BroadRouter

फ़्यू-शॉट प्रॉम्प्टिंग (few-shot prompting)

अपडेट किया गया

फ़्यू-शॉट प्रॉम्प्टिंग वह तकनीक है जिसमें प्रॉम्प्ट असली इनपुट से पहले इनपुट-आउटपुट के कुछ हल किए उदाहरण देता है, ताकि लैंग्वेज मॉडल उनसे काम और फ़ॉर्मैट समझ ले। मॉडल के वेट नहीं बदलते; ज़ीरो-शॉट में कोई उदाहरण नहीं होता और वन-शॉट में एक।

अन्य नाम: फ़्यू-शॉट प्रॉम्प्टिंग, उदाहरण वाला प्रॉम्प्ट, few shot prompting kya hai, few-shot prompting, few-shot learning, multishot prompting, in-context examples, one-shot prompting

बताने से बेहतर है दिखाना। कुछ उदाहरण अक्सर नियमों के पूरे पैराग्राफ़ से जल्दी फ़ॉर्मैट और लहजा ठीक कर देते हैं।

यह कैसे काम करती है

Brown और साथियों के GPT-3 पेपर ने यह शब्द आम किया। उसने 175 अरब पैरामीटर वाले मॉडल को ऐसे कामों पर टेस्ट किया जो “specified purely via text interaction with the model” (अनुवाद: पूरी तरह मॉडल के साथ टेक्स्ट बातचीत के ज़रिए बताए गए) थे, बिना ग्रेडिएंट अपडेट या फ़ाइन-ट्यूनिंग के, और पाया कि मॉडल का साइज़ बढ़ने के साथ फ़्यू-शॉट प्रदर्शन काफ़ी सुधरा। पेपर तीन सेटिंग बताता है:

सेटिंग प्रॉम्प्ट में उदाहरण
ज़ीरो-शॉट (zero-shot) कोई नहीं, सिर्फ़ एक निर्देश
वन-शॉट (one-shot) एक
फ़्यू-शॉट (few-shot) कई, कॉन्टेक्स्ट विंडो की सीमा तक

सपोर्ट टिकट पर लेबल लगाने का फ़्यू-शॉट प्रॉम्प्ट कुछ ऐसा दिख सकता है:

Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->

मॉडल पैटर्न को आगे बढ़ाता है। Anthropic की गाइड उदाहरणों को फ़ॉर्मैट, लहजे और ढाँचे को “one of the most reliable ways to steer” (अनुवाद: दिशा देने के सबसे भरोसेमंद तरीक़ों में से एक) कहती है, और कहती है कि वे प्रासंगिक, विविध और टैग में लिपटे हों, ताकि मॉडल उन्हें निर्देशों से अलग पहचान सके।

यह क्यों मायने रखती है

  • फ़ॉर्मैट पर नियंत्रण. उदाहरण वे एज केस दिखाते हैं जो नियमों से छूट जाते हैं, जैसे ख़ाली फ़ील्ड कैसे लिखें। सख़्त JSON के लिए इन्हें स्ट्रक्चर्ड आउटपुट के साथ जोड़ें।
  • लागत. हर उदाहरण हर कॉल पर इनपुट के रूप में दोबारा भेजा जाता है। 200 टोकन के पाँच उदाहरण हर अनुरोध में 1,000 टोकन जोड़ते हैं। तय प्रीफ़िक्स में रखने पर उनका बिल कैश्ड इनपुट टोकन के रूप में बन सकता है।
  • रीज़निंग. जो उदाहरण सिर्फ़ जवाब नहीं, बल्कि चरण भी दिखाते हैं, वे चेन-ऑफ़-थॉट प्रॉम्प्टिंग हैं।
  • कब रुकें. अगर सैकड़ों उदाहरण चाहिए, तो उन्हें हर बार भेजने के बजाय फ़ाइन-ट्यूनिंग प्रति कॉल सस्ती पड़ सकती है।

BroadNet Inference पर

फ़्यू-शॉट प्रॉम्प्टिंग के लिए किसी ख़ास API फ़ीचर की ज़रूरत नहीं; यह messages में सादा टेक्स्ट है। BroadNet usage में cached_tokens बताता है, इसलिए आप देख सकते हैं कि आपका उदाहरण ब्लॉक कैश से पढ़ा जा रहा है या नहीं। PAYG key पर कैश्ड कीमत इनपुट कीमत से कम है; DeepSeek V4.1 Flash पर यह प्रति 1M टोकन $0.0055 है, जबकि इनपुट $0.175। अरबी कामों के लिए अरबी प्रॉम्प्ट इंजीनियरिंग देखें, और उदाहरणों के साथ डॉक्यूमेंट एक्सट्रैक्शन के लिए अरबी इनवॉइस गाइड।

आम ग़लतियाँ

  • ऐसे उदाहरण देना जिन सबका लेबल या लंबाई एक जैसी हो। मॉडल वही झुकाव नक़ल कर लेता है।
  • हर अनुरोध में उदाहरण बदलते रहना। इससे कैश्ड प्रीफ़िक्स टूटता है और नतीजों की तुलना मुश्किल होती है।

अक्सर पूछे जाने वाले सवाल

फ़्यू-शॉट प्रॉम्प्ट में कितने उदाहरण होने चाहिए?

Anthropic सबसे अच्छे नतीजों के लिए 3 से 5 का सुझाव देता है। ज़्यादा उदाहरण हर कॉल पर ज़्यादा इनपुट टोकन ख़र्च करते हैं, इसलिए जब क्वालिटी सुधरना बंद हो जाए तो उन्हें जोड़ना रोक दें।

क्या फ़्यू-शॉट प्रॉम्प्टिंग और फ़ाइन-ट्यूनिंग एक ही चीज़ है?

नहीं। फ़्यू-शॉट उदाहरण प्रॉम्प्ट में रहते हैं और हर अनुरोध में दोबारा भेजे जाते हैं। फ़ाइन-ट्यूनिंग मॉडल के वेट एक बार बदल देती है, जिसके बाद उदाहरण भेजने की ज़रूरत नहीं रहती।

उदाहरण सिस्टम प्रॉम्प्ट में रखें या चैट टर्न के रूप में?

दोनों चलते हैं। उन्हें शुरू के पास एक तय जगह पर रखें, ताकि वे एक स्थिर, कैश होने लायक़ प्रीफ़िक्स बनाएँ।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें