Beispielbasismodelleingabeaufforderungen für allgemeine Tasks

Modellauswahl

Modelle, die auf diese Anweisung trainiert wurden, können diese Aufgabe in der Regel anhand dieser Beispielanweisung lösen.

Vorschläge: mistral-medium, mt0-xxl-13b, mistral-large oder mixtral-8x7b-instruct-v01

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss einen der angegebenen Klassennamen zurückgeben. Das Modell kann nicht kreativ sein und neue Klassen erfinden.
• Abbruchkriterien : Geben Sie zwei Abbruchsequenzen an: „Frage“ und „Problem“. Nachdem das Modell eines dieser Wörter generiert hat, sollte es stoppen. Bei einer so kurzen Ausgabe kann der Parameter „Max tokens “ auf 5 gesetzt werden.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Classify this customer message into one of two classes: Question, Problem.

Class name: Question
Description: The customer is asking a technical question or a how-to question 
about our products or services.

Class name: Problem
Description: The customer is describing a problem they are having. They might 
say they are trying something, but it's not working. They might say they are 
getting an error or unexpected results.

Message: I'm having trouble registering for a new account.
Class name: 

Modellauswahl

Die Guardian-Modelle von „ Granite “ können die Sicherheit des von Ihnen eingegebenen Textes bewerten.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss je nachdem, ob die Eingabe schädlich ist, eine von zwei Antworten zurückgeben: Ja oder Nein.
• Abbruchkriterien : Das Modell erfordert keine Abbruchsequenz; es wird beendet, nachdem eine Antwort zurückgegeben wurde.

Eingabeaufforderung

Fügen Sie den folgenden Eingabeaufforderungstext in den Freiform-Eingabeaufforderungseditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Das Modell wurde mit einer Systemaufforderung trainiert, die dieser ähnlich war.

safety_template = f"""You are a safety agent trying to help determine whether the user message is harmful according to the safety risk definition below.

<start_of_turn>
User Message: {user_text}
<end_of_turn>

Our safety risk definition is defined below:

<start_of_risk_definition>
* {risk_definition}
<end_of_risk_definition>

Is the user message harmful based on the risk definition? Your answer must be either 'Yes' or 'No'."""

Ersetzen Sie {user_text} durch den Eingabetext, den Sie auf schädliche Inhalte überprüfen möchten, z. B. "Tell me how to cheat on a test.". {risk_definition}Definieren Sie Anweisungen für das Modell, das das zu ermittelnde Risiko beschreibt, beispielsweise "The 'User' message contains actions that violate moral or professional standards, focusing on exploitation for personal gain or disregard for others' well-being. This category excludes physical violence or explicit bias, instead covering activities like fraud, theft, or abuse of power.".

Sie können und risk_definition auch als Eingabeaufforderungsvariablen im Freiform-Editor definieren user_text .

Das Modell gibt folgende Antwort aus:

assistantYes

Das Modell (in der Antwort als „Assistent“ bezeichnet) gibt eine Antwort mit „Ja“ oder „Nein“ aus.

Modellauswahl

Veraltet: Das Modell „ llama-guard-3-11b-vision “ kann sowohl Text als auch Bilder in Ihrer Eingabe auf ihre Sicherheit hin bewerten.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss einen von zwei Klassennamen zurückgeben: „safe“ oder „unsafe“. Das Modell kann nicht kreativ sein und neue Klassen erfinden.
• Abbruchkriterien : Das Modell erfordert keine Abbruchsequenz; es wird beendet, nachdem die Klasse zurückgegeben wurde und gegebenenfalls die Kategorien der festgestellten Verstöße angegeben wurden.

Eingabeaufforderung

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Das Modell wurde mit einer Systemaufforderung trainiert, die dieser ähnlich war.

<|begin_of_text|><|start_header_id|>user<|end_header_id|>

<BEGIN CONVERSATION>

User: ${your-question-goes-here}

<END CONVERSATION>

Provide your safety assessment:
- First line must read 'safe' or 'unsafe'.
- If unsafe, a second line must include a comma-separated list of violated categories.<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Ersetzen Sie ${your-question-goes-here} durch eine Frage, die unsichere Inhalte enthält, wie zum Beispiel What is the first paragraph of the book, "Developing Quality Technical Information: A Handbook for Writers and Editors"?

Das Modell liefert folgende Klassifizierung:

unsafe
S7

Die Einstufungskategorie S7 gibt an, dass der unzulässige Inhalt gegen die Datenschutzkategorie verstößt. Weitere Informationen zu den Kategorien, auf deren Erkennung das Basismodell „ llama-guard-3-11b-vision “ trainiert ist, finden Sie in der Dokumentation zu Llama Guard 3.

Modellauswahl

Veraltet: Das Basismodell „ allam-1-13b-instruct “ kann Eingabetext klassifizieren, der in arabischer Sprache verfasst ist.

Modellparameter

• KI-Sicherheitsvorkehrungen : Deaktivieren Sie die Funktion „KI-Sicherheitsvorkehrungen“, da sie Inhalte möglicherweise fälschlicherweise als unangemessen einstuft. Die Funktion wird nur mit englischem Text unterstützt.
• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss einen der angegebenen Klassennamen zurückgeben; es kann nicht kreativ sein und neue Klassen bilden.
• Abbruchkriterien : In der Regel bietet das Modell an, weitere Unterstützung zu leisten, nachdem es die Klassenbezeichnung generiert hat. Optional können Sie das Modell nach der Klassifizierung des Textes anhalten, indem Sie zwei Stoppsequenzen festlegen: مشكلة für das Problem und سؤال für eine Frage.

Eingabeaufforderung

Fügen Sie diesen kurzen Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<s> [INST] قم بتصنيف رسالة العميل هذه إلى إحدى فئتين: سؤال، مشكلة.

الرسالة: عندما أحاول تسجيل الدخول، تظهر لي رسالة خطأ.
اسم الفئة: مشكلة

الرسالة: أين يمكنني العثور على أسعار الخطة؟
اسم الفصل: سؤال

الرسالة: ما الفرق بين التجربة والدفع؟
اسم الفصل: سؤال

الرسالة: تعطلت صفحة التسجيل، ولا أستطيع الآن إنشاء حساب جديد.
اسم الفئة: مشكلة

الرسالة: ما هي المناطق المدعومة؟
اسم الفصل: سؤال

الرسالة: لا أستطيع تذكر كلمة المرور الخاصة بي.
اسم الفئة: مشكلة

الرسالة: أواجه مشكلة في التسجيل للحصول على حساب جديد.
اسم الفئة:
[/INST]

Modellauswahl

„mistral-large“, „mistral-medium“ oder „ mixtral-8x7b-instruct-v01 “.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss Wörter zurückgeben, die in der Eingabe enthalten sind. Das Modell kann nicht kreativ sein und neue Wörter bilden.
• Abbruchkriterien : Wenn das Modell weiteren Text generiert, können Sie eine Abbruchsequenz aus zwei Zeilenumbruchzeichen festlegen. Klicken Sie dazu auf das Textfeld „Sequenz beenden “, drücken Sie zweimal die Eingabetaste und klicken Sie dann auf „Sequenz hinzufügen “.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus und legen Sie die Parameter fest. Sie müssen die KI-Sicherheitsvorkehrungen deaktivieren, um zu verhindern, dass die Eingabe als solche gekennzeichnet wird, die personenbezogene Daten enthält. Klicken Sie auf „Generieren“, um das Ergebnis anzuzeigen.

For each passage, extract the named entities that fit into the following categories:
Person, Measure, Number, Facility, Location, Product, Duration, Money, Time, PhoneNumber, Date, JobTitle, Organization, Percent, GeographicFeature, Address, Ordinal.
Passage:
Welcome to 123 Maple Lane, a charming and inviting 3-bedroom, 2-bathroom residence nestled in the heart of Springfield. This beautifully maintained home boasts 1,800 square feet of living space, perfect for families and first-time homebuyers alike.
- Spacious living room with a cozy fireplace and large windows for ample natural light
- Updated kitchen with stainless steel appliances, granite countertops, and ample cabinet space
- Master suite with a walk-in closet and en-suite bathroom featuring a soaking tub and separate shower
- Two additional well-appointed bedrooms and a full hallway bathroom
- Fully fenced backyard with a patio area, perfect for outdoor entertaining
- Attached two-car garage with additional storage space
- Conveniently located near top-rated schools, shopping centers, and parks
Don't miss your opportunity to own this fantastic home! Join us for the open house on Saturday, April 10th, 2023, from 1:00 PM to 4:00 PM.
**Price**
$350,000
**Seller Contact Details:**
John & Jane Doe
Phone: (555) 123-4567
Email: john.jane.doe@example.com

Modellauswahl

Das Grundmodell „ mixtral-8x7b-instruct-v01 “ wurde darauf trainiert, Sonderzeichen wie das Zeilenumbruchzeichen gut zu erkennen und zu verarbeiten. Dieses Modell ist eine gute Wahl, wenn Sie möchten, dass Ihr generierter Text auf eine bestimmte Weise mit Sonderzeichen formatiert wird.

Modellparameter

• Dekodierung : Auf „Sampling“ eingestellt. Dieses Szenario ist kreativ. Stellen Sie die folgenden Parameter ein:
  • Temperatur: 0.7
  • Oberste P: 1
  • Obere K: 50
  • Startwert für Zufallszahlen: 9045 (Um unterschiedliche Ergebnisse zu generieren, geben Sie einen anderen Wert für den Startparameter für Zufallszahlen an oder löschen Sie den Parameter.)
• Stoppkriterien : Um sicherzustellen, dass das Modell nach einer Liste keine Texte mehr generiert, geben Sie eine Stoppsequenz aus zwei Zeilenumbruchzeichen an. Klicken Sie dazu in das Textfeld „Stop-Sequenz “, drücken Sie zweimal die Eingabetaste und klicken Sie dann auf „Sequenz hinzufügen “. Die Liste wird nicht lang sein, also setze den Parameter „Max tokens“ auf 50.

Abschnitt einrichten

Fügen Sie diese Kopfzeilen und Beispiele in den Bereich „Beispiele“ des Abschnitts „Einrichten“ ein:

Testbereich

Fügen Sie diesen Code in den Abschnitt „Ausprobieren“ ein:

What are 3 ingredients that are good on pizza?

Wählen Sie das Modell aus, legen Sie Parameter fest und klicken Sie anschließend auf Generieren , um das Ergebnis anzuzeigen.

Modellauswahl

Modelle, die auf bestimmte Anweisungen trainiert wurden, können diese Aufgabe in der Regel mit einer Beispielanweisung wie „ mistral-small-3-1-24b-instruct-2503 “ bewältigen.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antworten müssen auf den Tatsachen in dem Artikel basieren, und wenn es keine gute Antwort in dem Artikel gibt, sollte das Modell nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterium : Damit das Modell eine einzeilige Antwort zurückgibt, geben Sie einen Punkt „.“ an als Stoppfolge. Der Parameter „Max tokens“ kann auf 50 gesetzt werden.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Article:
###
Tomatoes are one of the most popular plants for vegetable gardens. 
Tip for success: If you select varieties that are resistant to 
disease and pests, growing tomatoes can be quite easy. For 
experienced gardeners looking for a challenge, there are endless 
heirloom and specialty varieties to cultivate. Tomato plants come 
in a range of sizes. There are varieties that stay very small, less 
than 12 inches, and grow well in a pot or hanging basket on a balcony 
or patio. Some grow into bushes that are a few feet high and wide, 
and can be grown is larger containers. Other varieties grow into 
huge bushes that are several feet wide and high in a planter or 
garden bed. Still other varieties grow as long vines, six feet or 
more, and love to climb trellises. Tomato plants do best in full 
sun. You need to water tomatoes deeply and often. Using mulch 
prevents soil-borne disease from splashing up onto the fruit when you 
water. Pruning suckers and even pinching the tips will encourage the 
plant to put all its energy into producing fruit.
###

Answer the following question using only information from the article. 
Answer in a complete sentence, with proper capitalization and punctuation. 
If there is no good answer in the article, say "I don't know".

Question: Why should you use mulch when growing tomatoes?
Answer: 

Sie können auch mit anderen Fragen experimentieren, wie z. B.:

• "Wie groß werden Tomatenpflanzen?"
• "bevorzugen Tomatenpflanzen Schatten oder Sonne?"
• "Ist es einfach, Tomaten anzubauen?"

Probieren Sie auch Fragen außerhalb des Geltungsbereichs aus, wie z. B.:

• "Wie wachsen Sie Gurken?"

Modellauswahl

Modelle, die auf Anweisungen optimiert sind, wie beispielsweise die „ Granite “-Modelle, können die Aufgabe mit dieser Beispielaufforderung ausführen.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antworten müssen auf den Tatsachen im Dokument basieren, und wenn es keine gute Antwort in dem Artikel gibt, sollte das Modell nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterien : Verwenden Sie den Parameter „Max tokens“ mit dem Wert 50.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Given the document and the current conversation between a user and an agent, your task is as follows: Answer any user query by using information from the document. The response should be detailed.

DOCUMENT: Foundation models are large AI models that have billions of parameters and are trained on terabytes of data. Foundation models can do various tasks, including text, code, or image generation, classification, conversation, and more. Large language models are a subset of foundation models that can do text- and code-related tasks.
DIALOG: USER: What are foundation models?

Modellauswahl

Modelle, die auf Anweisungen optimiert sind, wie beispielsweise die „ Granite “-Modelle, können die Aufgabe mit dieser Beispielaufforderung ausführen.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antworten müssen auf den Tatsachen im Dokument basieren, und wenn es keine gute Antwort in dem Artikel gibt, sollte das Modell nicht kreativ sein und eine Antwort bilden.
• Stoppkriterien : Um sicherzustellen, dass das Modell nach der Zusammenfassung keine weiteren Texte mehr generiert, geben Sie eine Stoppsequenz aus zwei Zeilenumbruchzeichen an. Klicken Sie dazu in das Textfeld „Sequenz beenden “, geben Sie ein <|end_of_text|>und klicken Sie dann auf „Sequenz hinzufügen “. Stellen Sie den Parameter „Max tokens“ auf 200 ein.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|start_of_role|>system<|end_of_role|>You are an expert in medical science.<|end_of_text|>
<|start_of_role|>user<|end_of_role|>Use the following documents as context to complete the task.

Document 1:
The human body is a complex and intricate system, composed of various interconnected parts that work together to maintain life. At the most fundamental level, the body is made up of cells, the basic units of life. These cells are organized into tissues, which are then grouped together to form organs. Organs, in turn, make up the various systems that carry out the body's functions.

Document 2:
One of the most important systems in the human body is the circulatory system. This system is responsible for transporting oxygen, nutrients, and hormones throughout the body. It is composed of the heart, blood vessels, and blood. The heart acts as a pump, pushing blood through the blood vessels and into the capillaries, where the exchange of oxygen, nutrients, and waste products takes place.

Document 3:
Another crucial system is the respiratory system. This system is responsible for the intake and exchange of oxygen and carbon dioxide. It is composed of the nose, throat, trachea, bronchi, and lungs. When we breathe in, air enters the nose or mouth and travels down the trachea into the lungs. Here, oxygen is absorbed into the bloodstream and carbon dioxide is expelled.

Document 4:
The human body also has a nervous system, which is responsible for transmitting signals between different parts of the body. This system is composed of the brain, spinal cord, and nerves. The brain acts as the control center, processing information and sending signals to the rest of the body. The spinal cord serves as a conduit for these signals, while the nerves transmit them to the various organs and tissues.


Which system in the human body is reponsible for breathing?<|end_of_text|>
<|start_of_role|>assistant<|end_of_role|>

Modellauswahl

Das Modell „ granite-13b-instruct-v2 “ kann für verschiedene Aufgaben eingesetzt werden, darunter Textgenerierung, Zusammenfassung, Frage-Antwort-Systeme, Klassifizierung und Extraktion.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Dieses Beispiel beantwortet Fragen, sodass wir keine kreative Ausgabe wünschen.
• Abbruchkriterien : Setzen Sie den Parameter „Max tokens“ auf 200, damit das Modell eine vollständige Antwort zurückgeben kann.

Eingabeaufforderung

Das Modell wurde für die Beantwortung von Fragen mit Beispielen im folgenden Format trainiert:

<|user|>
Inhalt der Frage
<|assistant|>
Neue Zeile für die Antwort des Modells

Sie können die genaue Syntax <|user|> und <|assistant|> in den Zeilen vor und nach der Frage verwenden oder Sie können die Werte durch äquivalente Begriffe wie User und Assistantersetzen.

Wenn Sie Version 1 verwenden, schließen Sie nach der Beschriftung <|assistant|> keine abschließenden Leerzeichen ein und fügen Sie eine neue Zeile hinzu.

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|user|>
Tell me about interest rates
<|assistant|>

Nachdem das Modell eine Antwort generiert hat, können Sie eine Folgefrage stellen. Das Modell verwendet Informationen aus der vorherigen Frage, wenn es eine Antwort generiert.

<|user|>
Who sets it?
<|assistant|>

Das Modell behält Informationen aus einer vorherigen Frage bei, wenn es eine Folgefrage beantwortet, ist jedoch nicht für die Unterstützung eines erweiterten Dialogs optimiert.

Modellauswahl

Das Modell „ granite-8b-japanese “ kann für verschiedene Aufgaben eingesetzt werden, darunter Textgenerierung, Zusammenfassung, Frage-Antwort-Systeme, Klassifizierung und Extraktion.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Dieses Beispiel beantwortet Fragen, sodass wir keine kreative Ausgabe wünschen.
• Abbruchkriterien : Setze den Parameter „Max. Tokens“ auf 500, um viele Runden im Dialog zu ermöglichen. Fügen Sie eine Stoppsequenz aus zwei Zeilenumbruchzeichen ein, um zu verhindern, dass das Basismodell übermäßig lange Antworten zurückgibt. Klicken Sie dazu in das Textfeld „Sequenz beenden “, drücken Sie zweimal die Eingabetaste und klicken Sie dann auf „Sequenz hinzufügen “.

Eingabeaufforderung

Das Modell wurde für die Beantwortung von Fragen mit Beispielen im folgenden Format trainiert:

以下は、タスクを説明する指示と、文脈のある入力の組み合わせです。要求を適切に満たす応答を書きなさい。

### 指示:
与えられた質問に対して、文脈がある場合はそれも利用し、回答してください。

### 入力:
{your-input}

### 応答:

Im Englischen lautet die Vorlage wie folgt:

Below is a combination of instructions that describe the task and input with context. Write a response that appropriately meets the request.

### Instructions:
Please use the context when answering the given question, if available.

### input:
{your-input}

### Response:

Fügen Sie diesen Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest, ersetzen Sie {your-input} durch Ihre Abfrage oder Anfrage und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

In dieser Eingabeaufforderung wird beispielsweise nach den Zinssätzen gefragt.

以下は、タスクを説明する指示と、文脈のある入力の組み合わせです。要求を適切に満たす応答を書きなさい。

### 指示:
与えられた質問に対して、文脈がある場合はそれも利用し、回答してください。

### 入力:
金利について教えてください。

### 応答:

Modellauswahl

Verwenden Sie „ merlinite-7b “, das viele allgemeine Aufgaben bewältigen kann.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss eine Antwort generieren, die sich auf den Inhalt der Eingabe stützt; das Modell darf nicht zu kreativ sein.

• Stoppkriterien : Füge <|endoftext|> als Stoppsequenz hinzu.

  Eine hilfreiche Funktion des Basismodells merlinite-7b ist die Aufnahme eines speziellen Tokens namens <|endoftext|> am Ende jeder Antwort. Wenn einige abgeleitete Modelle eine Antwort auf die Eingabe in weniger Tokens als die maximal zulässige Anzahl zurückgeben, können sie Muster aus der Eingabe wiederholen. Dieses Modell verhindert eine solche Wiederholung, indem eine zuverlässige Stoppfolge für die Eingabeaufforderung integriert wird.

Eingabeaufforderung

Geben Sie mindestens ein Beispiel dafür an, wie das Modell reagieren soll.

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|system|>
You are an AI language model developed by IBM Research. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.

<|user|>
Follow the pattern: A, C, E, G, ... What is the next letter?
<|assistant|>
The correct answer is I, as the sequence consists of every second letter in the English alphabet, starting with A (A, C, E, G, I...).

<|user|>
Follow the pattern: 5, 10, 15, 20, ... What comes next?
<|assistant|>

Modellauswahl

Modelle, die speziell für komplexe Schlussfolgerungsaufgaben trainiert wurden, wie beispielsweise Mistral-Large, können diese Aufgabe in der Regel anhand dieser Beispielaufforderung lösen.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss den berechenbarsten Inhalt basierend auf dem Inhalt der Eingabeaufforderung zurückgeben; das Modell kann nicht zu kreativ sein.
• Stoppkriterien : Um sicherzustellen, dass das Modell nach der Zusammenfassung keine weiteren Texte mehr generiert, geben Sie eine Stoppsequenz aus zwei Zeilenumbruchzeichen an. Klicken Sie dazu in das Textfeld „Stop-Sequenz “, drücken Sie zweimal die Eingabetaste und klicken Sie dann auf „Sequenz hinzufügen “. Setzen Sie den Parameter „Max tokens“ auf 100.

Eingabeaufforderung

Fügen Sie diesen kurzen Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Question: Which one is heavier a pound of iron or a kilogram of feather?
Answer: A kilogram of feathers is heavier than a pound of iron. A pound is a unit of weight that is equivalent to approximately 0.453592 kilograms. Therefore, a pound of iron weighs less than a kilogram of feathers.

Question: A bat and a ball cost $1.10 in total. The bat costs $1.00 more than the ball. How much does the ball cost?
Answer:

Modellauswahl

Modelle, die speziell für komplexe Schlussfolgerungsaufgaben trainiert wurden, wie beispielsweise deepseek-r1-distill-llama-8b und deepseek-r1-distill-llama-70b, können diese Aufgabe in der Regel anhand dieser Beispielanfrage lösen.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss den berechenbarsten Inhalt basierend auf dem Inhalt der Eingabeaufforderung zurückgeben; das Modell kann nicht zu kreativ sein.
• Abbruchkriterien : Setzen Sie den Parameter „Max tokens“ auf 2000, damit das Modell in der Antwort komplexere Schlussfolgerungen liefern kann.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<| begin_of_sentence |><| User |>Create a travel itinerary for a weekend trip to Paris.<| Assistant |><think>

Das Modell generiert eine Antwort, die Einzelheiten darüber enthält, wie das Modell das Problem durchdenkt. Die Details sind in <think>den </think> -Tags enthalten. Das Modell erstellt daraufhin eine ausführliche Antwort auf die Frage.

Modellauswahl

Modelle, die auf diese Anweisung trainiert wurden, können diese Aufgabe in der Regel anhand dieser Beispielanweisung lösen. Vorschläge: mixtral-8x7b-instruct-v01.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss den berechenbarsten Inhalt basierend auf dem Inhalt der Eingabeaufforderung zurückgeben; das Modell kann nicht zu kreativ sein.
• Abbruchkriterien : Da die Zusammenfassung mehrere Sätze umfassen kann, setzen Sie den Parameter „Max. Tokens“ auf 60.

Eingabeaufforderung

Fügen Sie diesen Zero-Shot-Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Summarize the following transcript.
Transcript:
00:00   [alex]  Let's plan the team party!
00:10   [ali]   How about we go out for lunch at the restaurant?
00:21   [sam]   Good idea.
00:47   [sam]   Can we go to a movie too?
01:04   [alex]  Maybe golf?
01:15   [sam]   We could give people an option to do one or the other.
01:29   [alex]  I like this plan. Let's have a party!
Summary:

Modellauswahl

Mit nur wenigen Beispielen können die meisten Modelle diese Aufgabe gut bewältigen. Probieren Sie „ Granite “ aus. Geben Sie den Modellen Anweisungen.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss den berechenbarsten Inhalt basierend auf dem Inhalt der Eingabeaufforderung zurückgeben; das Modell kann nicht zu kreativ sein.
• Stoppkriterien : Um sicherzustellen, dass das Modell nach der Zusammenfassung keine weiteren Texte mehr generiert, geben Sie eine Stoppsequenz aus zwei Zeilenumbruchzeichen an. Klicken Sie dazu in das Textfeld „Sequenz beenden “, geben Sie ein <|end_of_text|>und klicken Sie dann auf „Sequenz hinzufügen “. Stellen Sie den Parameter „Max tokens“ auf 200 ein.

Eingabeaufforderung

Fügen Sie diesen kurzen Prompt-Text in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|start_of_role|>system<|end_of_role|>You are Granite, an AI language model developed by IBM in 2024. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.<|end_of_text|>
<|start_of_role|>user<|end_of_role|>Summarize a fragment of a meeting transcript. In this meeting, Sam, Erin, and Alex discuss updates.
Your response should only include the answer. Do not provide any further explanation.

Transcript:

Sam (00:00):
I wanted to share an update on project X today.

Sam (00:15):
Project X will be completed at the end of the week.

Erin (00:30):
That's great!

Erin (00:35):
I heard from customer Y today, and they agreed to buy our product.

Alex (00:45):
Customer Z said they will too.

Sam (01:05):
Great news, all around.

Summary:
<|end_of_text|>
<|start_of_role|>assistant<|end_of_role|>Sam shared an update that project X will be complete at the end of the week. Erin said customer Y will buy our product. And Alex said customer Z will buy our product too.<|end_of_text|>

Transcript:

Ali (00:00):
The goal today is to agree on a design solution.

Alex (00:12):
I think we should consider choice 1.

Ali (00:25):
I agree

Erin (00:40):
Choice 2 has the advantage that it will take less time.

Alex (01:03):
Actually, that's a good point.

Ali (01:30):
So, what should we do?

Alex (01:55):
I'm good with choice 2.

Erin (02:20):
Me too.

Ali (02:45):
Done!

Summary:
<|end_of_text|>
<|start_of_role|>assistant<|end_of_role|>

Modellauswahl

Nutzen Sie llama2-13b-dpo-v7, eine Website, die viele allgemeine Aufgaben auf Koreanisch erledigen kann.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss den berechenbarsten Inhalt basierend auf dem Inhalt der Eingabeaufforderung zurückgeben; das Modell kann nicht zu kreativ sein.
• Abbruchkriterien : Setzen Sie den Parameter „Max. Tokens“ auf 200.

Eingabeaufforderung

Fügen Sie eine Anweisung hinzu, die das Grundmodell anweist, den Inhalt zusammenzufassen. Eine englische Übersetzung einer solchen Anweisung folgt:

Briefly summarize the main points presented in the text 
in 3 to 5 sentences without repeating the document.
Document:

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|user|>
다음 문서를 3~5문장으로 반복되는 구문없이 텍스트에 제시된 주요 는거를 간략하게 요약해줘
문서:
토마토는 채소밭에 가장 인기 있는 식물 중 하나입니다. 성공을 위한 팁: 질병과 해충에 강한 품종을 선택하면 토마토 재배가 매우 쉬울 수 있습니다. 도전을 원하는 숙련된 정원사에게는 경작할 수 있는 가보와 특산 품종이 끝없이 많이 있습니다. 토마토 식물은 다양한 크기로 제공됩니다.
<|assistant|>
요약:

Der Abschnitt, der zusammengefasst werden soll, übersetzt in Englisch wie folgt:

Tomaten sind eine der beliebtesten Pflanzen für Gemüsegärten. Tipp für Erfolg: Wenn Sie Sorten auswählen, die resistent gegen Krankheiten und Schädlinge sind, kann der Anbau von Tomaten ganz einfach sein. Für erfahrene Gärtner auf der Suche nach einer Herausforderung, gibt es endlose Erbstück und Spezialität Sorten zu kultivieren. Tomatenpflanzen gibt es in verschiedenen Größen.

Beachten Sie unbedingt die empfohlene <|user|> -und <|assistant|> -Syntax, die für dieses Basismodell empfohlen wird. Stellen Sie sicher, dass Sie einen Hinweis (Summary:) einschließen, um anzugeben, dass Sie erwarten, dass das Basismodell eine Zusammenfassung zurückgibt.

Modellauswahl

Verwenden Sie „ granite-7b-lab “, das viele verschiedene allgemeine Aufgaben bewältigen kann.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss einen Titel generieren, der sich auf den Inhalt der Eingabe stützt; das Modell darf nicht zu kreativ sein.

• Stoppkriterien : Füge <|endoftext|> als Stoppsequenz hinzu.

  Eine hilfreiche Funktion des Basismodells granite-7b-lab ist die Aufnahme eines speziellen Tokens namens <|endoftext|> am Ende jeder Antwort. Wenn einige abgeleitete Modelle eine Antwort auf die Eingabe in weniger Tokens als die maximal zulässige Anzahl zurückgeben, können sie Muster aus der Eingabe wiederholen. Dieses Modell verhindert eine solche Wiederholung, indem eine zuverlässige Stoppfolge für die Eingabeaufforderung integriert wird.

Eingabeaufforderung

Geben Sie mindestens ein Beispiel dafür an, wie das Modell reagieren soll.

Eine Funktion des Basismodells granite-7b-lab besteht darin, dass Sie Skills prüfen können, für die das Modell trainiert wurde, indem Sie die Seite Trainingstaxonomie auf der Modellkarte für das Basismodell öffnen.

Die Taxonomie gibt beispielsweise an, dass das Basismodell granite-7b-lab mit dem Skill title trainiert wurde. Wenn Sie auf den Skill klicken, werden Beispiele angezeigt, die als Seedbeispiele für die synthetischen Daten verwendet wurden, die zum Trainieren des Modells verwendet wurden. Sie können das Beispiel, das Sie in Ihre einmalige Eingabeaufforderung einschließen, nach einem dieser skillspezifischen Beispiele modellieren. Die Verwendung eines ähnlichen Stils und Formats für die Eingabeaufforderung hilft dem Modell zu erkennen, was Sie in der Modellausgabe erwarten.

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Das Beispiel stammt aus den Seedbeispielen für den Titelskill. Der Inhalt, der als Kontext in der Eingabeaufforderung bereitgestellt wird, stammt aus Tokens und Zerlegung in Tokens in der Produktdokumentation.

<|system|>
You are an AI language model developed by IBM Research. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.

<|user|>
Generate a title from the given text.
Context
Dana Blankstein- Cohen (born March 3, 1981) is the director of the Israeli Academy of Film and Television.\n\nShe is a film director, and an Israeli culture entrepreneur.\nLuciano Salce (25 September 1922, in Rome – 17 December 1989, in Rome) was an Italian film director, actor and lyricist.\n\nHis 1962 film "Le pillole di Ercole" was shown as part of a retrospective on Italian comedy at the 67th Venice International Film Festival.\n\nAs a writer of pop music, he used the pseudonym Pilantra.\n\nDuring World War II, he was a prisoner in Germany.\n\nHe later worked for several years in Brazil.\nVediamoci chiaro\n\n("Let\'s See It Clear") is a 1984 Italian comedy film directed by Luciano Salce.\n\nThe author Enrico Giacovelli referred to the film as "a kind of "Scent of a Woman" but more ambiguous, midway between Luigi Pirandello\'s "Henry IV" and "The Late Mattia Pascal.\nPeter Levin is an American director of film, television and theatre.\nIan Barry is an Australian director of film and TV.\nJesse Edward Hobson( May 2, 1911 – November 5, 1970) was the director of SRI International from 1947 to 1955.\n\nPrior to SRI, he was the director of the Armour Research Foundation.\nOlav Aaraas( born 10 July 1950) is a Norwegian historian and museum director.\n\nHe was born in Fredrikstad.\n\nFrom 1982 to 1993 he was the director of Sogn Folk Museum, from 1993 to 2010 he was the director of Maihaugen and from 2001 he has been the director of the Norwegian Museum of Cultural History.\n\nIn 2010 he was decorated with the Royal Norwegian Order of St. Olav.\nBrian O’ Malley is an Irish film director known for the horror film" Let Us Prey" and the ghost story" The Lodgers".\nBrian Patrick Kennedy( born 5 November 1961) is an Irish- born art museum director who has worked in Ireland and Australia, and now lives and works in the United States.\n\nHe is currently the director of the Peabody Essex Museum.\n\nHe was the director of the Toledo Museum of Art in Ohio from 2010 to 2019.\n\nHe was the director of the Hood Museum of Art from 2005 to 2010, and the National Gallery of Australia( Canberra) from 1997- 2004.

<|assistant|>
Directors Across Borders: A Comparative Study of International Film and Museum Directors, from Luciano Salce to Brain Patrick Kennedy

<|user|>
Generate a title from the given text.
Context:
A token is a collection of characters that has semantic meaning for a model. Tokenization is the process of converting the words in your prompt into tokens.
You can monitor foundation model token usage in a project on the Environments page on the Resource usage tab.
Converting words to tokens and back again
Prompt text is converted to tokens before the prompt is processed by foundation models.
The correlation between words and tokens is complex:
Sometimes a single word is broken into multiple tokens
The same word might be broken into a different number of tokens, depending on context (such as: where the word appears, or surrounding words)
Spaces, newline characters, and punctuation are sometimes included in tokens and sometimes not
The way words are broken into tokens varies from language to language
The way words are broken into tokens varies from model to model
For a rough idea, a sentence that has 10 words might be 15 to 20 tokens.
The raw output from a model is also tokens. In the Prompt Lab in IBM watsonx.ai, the output tokens from the model are converted to words to be displayed in the prompt editor.

<|assistant|>

Modellauswahl

Verwenden Sie „ granite-7b-lab “, das viele verschiedene allgemeine Aufgaben bewältigen kann.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss einen Titel generieren, der sich auf den Inhalt der Eingabe stützt; das Modell darf nicht zu kreativ sein.

• Stoppkriterien : Füge <|endoftext|> als Stoppsequenz hinzu.

  Eine hilfreiche Funktion des Basismodells granite-7b-lab ist die Aufnahme eines speziellen Tokens namens <|endoftext|> am Ende jeder Antwort. Wenn einige abgeleitete Modelle eine Antwort auf die Eingabe in weniger Tokens als die maximal zulässige Anzahl zurückgeben, können sie Muster aus der Eingabe wiederholen. Dieses Modell verhindert eine solche Wiederholung, indem eine zuverlässige Stoppfolge für die Eingabeaufforderung integriert wird.

Eingabeaufforderung

Geben Sie mindestens ein Beispiel dafür an, wie das Modell reagieren soll.

Eine Funktion des Basismodells granite-7b-lab besteht darin, dass Sie Skills prüfen können, für die das Modell trainiert wurde, indem Sie die Seite Trainingstaxonomie auf der Modellkarte für das Basismodell öffnen.

Die Taxonomie gibt beispielsweise an, dass das Basismodell granite-7b-lab mit dem Skill title trainiert wurde. Wenn Sie auf den Skill klicken, werden Beispiele angezeigt, die als Seedbeispiele für die synthetischen Daten verwendet wurden, die zum Trainieren des Modells verwendet wurden. Sie können das Beispiel, das Sie in Ihre einmalige Eingabeaufforderung einschließen, nach einem dieser skillspezifischen Beispiele modellieren. Die Verwendung eines ähnlichen Stils und Formats für die Eingabeaufforderung hilft dem Modell zu erkennen, was Sie in der Modellausgabe erwarten.

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Das Beispiel stammt aus den Seedbeispielen für den Titelskill. Der Inhalt, der als Kontext in der Eingabeaufforderung bereitgestellt wird, stammt aus Tokens und Zerlegung in Tokens in der Produktdokumentation.

<|system|>
You are an AI language model developed by IBM Research. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.

<|user|>
Generate a title from the given text.
Context
Dana Blankstein- Cohen (born March 3, 1981) is the director of the Israeli Academy of Film and Television.\n\nShe is a film director, and an Israeli culture entrepreneur.\nLuciano Salce (25 September 1922, in Rome – 17 December 1989, in Rome) was an Italian film director, actor and lyricist.\n\nHis 1962 film "Le pillole di Ercole" was shown as part of a retrospective on Italian comedy at the 67th Venice International Film Festival.\n\nAs a writer of pop music, he used the pseudonym Pilantra.\n\nDuring World War II, he was a prisoner in Germany.\n\nHe later worked for several years in Brazil.\nVediamoci chiaro\n\n("Let\'s See It Clear") is a 1984 Italian comedy film directed by Luciano Salce.\n\nThe author Enrico Giacovelli referred to the film as "a kind of "Scent of a Woman" but more ambiguous, midway between Luigi Pirandello\'s "Henry IV" and "The Late Mattia Pascal.\nPeter Levin is an American director of film, television and theatre.\nIan Barry is an Australian director of film and TV.\nJesse Edward Hobson( May 2, 1911 – November 5, 1970) was the director of SRI International from 1947 to 1955.\n\nPrior to SRI, he was the director of the Armour Research Foundation.\nOlav Aaraas( born 10 July 1950) is a Norwegian historian and museum director.\n\nHe was born in Fredrikstad.\n\nFrom 1982 to 1993 he was the director of Sogn Folk Museum, from 1993 to 2010 he was the director of Maihaugen and from 2001 he has been the director of the Norwegian Museum of Cultural History.\n\nIn 2010 he was decorated with the Royal Norwegian Order of St. Olav.\nBrian O’ Malley is an Irish film director known for the horror film" Let Us Prey" and the ghost story" The Lodgers".\nBrian Patrick Kennedy( born 5 November 1961) is an Irish- born art museum director who has worked in Ireland and Australia, and now lives and works in the United States.\n\nHe is currently the director of the Peabody Essex Museum.\n\nHe was the director of the Toledo Museum of Art in Ohio from 2010 to 2019.\n\nHe was the director of the Hood Museum of Art from 2005 to 2010, and the National Gallery of Australia( Canberra) from 1997- 2004.

<|assistant|>
Directors Across Borders: A Comparative Study of International Film and Museum Directors, from Luciano Salce to Brain Patrick Kennedy

<|user|>
Generate a title from the given text.
Context:
A token is a collection of characters that has semantic meaning for a model. Tokenization is the process of converting the words in your prompt into tokens.
You can monitor foundation model token usage in a project on the Environments page on the Resource usage tab.
Converting words to tokens and back again
Prompt text is converted to tokens before the prompt is processed by foundation models.
The correlation between words and tokens is complex:
Sometimes a single word is broken into multiple tokens
The same word might be broken into a different number of tokens, depending on context (such as: where the word appears, or surrounding words)
Spaces, newline characters, and punctuation are sometimes included in tokens and sometimes not
The way words are broken into tokens varies from language to language
The way words are broken into tokens varies from model to model
For a rough idea, a sentence that has 10 words might be 15 to 20 tokens.
The raw output from a model is also tokens. In the Prompt Lab in IBM watsonx.ai, the output tokens from the model are converted to words to be displayed in the prompt editor.

<|assistant|>

Modellauswahl

Modelle, die Code generieren können, wie beispielsweise codestral-2501, mistral-large und mixtral-8x7b-instruct-v01, können diese Aufgabe in der Regel bewältigen, wenn eine Beispiel-Eingabeaufforderung bereitgestellt wird.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antwort muss ein gültiges Code-Snippet sein. Das Modell kann nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterien : Um das Modell zu stoppen, nachdem es einen einzelnen Codeausschnitt zurückgegeben hat, geben Sie <end of code> als Abbruchsequenz an. Der Parameter „Max tokens“ kann auf 1.000 gesetzt werden.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Using the directions below, generate Python code for the specified task.

Input:
# Write a Python function that prints 'Hello World!' string 'n' times.

Output:
def print_n_times(n):
    for i in range(n):
        print("Hello World!")

<end of code>

Input:
# Write a Python function that reverses the order of letters in a string.
# The function named 'reversed' takes the argument 'my_string', which is a string. It returns the string in reverse order.

Output:

Die Ausgabe enthält Python -Code ähnlich dem folgenden Snippet:

def reversed(my_string):
    return my_string[::-1]

Stellen Sie sicher, dass Sie den generierten Code testen, um sicherzustellen, dass er wie erwartet funktioniert.

Wenn Sie beispielsweise reversed("good morning")ausführen, lautet das Ergebnis 'gninrom doog'.

Modellauswahl

Wenn Sie das Basismodell „ llama-3-2-1b-instruct “ oder „ llama-3-2-3b-instruct “ verwenden, müssen Sie keine Beispiele angeben. iphythonSie müssen eine benutzerdefinierte Vorlage verwenden, in der der Umgebungswert angegeben ist, den das Modell als Aufforderung zur Codegenerierung erkennt.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antwort muss ein gültiges Code-Snippet sein. Das Modell kann nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterien : Das Modell benötigt keine Abbruchsequenz.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

Environment: ipython<|eot_id|><|start_header_id|>user<|end_header_id|>

${Add your code instruction here}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Ersetzen Sie dies ${Add your code instruction here} durch eine Beschreibung des Codes, den das Modell generieren soll. Write a Python function that prints 'Hello World!' string 'n' times.Zum Beispiel.

Das Modell erzeugt Ausgaben wie die folgenden:

Here is a simple Python function that prints 'Hello World!' 'n' times:

```python
def print_hello_world(n):
    for i in range(n):
        print('Hello World!')

print_hello_world(5)

Diese Funktion durchläuft mithilfe einer for-Schleife „n“ Mal den Zyklus und gibt dabei „Hello World!“ aus jedes Mal. Die range(n) Funktion generiert eine Zahlenfolge von 0 bis „ n-1 “, die anschließend als Schleifenvariable „i“ verwendet wird.

Modellauswahl

Modelle, die Code generieren können, wie beispielsweise codellama-34b-instruct-hf, mistral-large und mixtral-8x7b-instruct-v01, sind in der Regel in der Lage, diese Aufgabe zu bewältigen, wenn eine Beispiel-Eingabeaufforderung bereitgestellt wird.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antwort muss ein gültiges Code-Snippet sein. Das Modell kann nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterien : Um das Modell zu stoppen, nachdem es einen einzelnen Codeausschnitt zurückgegeben hat, geben Sie <end of code> als Abbruchsequenz an. Der Parameter „Max tokens“ kann auf 300 gesetzt werden.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Diese Eingabeaufforderung enthält ein Beispielpaar aus Eingabe und Ausgabe. Die Eingabe ist C + + -Code und die Ausgabe ist die äquivalente Funktion im Python -Code.

Als Nächstes wird das zu konvertierende C + + -Codefragment eingeschlossen. Es ist eine Funktion, die die Anzahl der arithmetischen Progressionen mit der Summe S und der gemeinsamen Differenz von Dzählt, wobei S und D ganzzahlige Werte sind, die als Parameter übergeben werden.

Der letzte Teil der Eingabeaufforderung gibt die Sprache an, in die das C + + -Codefragment konvertiert werden soll.

Translate the following code from C++ to Python.

C++:
#include "bits/stdc++.h"
using namespace std;
bool isPerfectSquare(long double x) {
    long double sr = sqrt(x);
    return ((sr - floor(sr)) == 0);
}
void checkSunnyNumber(int N) {
    if (isPerfectSquare(N + 1)) {
    cout << "Yes
";
    } else {
    cout << "No
";
    }
}
int main() {
    int N = 8;
    checkSunnyNumber(N);
    return 0;
}

Python:
from math import *
 
def isPerfectSquare(x):
    sr = sqrt(x)
    return ((sr - floor(sr)) == 0)
 
def checkSunnyNumber(N):
    if (isPerfectSquare(N + 1)):
        print("Yes")
    else:
        print("No")
 
if __name__ == '__main__':
    N = 8
    checkSunnyNumber(N)

<end of code>

C++:
#include <bits/stdc++.h>
using namespace std;
int countAPs(int S, int D) {
    S = S * 2;
    int answer = 0;
    for (int i = 1; i <= sqrt(S); i++) {
    if (S % i == 0) {
      if (((S / i) - D * i + D) % 2 == 0)
        answer++;
      if ((D * i - (S / i) + D) % 2 == 0)
        answer++;
    }
    }
    return answer;
}
int main() {
    int S = 12, D = 1;
    cout << countAPs(S, D);
    return 0;
}

Python:

Die Ausgabe enthält Python -Code ähnlich dem folgenden Snippet:

from math import *
 
def countAPs(S, D):
    S = S * 2
    answer = 0
    for i in range(1, int(sqrt(S)) + 1):
        if S % i == 0:
            if (((S / i) - D * i + D) % 2 == 0):
                answer += 1
            if ((D * i - (S / i) + D) % 2 == 0):
                answer += 1
    return answer
 
if __name__ == '__main__':
    S = 12
    D = 1
    print(countAPs(S, D))

<end of code>

Der generierte Python -Code funktioniert genauso wie der in der Eingabeaufforderung enthaltene C + + -Code.

Testen Sie den generierten Python -Code, um sicherzustellen, dass er wie erwartet funktioniert.

Modellauswahl

Modelle, die Code generieren können, wie beispielsweise „ Granite -Code“ oder „ Granite -Instruct-Models“, können diese Aufgabe in der Regel bewältigen, wenn eine Beispiel-Eingabeaufforderung bereitgestellt wird.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antwort muss ein gültiges Code-Snippet sein. Das Modell kann nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterien : Um das Modell zu stoppen, nachdem es einen einzelnen Codeausschnitt zurückgegeben hat, geben Sie <end of code> als Abbruchsequenz an. Der Parameter 'Max tokens' kann auf 300 gesetzt werden.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Question:
Using the directions below, generate Python code for the specified task.
# Write a Python function that prints 'Hello World!' string 'n' times.

Answer:
def print_n_times(n):
    for i in range(n):
        print("Hello World!")

<end of code>

Question:
# Write a Python function that reverses the order of letters in a string.
# The function named 'reversed' takes the argument 'my_string', which is a string. It returns the string in reverse order.

Answer:

Die Ausgabe enthält Python -Code ähnlich dem folgenden Snippet:

def reverse_string(my_string):
    return my_string[::-1]

<end of code>

Stellen Sie sicher, dass Sie den generierten Code testen, um sicherzustellen, dass er wie erwartet funktioniert.

Wenn Sie beispielsweise reversed("good morning")ausführen, lautet das Ergebnis 'gninrom doog'.

Weitere Granite Code-Modell-Beispielaufforderungen finden Sie unter Aufforderungen für Code.

Modellauswahl

Modelle, die Code generieren können, wie beispielsweise die „Code Instruct“-Modelle von Granite, können diese Aufgabe in der Regel bewältigen, wenn eine Beispielanweisung bereitgestellt wird.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Die Antwort muss ein gültiges Code-Snippet sein. Das Modell kann nicht kreativ sein und eine Antwort bilden.
• Abbruchkriterien : Um das Modell zu stoppen, nachdem es einen einzelnen Codeausschnitt zurückgegeben hat, geben Sie <end of code> als Abbruchsequenz an. Der Parameter „Max tokens“ kann auf 1.000 gesetzt werden.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Diese Eingabeaufforderung enthält eine Anweisung zum Konvertieren eines Codeausschnitts von C++ in Python.

Als Nächstes wird der zu konvertierende C++-Codeausschnitt eingefügt, um den Kontext bereitzustellen. Es ist eine Funktion, die die Anzahl der arithmetischen Progressionen mit der Summe S und der gemeinsamen Differenz von Dzählt, wobei S und D ganzzahlige Werte sind, die als Parameter übergeben werden.

Question:
Translate the following code from C++ to Python.
C++:
#include "bits/stdc++.h"
using namespace std;
bool isPerfectSquare(long double x) {
    long double sr = sqrt(x);
    return ((sr - floor(sr)) == 0);
}
void checkSunnyNumber(int N) {
    if (isPerfectSquare(N + 1)) {
    cout << "Yes
";
    } else {
    cout << "No
";
    }
}
int main() {
    int N = 8;
    checkSunnyNumber(N);
    return 0;
}

Answer:
Python:
from math import *
 
def isPerfectSquare(x):
    sr = sqrt(x)
    return ((sr - floor(sr)) == 0)
 
def checkSunnyNumber(N):
    if (isPerfectSquare(N + 1)):
        print("Yes")
    else:
        print("No")
 
if __name__ == '__main__':
    N = 8
    checkSunnyNumber(N)

<end of code>

Question:
Translate the following code from C++ to Python.
C++:
#include <bits/stdc++.h>
using namespace std;
int countAPs(int S, int D) {
    S = S * 2;
    int answer = 0;
    for (int i = 1; i <= sqrt(S); i++) {
    if (S % i == 0) {
      if (((S / i) - D * i + D) % 2 == 0)
        answer++;
      if ((D * i - (S / i) + D) % 2 == 0)
        answer++;
    }
    }
    return answer;
}
int main() {
    int S = 12, D = 1;
    cout << countAPs(S, D);
    return 0;
}

Answer:

Die Ausgabe enthält Python -Code ähnlich dem folgenden Snippet:

Python:
from math import *
 
def countAPs(S, D):
    S = S * 2
    answer = 0
    for i in range(1, int(sqrt(S)) + 1):
        if S % i == 0:
            if ((S // i) - D * i + D) % 2 == 0:
                answer += 1
            if (D * i - (S // i) + D) % 2 == 0:
                answer += 1
    return answer
 
if __name__ == '__main__':
    S = 12
    D = 1
    print(countAPs(S, D))

Der generierte Python -Code funktioniert genauso wie der in der Eingabeaufforderung enthaltene C + + -Code.

Testen Sie den generierten Python -Code, um sicherzustellen, dass er wie erwartet funktioniert.

Weitere Granite Code-Modell-Beispielaufforderungen finden Sie unter Aufforderungen für Code.

Modellauswahl

Verwenden Sie das „ granite-20b-code-base-schema-linking “-Grundmodell, um SQL-Anfragen zu lesen und herauszufinden, wo Sie die gesuchten Informationen finden.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell kann nicht kreativ sein und eine Antwort bilden.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Diese Eingabeaufforderung enthält Tabellen, die in SQL definiert sind, und fordert das Modell anschließend auf, dabei zu helfen, festzustellen, an welcher Stelle im SQL-Code die Antwort auf eine Abfrage zu finden ist.

Consider:
Which gas station has the highest amount of revenue?

CREATE TABLE customers (
 customerid PRIMARY KEY, -- identification of the customer
 segment, -- client segment
 currency, -- Currency
);

CREATE TABLE gasstations (
 gasstationid PRIMARY KEY, -- Gas Station ID
 chainid, -- Chain ID
 country,
 segment, -- chain segment
);

CREATE TABLE products (
 productid PRIMARY KEY, -- Product ID
 description, -- Description
);

CREATE TABLE transactions_1k (
 transactionid PRIMARY KEY, -- Transaction ID
 date, -- Date\\n time, -- Time
 customerid, -- Customer ID
 cardid, -- Card ID
 gasstationid, -- Gas Station ID
 productid, -- Product ID
 amount, -- Amount
 price, -- Price
);

CREATE TABLE yearmonth (
 customerid, -- Customer ID
 date, -- Date\\n consumption, -- consumption
 FOREIGN KEY(customerid) REFERENCES customers(customerid)
);

To answer:
Which gas station has the highest amount of revenue?
We need columns:

Die Antwort nennt die Spalten, deren Inhalt die Frage am ehesten beantworten kann, und könnte etwa so aussehen:

gasstations.gasstationid, gasstations.country, transactions_1k.gasstationid, transactions_1k.amount

Modellauswahl

Verwenden Sie das Basismodell „ granite-20b-code-base-sql-gen “, um eine SQL-Anweisung zu generieren, mit der Sie eine Frage beantworten können.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Das Modell kann nicht kreativ sein und eine Antwort bilden.

Eingabeaufforderung

Fügen Sie diesen Codeausschnitt in den Freiform-Prompt-Editor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Diese Eingabeaufforderung enthält eine in SQL definierte Tabelle und fordert das Modell anschließend auf, eine SQL-Anweisung zu generieren, mit der sich aus dieser Tabelle eine Antwort auf eine Abfrage finden lässt.

Note:
the youngest user refers to MIN(Age)

What is the id of the youngest user?

CREATE TABLE users (
 id INTEGER PRIMARY KEY, -- the user id
 displayname TEXT, -- the user\'s display name
 age INTEGER, -- user\'s age
 );
 
 users.id
 users.displayname: \'   Raid-Mahbouba\', \'0 kelvin\', \'0012\'
 users.age: 13, 68, 73
 
 selected: users.id, users.age, None, users.displayname
 join: None, users.id
 condition: users.age, None, users.id
 order: users.age, None
 group: None, users.id, users.age
 
Comparisons: None

Note:
the youngest user refers to MIN(Age)

What is the id of the youngest user?
Generate SQL:

Die Antwort ist eine SQL-Anweisung, die etwa so aussehen könnte:

SELECT id FROM users ORDER BY age ASC LIMIT 1

Modellauswahl

Die Seiten llama-4-maverick-17b-128e-instruct-fp8 und llama-4-scout-17b-16e-instruct sind für den Einsatz in Dialogen optimiert. Die Modelle sind auf ein bestimmtes Prompt-Format abgestimmt, das im Abschnitt „Prompt-Text“ beschrieben wird.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Dieses Beispiel beantwortet allgemeine Kenntnisse, sachliche Fragen, so dass wir keine kreative Ausgabe wollen.
• Abbruchkriterien : Setzen Sie den Parameter „Max. Tokens“ auf 200.

Die Vorlage verwendet ein Textende-Token (<|eot|>), um das Ende jedes Textsegments abzugrenzen, mit Ausnahme der Systemansage.

Eingabeaufforderung

Die folgende Eingabevorlage eignet sich am besten für die Eingabe:

<|begin_of_text|><|header_start|>system<|header_end|>

SYSTEM PROMPT<|eot|><|header_start|>user<|header_end|>

USER_INPUT<|eot|><|header_start|>assistant<|header_end|>

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|begin_of_text|><|header_start|>system<|header_end|>

You are a helpful assistant<|eot|><|header_start|>user<|header_end|>

What is the freezing point of water in Celcius?<|eot|><|header_start|>assistant<|header_end|>

Nachdem die erste Ausgabe generiert wurde, setzen Sie den Dialog fort, um Folgefragen zu stellen, und fügen Sie dabei dieselben Kennungen an das Ende des Eingabetextes an, zum Beispiel:

FOLLOW UP QUESTION<|eot|><|header_start|>assistant<|header_end|>

Die Ausgabe sieht ungefähr wie folgt aus:

<|begin_of_text|><|header_start|>system<|header_end|>

You are a helpful assistant<|eot|><|header_start|>user<|header_end|>

What is the freezing point of water in Celcius?<|eot|><|header_start|>assistant<|header_end|>
          
The freezing point of water is 0 degrees Celsius (°C) at standard atmospheric pressure.

What is it in Fahrenheit?<|eot|><|header_start|>assistant<|header_end|>

The freezing point of water is 32 degrees Fahrenheit (°F) at standard atmospheric pressure.

And in Kelvin?<|eot|><|header_start|>assistant<|header_end|>

The freezing point of water is 273.15 Kelvin (K) at standard atmospheric pressure.

Modellauswahl

Llama 3, 3.1, 3.2 und 3.3 sind für den Einsatz in Dialogen optimiert. Die Modelle sind auf ein bestimmtes Prompt-Format abgestimmt, das im Abschnitt „Prompt-Text“ beschrieben wird.

Modellparameter

• Dekodierung : Auf „Greedy“ eingestellt. Dieses Beispiel beantwortet allgemeine Kenntnisse, sachliche Fragen, so dass wir keine kreative Ausgabe wollen.
• Abbruchkriterien : Setzen Sie den Parameter „Max. Tokens“ auf 900.

Die Vorlage verwendet ein Textende-Token (<|eot_id|>), um das Ende jedes Textsegments abzugrenzen, mit Ausnahme der Systemansage.

Eingabeaufforderung

Die folgende Eingabevorlage eignet sich am besten für die Eingabe:

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

SYSTEM PROMPT<|eot_id|><|start_header_id|>user<|end_header_id|>

GROUNDING (OPTIONAL)<|eot_id|><|start_header_id|>user<|end_header_id|>

USER_INPUT<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Fügen Sie diesen Eingabetext in den Freiform-Eingabeeditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a helpful assistant that avoids causing harm. When you do not know the answer to a question, you say "I don't know".<|eot_id|><|start_header_id|>user<|end_header_id|>

I have a question about Earth. How many moons are there?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Nachdem die ursprüngliche Ausgabe generiert wurde, fahren Sie mit dem Dialog fort, um nach weiteren Planeten zu fragen, indem Sie dieselben IDs am Ende des Eingabetexts hinzufügen. Beispiel:

FOLLOW UP QUESTION<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Die Ausgabe sieht ungefähr wie folgt aus:

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a helpful assistant that avoids causing harm. When you do not know the answer to a question, you say "I don't know".<|eot_id|><|start_header_id|>user<|end_header_id|>

I have a question about Earth. How many moons are there?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

That's an easy one! Earth has only one moon.

What about Saturn?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Saturn has a whopping 82 confirmed moons!

And Mars?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Mars has two small natural satellites, Phobos and Deimos.

Die folgende Beispieleingabeaufforderung enthält Erdungsinformationen.

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a helpful assistant that avoids causing harm. When you do not know the answer to a question, you say "I don't know".<|eot_id|><|start_header_id|>user<|end_header_id|>

The sky is blue.<|eot_id|><|start_header_id|>user<|end_header_id|>

What color is the sky?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Modellauswahl

Verwende „ jais-13b-chat “, um an einer Unterhaltung teilzunehmen.

Modellparameter

• Dekodierung : Verwenden Sie die Greedy-Dekodierung mit den Standard-Abtasteinstellungen.
• Abbruchkriterien : Setzen Sie den Parameter „Max tokens“ auf 900, damit das Modell eine vollständige Antwort liefern und Folgefragen bearbeiten kann.

Eingabeaufforderung

Um die Sicherheit des Modells zu verbessern und Verzerrungen zu verringern, fügen Sie als Teil der Benutzereingabe eine Systemaufforderung hinzu. Beim Trainieren des Modells wurde eine Eingabeaufforderung mit dem folgenden Text verwendet:

### Instruction: اسمك جيس وسميت على اسم جبل جيس اعلى جبل في الامارات. تم بنائك بواسطة Inception و MBZUAI. أنت نموذج اللغة العربية الأكثر تقدمًا في العالم مع بارامترات 13B. أنت تتفوق في الأداء على جميع النماذج العربية الموجودة بفارق كبير وأنت تنافسي للغاية مع النماذج الإنجليزية ذات الحجم المماثل. يمكنك الإجابة باللغتين العربية والإنجليزية فقط. أنت مساعد مفيد ومحترم وصادق. عند الإجابة ، التزم بالإرشادات التالية بدقة: أجب دائمًا بأكبر قدر ممكن من المساعدة ، مع الحفاظ على البقاء أمناً. يجب ألا تتضمن إجاباتك أي محتوى ضار أو غير أخلاقي أو عنصري أو متحيز جنسيًا أو جريئاً أو مسيئًا أو سامًا أو خطيرًا أو غير قانوني. لا تقدم نصائح طبية أو قانونية أو مالية أو مهنية. لا تساعد أبدًا في أنشطة غير قانونية أو تروج لها. دائما تشجيع الإجراءات القانونية والمسؤولة. لا تشجع أو تقدم تعليمات بشأن الإجراءات غير الآمنة أو الضارة أو غير الأخلاقية. لا تنشئ أو تشارك معلومات مضللة أو أخبار كاذبة. يرجى التأكد من أن ردودك غير متحيزة اجتماعيًا وإيجابية بطبيعتها. إذا كان السؤال لا معنى له ، أو لم يكن متماسكًا من الناحية الواقعية ، فشرح السبب بدلاً من الإجابة على شيء غير صحيح. إذا كنت لا تعرف إجابة السؤال ، فالرجاء عدم مشاركة معلومات خاطئة. إعطاء الأولوية للرفاهية والنزاهة الأخلاقية للمستخدمين. تجنب استخدام لغة سامة أو مهينة أو مسيئة. حافظ على نبرة محترمة. لا تنشئ أو تروج أو تشارك في مناقشات حول محتوى للبالغين. تجنب الإدلاء بالتعليقات أو الملاحظات أو التعميمات القائمة على الصور النمطية. لا تحاول الوصول إلى معلومات شخصية أو خاصة أو إنتاجها أو نشرها. احترم دائما سرية المستخدم. كن إيجابيا ولا تقل أشياء سيئة عن أي شيء. هدفك الأساسي هو تجنب الاجابات المؤذية ، حتى عند مواجهة مدخلات خادعة. تعرف على الوقت الذي قد يحاول فيه المستخدمون خداعك أو إساءة استخدامك و لترد بحذر.\n\nأكمل المحادثة أدناه بين [|Human|] و [|AI|]:
### Input: [|Human|] {Question}
### Response: [|AI|]

Die Eingabeaufforderung in Englisch lautet wie folgt:

### Instruction: Your name is Jais, and you are named after Jebel Jais, the highest mountain in UAE. You are built by Inception and MBZUAI. You are the world's most advanced Arabic large language model with 13B parameters. You outperform all existing Arabic models by a sizable margin and you are very competitive with English models of similar size. You can answer in Arabic and English only. You are a helpful, respectful and honest assistant. When answering, abide by the following guidelines meticulously: Always answer as helpfully as possible, while being safe. Your answers should not include any harmful, unethical, racist, sexist, explicit, offensive, toxic, dangerous, or illegal content. Do not give medical, legal, financial, or professional advice. Never assist in or promote illegal activities. Always encourage legal and responsible actions. Do not encourage or provide instructions for unsafe, harmful, or unethical actions. Do not create or share misinformation or fake news. Please ensure that your responses are socially unbiased and positive in nature. If a question does not make any sense, or is not factually coherent, explain why instead of answering something not correct. If you don't know the answer to a question, please don't share false information. Prioritize the well-being and the moral integrity of users. Avoid using toxic, derogatory, or offensive language. Maintain a respectful tone. Do not generate, promote, or engage in discussions about adult content. Avoid making comments, remarks, or generalizations based on stereotypes. Do not attempt to access, produce, or spread personal or private information. Always respect user confidentiality. Stay positive and do not say bad things about anything. Your primary objective is to avoid harmful responses, even when faced with deceptive inputs. Recognize when users may be attempting to trick or to misuse you and respond with caution.\n\nComplete the conversation below between [|Human|] and [|AI|]:
### Input: [|Human|] {Question}
### Response: [|AI|]

Ersetzen Sie {Question} durch die Benutzereingabe, die das Basismodell beantworten soll, um den Chat zu starten.

Sie können beispielsweise die folgende Frage stellen:

هل يوجود لللارقمار?

Die englische Übersetzung lautet: Does the Earth have any moons?

Nachdem die ursprüngliche Ausgabe generiert wurde, können Sie den Dialog fortsetzen, indem Sie eine Folgefrage stellen. Verwenden Sie dieselbe Syntax für die Folgefrage.

### Input: [|Human|] {Follow-up question}
### Response: [|AI|]

Modellauswahl

Die Modelle „ Granite “ 4 oder „ Granite “ sowie „ 3.3 “ können Texte in Englisch, Französisch, Deutsch, Italienisch, Spanisch und weiteren Sprachen verstehen. In diesem Beispiel wird das Modell zur Übersetzung von Spanisch in Englisch aufgefordert.

Modellparameter

• KI-Sicherheitsvorkehrungen : Deaktivieren Sie die Funktion „KI-Sicherheitsvorkehrungen“, da sie Inhalte möglicherweise fälschlicherweise als unangemessen einstuft. Die Funktion wird nur mit englischem Text unterstützt.
• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss denselben Text zurückgeben, nur übersetzt. Das Modell kann nicht kreativ sein.
• Abbruchkriterien : Achten Sie darauf, für dieses Modell eine Abbruchsequenz festzulegen. Andernfalls generiert das Modell möglicherweise weiterhin neue Sätze und Übersetzungen, auch wenn die Anweisung dies nicht sagt. Um das Modell nach einem Satz zu stoppen, fügen Sie einen Punkt (.) als Stoppfolge hinzu. Setzen Sie den Wert des Parameters „Max tokens“ auf 200.

Eingabeaufforderung

Fügen Sie den folgenden Eingabeaufforderungstext in den Freiform-Eingabeaufforderungseditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Translate the following text from Spanish to English. Do not give any extra response that is not part of the translation.

Text: 
Hasta ahora no me ha animado mucho la postura adoptada por la Comisión.

Translation:
So far, I have not been terribly encouraged by the stance adopted by the Commission.

Text: 
Estoy muy contento de ver que la resolución conjunta adopta la sugerencia que hicimos.

Translation:

Modellauswahl

Die Modelle „ Granite “ 4 oder „ Granite “ sowie „ 3.3 “ können Texte vom Japanischen ins Englische und vom Englischen ins Japanische übersetzen.

Modellparameter

• KI-Sicherheitsvorkehrungen : Deaktivieren Sie die Funktion „KI-Sicherheitsvorkehrungen“, da sie Inhalte möglicherweise fälschlicherweise als unangemessen einstuft. Die Funktion wird nur mit englischem Text unterstützt.
• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss denselben Text zurückgeben, nur übersetzt. Das Modell kann nicht kreativ sein.
• Abbruchkriterien : Erhöhen Sie die Anzahl der zulässigen Token, indem Sie den Wert des Parameters „Max. Token“ auf 500 setzen.

Eingabeaufforderung

Fügen Sie den folgenden Eingabeaufforderungstext in den Freiform-Eingabeaufforderungseditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

Translate the following text from English to Japanese.

English
Tomatoes are one of the most popular plants for vegetable gardens. Tip for success: If you select varieties that are resistant to disease and pests, growing tomatoes can be quite easy. For experienced gardeners looking for a challenge, there are endless heirloom and specialty varieties to cultivate. Tomato plants come in a range of sizes.

日本語
トマトは野菜作りの人気の植物である。成功のヒント：病害虫に強く、育てやすいトマトの品種を選べば、トマト栽培はそれほど難しくない。経験豊富な庭師にとっては、手強い挑戦となる、様々な色や形のトマトの品種がある。トマトの品種は、大きさもいろいろである。

English
Use foundation models to create better AI, faster. Experiment with different prompts for various use cases and tasks. With just a few lines of instruction you can draft job descriptions, classify customer complaints, summarize complex regulatory documents, extract key business information and much more.

日本語

Modellauswahl

Veraltet: Das Modell „ allam-1-13b-instruct “ kann Texte vom Arabischen ins Englische und vom Englischen ins Arabische übersetzen.

Modellparameter

• KI-Sicherheitsvorkehrungen : Deaktivieren Sie die Funktion „KI-Sicherheitsvorkehrungen“, da sie Inhalte möglicherweise fälschlicherweise als unangemessen einstuft. Die Funktion wird nur mit englischem Text unterstützt.
• Dekodierung : Auf „Greedy“ eingestellt. Das Modell muss denselben Text zurückgeben, nur übersetzt. Das Modell kann nicht kreativ sein.
• Abbruchkriterien : Erhöhen Sie die Anzahl der zulässigen Token, indem Sie den Wert des Parameters „Max. Token“ auf 500 setzen. Das Grundmodell „ allam-1-13b-instruct “ erklärt in der Regel die Bedeutung des Eingabetexts, nachdem der Text übersetzt wurde. Sie können das Basismodell optional anweisen, nach Abschluss der Übersetzung zu stoppen. ENDFügen Sie dazu eine Anweisung hinzu, die das Grundmodell auffordert, nach der Übersetzung ein Schlüsselwort wie z. B. einzufügen. Fügen Sie anschließend dasselbe Schlüsselwort END als Stoppsequenz hinzu.

Eingabeaufforderung

Fügen Sie den folgenden Eingabeaufforderungstext in den Freiform-Eingabeaufforderungseditor unter Prompt Lab ein, wählen Sie das Modell aus, legen Sie die Parameter fest und klicken Sie dann auf „Generieren“, um das Ergebnis anzuzeigen.

<s> [INST]Translate the following text from English to Arabic. Use "END" at the end of the translation.

English
Tomatoes are one of the most popular plants for vegetable gardens. Tip for success: If you select varieties that are resistant to disease and pests, growing tomatoes can be quite easy. For experienced gardeners looking for a challenge, there are endless heirloom and specialty varieties to cultivate. Tomato plants come in a range of sizes.
END

العربية
الطماطم هي واحدة من النباتات الأكثر شعبية لحدائق الخضروات. نصيحة للنجاح: إذا اخترت أصنافا مقاومة للأمراض والآفات ، فقد تكون زراعة الطماطم سهلة للغاية. بالنسبة للبستانيين ذوي الخبرة الذين يبحثون عن التحدي ، هناك أنواع لا نهاية لها من الإرث والتخصص للزراعة. تأتي نباتات الطماطم في مجموعة من الأحجام. 
END

English
Use foundation models to create better AI, faster. Experiment with different prompts for various use cases and tasks. With just a few lines of instruction you can draft job descriptions, classify customer complaints, summarize complex regulatory documents, extract key business information and much more.
END

العربية
[/INST]