Kluczowe wnioski z badań

• Przykłady radykalnie poprawiają celność. Model Claude 3 Haiku osiągnął zaledwie 11% poprawności bez przykładów, ale już 75% po dodaniu trzech przykładów – dorównując znacznie większym modelom działającym bez przykładów .
• 2–5 przykładów to optymalny zakres. W poradnikach dotyczących prompt engineeringu najczęściej zaleca się właśnie 2–5 przykładów, a badania potwierdzają, że to ilość wystarczająca do osiągnięcia dobrych rezultatów .
• Więcej nie znaczy lepiej. Badanie z arXiv wskazuje na problem „przeciążenia promptu” (over-prompting), gdzie zbyt wiele przykładów obniża wydajność modelu, podważając przekonanie, że zawsze więcej znaczy lepiej .
• Jakość przykładów jest ważniejsza niż ilość. Różnorodne, wysokiej jakości i dobrze dobrane przykłady mogą działać lepiej niż samo dokładanie kolejnych. Niespójne przykłady mogą nauczyć model niespójnych wzorców .
• W zadaniach wymagających rozumowania najpierw sprawdź wersję bez przykładów. Przetestuj działanie modelu bez i z przykładami – w niektórych przypadkach przykłady mogą pogorszyć wyniki .

Praktyczne zalecenia

Na koniec: Używaj przykładów, trzymaj się zakresu 2–5, stawiaj na jakość i różnorodność . Zawsze sprawdzaj, czy Twój konkretny model działa lepiej z przykładami czy bez – zwłaszcza w zadaniach wymagających rozumowania, gdzie dodatkowe przykłady nie zawsze pomagają .

Kluczowe wnioski z badań

• Przykłady radykalnie poprawiają celność. Model Claude 3 Haiku osiągnął zaledwie 11% poprawności bez przykładów, ale już 75% po dodaniu trzech przykładów – dorównując znacznie większym modelom działającym bez przykładów .
• 2–5 przykładów to optymalny zakres. W poradnikach dotyczących prompt engineeringu najczęściej zaleca się właśnie 2–5 przykładów, a badania potwierdzają, że to ilość wystarczająca do osiągnięcia dobrych rezultatów .
• Więcej nie znaczy lepiej. Badanie z arXiv wskazuje na problem „przeciążenia promptu” (over-prompting), gdzie zbyt wiele przykładów obniża wydajność modelu, podważając przekonanie, że zawsze więcej znaczy lepiej .
• Jakość przykładów jest ważniejsza niż ilość. Różnorodne, wysokiej jakości i dobrze dobrane przykłady mogą działać lepiej niż samo dokładanie kolejnych. Niespójne przykłady mogą nauczyć model niespójnych wzorców .
• W zadaniach wymagających rozumowania najpierw sprawdź wersję bez przykładów. Przetestuj działanie modelu bez i z przykładami – w niektórych przypadkach przykłady mogą pogorszyć wyniki .

Praktyczne zalecenia

Na koniec: Używaj przykładów, trzymaj się zakresu 2–5, stawiaj na jakość i różnorodność . Zawsze sprawdzaj, czy Twój konkretny model działa lepiej z przykładami czy bez – zwłaszcza w zadaniach wymagających rozumowania, gdzie dodatkowe przykłady nie zawsze pomagają .