йил 28-август). 2025-йил 24-январда асл нусхадан архивланган. Қаралди: 2025-йил 10-январ.
  37. ↑ Гал, Ринон; Алалуф, Ювал; Атзмон, Ювал; Паташник, Ор; Бермано, Амит Ҳ.; Чечик, Гал; Cоҳен-Ор, Даниэл (2023). "Ан Имаге ис Wортҳ Оне Wорд: Персонализинг Техт-то-Имаге Генератион усинг Техтуал Инверсион". ИCЛР. 
  38. ↑ "Сегмент Анйтҳинг". ИCCВ. 2023. ҳттпс://опенаccесс.тҳеcвф.cом/cонтент/ИCCВ2023/паперс/Кириллов_Сегмент_Анйтҳинг_ИCCВ_2023_папер.пдф. 
  39. ↑ Беррй, Давид М. (2026-06-02). "Промпт анхиэтй анд тҳе алгоритҳмиc политиcс оф унcертаинтй" (эн). АИ & Соcиэтй. дои:10.1007/с00146-026-03093-8. ИССН 1435-5655. ҳттпс://дои.орг/10.1007/с00146-026-03093-8. 
  40. ↑ Боусқуэтте, Исабелле. „Тҳе Ҳоттест АИ Жоб оф 2023 Ис Алреадй Обсолете“ (эн-УС). Тҳе Wалл Стреэт Жоурнал (2025-йил 25-апрел). 2025-йил 7-майда асл нусхадан архивланган. Қаралди: 2026-йил 24-май.
  41. ↑ Ли, Wенwу; Wанг, Хиангфенг; Ли, Wенҳао; Жин, Бо (2025). "А Сурвей оф Аутоматиc Промпт Энгинеэринг: Ан Оптимизатион Перспеcтиве". арХив:2502.11560 [cс.АИ]. 
  42. ↑ „Cан а течнологй cаллед РАГ кеэп АИ моделс фром макинг стуфф уп?“. Арс Течниcа (2024-йил 6-июн). 2024-йил 6-июнда асл нусхадан архивланган. Қаралди: 2025-йил 7-март.
  43. ↑ Ларсон, Жонатҳан; Труитт, Стевен (Фебруарй 13, 2024), ГрапҳРАГ: Унлоcкинг ЛЛМ дисcоверй он нарративе привате дата, Миcрософт, Май 7, 2024да асл нусхадан архивланди, қаралди: Май 7, 2024
  44. ↑ „Ан Интродуcтион то Грапҳ РАГ“ (эн-УС). КДнуггец. 2025-йил 20-августда асл нусхадан архивланган. Қаралди: 2025-йил 9-май.
  45. ↑ "Эхплаининг Паттернс ин Дата wитҳ Лангуаге Моделс виа Интерпретабле Аутопромптинг". БлаcкбохНЛП Wоркшоп. 2023. ҳттпс://аcлантҳологй.орг/2023.блаcкбохнлп-1.3.пдф. 
  46. ↑ "Аутоматиc Чаин оф Тҳоугҳт Промптинг ин Ларге Лангуаге Моделс". ИCЛР. 2023. 
  47. ↑ Опсаҳл-Онг, Криста; Рян, Мичаэл Ж.; Пуртелл, Жош; Броман, Давид; Потц, Чристопҳер; Заҳариа, Матеи; Кҳаттаб, Омар (2024). "Оптимизинг Инструcтионс анд Демонстратионс фор Мулти-Стаге Лангуаге Модел Програмс". Проcеэдингс оф тҳе 2024 Cонференcе он Эмпириcал Метҳодс ин Натурал Лангуаге Проcессинг (ЭМНЛП). Миами, Флорида: Ассоcиатион фор Cомпутатионал Лингуистиcс. дои:10.18653/в1/2024.эмнлп-маин.525. 
  48. ↑ Аграwал, Лакшя А. (2025). "ГЕПА: Рефлеcтиве Промпт Эволутион Cан Оутперформ Реинфорcемент Леарнинг". арХив:2507.19457 [cс.CЛ]. 
  49. ↑ Кҳаттаб, Омар (2023). "ДСПй: Cомпилинг Деcларативе Лангуаге Модел Cаллс инто Селф-Импровинг Пипелинес". арХив:2310.03714 [cс.CЛ]. 
  50. ↑ Ли, Хианг Лиса; Лианг, Перcй „Префих-Тунинг: Оптимизинг Cонтинуоус Промпц фор Генератион“, . Проcеэдингс оф тҳе 59тҳ Аннуал Меэтинг оф тҳе Ассоcиатион фор Cомпутатионал Лингуистиcс анд тҳе 11тҳ Интернатионал Жоинт Cонференcе он Натурал Лангуаге Проcессинг (Волуме 1: Лонг Паперс), 2021 — 4582–4597-бет. ДОИ:10.18653/В1/2021.АCЛ-ЛОНГ.353. 
  51. ↑ Лестер, Бриан; Ал-Рфоу, Рами; Cонстант, Ноаҳ „Тҳе Поwер оф Сcале фор Параметер-Эффиcиэнт Промпт Тунинг“, . Проcеэдингс оф тҳе 2021 Cонференcе он Эмпириcал Метҳодс ин Натурал Лангуаге Проcессинг, 2021 — 3045–3059-бет. ДОИ:10.18653/В1/2021.ЭМНЛП-МАИН.243. 
  52. ↑ Шин, Тайлор; Разегҳи, Ясаман; Логан ИВ, Роберт Л.; Wаллаcе, Эриc; Сингҳ, Самеэр „АутоПромпт: Элиcитинг Кноwледге фром Лангуаге Моделс wитҳ Аутоматиcаллй Генератед Промпц“, . Проcеэдингс оф тҳе 2020 Cонференcе он Эмпириcал Метҳодс ин Натурал Лангуаге Проcессинг (ЭМНЛП). Онлине: Ассоcиатион фор Cомпутатионал Лингуистиcс, Новембер 2020 — 4222–4235-бет. ДОИ:10.18653/в1/2020.эмнлп-маин.346 (2023-йил 11-июнда асл нусхадан архивланган). 
  53. ↑ Мукҳержеэ, Кришна C. (1999). "Аутоматинг Формс Публишинг wитҳ тҳе Интеллигент Филинг Манагер". ИЭЭЭ Интернатионал Cонференcе он Сйстемс, Ман, анд Cйбернетиcс. пп. 378–383. дои:10.1109/ИCСМC.1999.814108. 
  54. ↑ МcCанн, Брян; Кескар, Нитиш; Хионг, Cаиминг; Сочер, Ричард (2018-06-20). "Тҳе Натурал Лангуаге Деcатҳлон: Мултитаск Леарнинг ас Қуэстион Ансwеринг". ИCЛР. 
  55. ↑ Кнотҳ, Нилс; Толзин, Антониа; Жансон, Андреас; Леимеистер, Жан Марcо (2024-06-01). "АИ литераcй анд иц имплиcатионс фор промпт энгинеэринг стратегиэс". Cомпутерс анд Эдуcатион: Артифиcиал Интеллигенcе 6. дои:10.1016/ж.cаэаи.2024.100225. ИССН 2666-920Х. 
  56. ↑ Боусқуэтте, Исабелле. „Тҳе Ҳоттест АИ Жоб оф 2023 Ис Алреадй Обсолете“ (эн-УС). Wалл Стреэт Жоурнал (2025-йил 25-апрел). 2025-йил 7-майда асл нусхадан архивланган. Қаралди: 2025-йил 7-май.
  57. ↑ Брубакер, Бен „Ҳоw Чаин-оф-Тҳоугҳт Реасонинг Ҳелпс Неурал Нетwоркс Cомпуте“ (эн). Қуанта Магазине (2024-йил 21-март). 2025-йил 9-майда асл нусхадан архивланган. Қаралди: 2025-йил 9-май.
  58. ↑ Чен, Бриан Х. „Ҳоw то Турн Ёур Чатбот Инто а Лифе Cоач“. Тҳе Неw Ёрк Тимес (2023-йил 23-июн). 2023-йил 14-августда асл нусхадан архивланган. Қаралди: 2023-йил 14-август.
  59. ↑ Чен, Зижиэ; Зҳанг, Личао; Wенг, Фангшенг; Пан, Лили; Лан, Зҳензҳонг „Таилоред Висионс: Энҳанcинг Техт-то-Имаге Генератион wитҳ Персонализед Промпт Реwритинг“, . 2024 ИЭЭЭ/CВФ Cонференcе он Cомпутер Висион анд Паттерн Реcогнитион (CВПР). ИЭЭЭ, 2024-06-16 — 7727–7736-бет. ДОИ:10.1109/cвпр52733.2024.00738. ИСБН 979-8-3503-5300-6. 
  60. ↑ Виглиароло, Брандон „ГПТ-3 'промпт инжеcтион' аттаcк cаусес бот бад маннерс“ (эн). Тҳе Регистер (2022-йил 19-сентябр). 2023-йил 29-мартда асл нусхадан архивланган. Қаралди: 2023-йил 9-феврал.
  61. ↑ „Wҳат ис а промпт инжеcтион аттаcк?“. ИБМ (2024-йил 26-март). 2025-йил 3-мартда асл нусхадан архивланган. Қаралди: 2025-йил 7-март. 
"https://new.ziyosfera.uz/ziyo/Prompt_muhandisligi" dan olindi