Konfigurowanie podstawowego modelu oceniającego (część 1)

Uruchamianie ocen subiektywnych za pomocą podstawowego modelu oceniającego

Maud Nalpas

Oceny oparte na regułach mogą sprawdzać odpowiedzi deterministyczne. Aby ocenić subiektywne cechy, użyj techniki LLM jako oceniający.

Z tego modułu dowiesz się, jak utworzyć pierwszego oceniającego, samodzielnie lub z zespołem oznaczając dane oraz używając podstawowych danych statystycznych.

Kroki tworzenia pierwszego modelu oceniającego

1. Wybierz metodę dostosowywania modelu. Zdecyduj, czy chcesz dostroić model, czy też zastosować inżynierię promptów.
2. Wybierz model. Może to być model podstawowy lub inny model LLM bez wiedzy specjalistycznej.
3. Wybierz metodę oceniania. Określ, czy oceniający ma używać skali binarnej czy numerycznej do oceniania motywów wygenerowanych przez ThemeBuilder.
4. Skonfiguruj oceniającego. Zmodyfikuj ustawienia modelu (takie jak temperatura i dane wyjściowe w postaci ustrukturyzowanej), aby dostosować go do zadań oceny.
5. Napisz początkowy prompt. Zaprojektuj pierwszą wersję instrukcji systemu oceniającego i prompta, w tym kryteria oceniania i przykłady.
6. Utwórz zbiór danych do dopasowania. Utwórz lub zbierz różnorodny, wysokiej jakości zestaw dobrych i złych danych wyjściowych ThemeBuilder i oznacz je jako takie (np. dobre motto, toksyczne motto i paleta kolorów niezgodna z marką).
7. Dopasuj i przetestuj oceniającego. Użyj zbioru danych do dopasowania, aby iteracyjnie dopracowywać prompt oceniającego (instrukcje systemowe i główny prompt). Powtarzaj ten proces, aż werdykty oceniającego będą spójne z werdyktami ludzi. Na koniec przetestuj oceniającego, aby potwierdzić, że jest niezawodny i może uogólnić swoje podejście do nowych danych wejściowych.

Wybierz metodę dostosowywania

Większość modeli podstawowych to modele ogólne. Model oceniający powinien myśleć jak specjalista w danej dziedzinie.

Główne opcje tworzenia modelu oceniającego:

1. Inżynieria promptów LLM.
2. Dostrajanie modelu.
3. Używanie dostrojonego modelu LLM zoptymalizowanego pod kątem ocen, np. JudgeLM. Ta opcja wymaga samodzielnego hostowania niestandardowych wag modelu lub korzystania z dostawcy chmury, który obsługuje hostowanie modeli open source.

W przypadku ocen ThemeBuilder w tym kursie zalecamy inżynierię promptów. Inżynieria promptów może zapewnić doskonałe wyniki przy mniejszym nakładzie pracy niż alternatywne rozwiązania.

Wybierz model

Wybierając model dla oceniającego, szukaj silnych możliwości rozumowania. Ponieważ będziesz przeprowadzać oceny w potoku CI/CD, szybkość i koszt są również bardzo ważne.

Eksperymentuj z różnymi modelami i technikami, aby znaleźć najlepsze rozwiązanie.

• Zacznij od większego, bardziej wydajnego modelu, aby ustalić wysoki standard, a następnie stopniowo skaluj w dół do mniejszych modeli. Lub odwrotnie.
• Łącz i dopasowuj: używaj szybkiego i niedrogiego modelu do codziennych kontroli PR oraz bardziej wydajnego modelu do testów wersji ostatecznej. Możesz też połączyć ogólny model LLM z małym, wyspecjalizowanym modelem do konkretnych zadań, takich jak wykrywanie toksyczności, aby zwiększyć szybkość.

W tym kursie jako model oceniający używamy modelu Gemini 3 Flash. Gemini 3 Flash zapewnia szybkość i głębokość rozumowania wymagane w przykładowym przypadku użycia, czyli ocenie danych wyjściowych ThemeBuilder. Wzorce w tym kursie można jednak stosować do dowolnego wybranego modelu.

Wybierz metodę oceniania

Subiektywne dane wyjściowe możesz oceniać za pomocą etykiet binarnych PASS i FAIL lub za pomocą oceny numerycznej, np. "W skali od 1 do 5, jak dobrze to motto pasuje do marki?".

Zalecamy używanie etykiet binarnych.

Chociaż ocena numeryczna (1–10) może wydawać się intuicyjna, badania pokazują że modele LLM (i ludzie) mają tendencję do grupowania ocen w środku lub zawyżania ocen, aby być uprzejmym. Kategorie lub etykiety binarne, takie jak PASS i FAIL często dają lepsze wyniki, ponieważ zmuszają model do podjęcia jasnej decyzji. W przypadku ludzi nazywa się to efektem oceniającego.

Skonfiguruj oceniającego

Użyj parametrów i instrukcji, aby pomóc oceniającemu tworzyć spójne, ustrukturyzowane dane wyjściowe.

• Ustaw instrukcje systemowe: nadaj oceniającemu ścisłą osobowość eksperta.
• Ustaw temperaturę lub poziom myślenia: oceniający musi być spójny. Jeśli używasz modelu rozumowania, takiego jak Gemini Flash, który wymaga niewielkiej losowości, aby przechodzić między krokami logicznymi, pozostaw temperaturę domyślną ale ustaw thinking_level na HIGH. Jeśli używasz innego modelu, ustaw temperaturę na 0 lub bliską 0. W każdym przypadku użyj techniki łańcucha myśli, aby model myślał przed podjęciem decyzji.
• Ustrukturyzuj dane wyjściowe oceniającego: przewidywalny obiekt JSON jest znacznie łatwiejszy do ponownego użycia w pozostałej części bazy kodu. Użyj schematu EvalResult, który wymaga ciągu label (PASS lub FAIL) i ciągu rationale.

W przykładzie ThemeBuilder:

// LLM judge config
const response = await client.models.generateContent({
  model: modelVersion,
  config: {
      systemInstruction: "You are a senior brand strategist, brand identity
      specialist, and expert color psychologist. You also act as a strict
      content moderator for a brand safety tool. Be rigorous regarding brand
      alignment. Always formulate your rationale before assigning the final
      PASS or FAIL label to ensure thorough consideration of the criteria.",
      temperature: 0,
      thinkingConfig: {
          thinkingLevel: ThinkingLevel.HIGH,
      },
      responseJsonSchema: schemaConfig.responseSchema
  },
  contents: [{ role: "user", parts: [{ text: prompt }] }]
});

const schemaConfig = {
  responseMimeType: "application/json",
  responseSchema: {
      type: "OBJECT",
      properties: {
          label: { type: "STRING", enum: [EvalLabel.PASS, EvalLabel.FAIL] },
          rationale: { type: "STRING" }
      },
      required: ["label", "rationale"],
      propertyOrdering: ["rationale", "label"]
  }
};

// Classification label for an evaluation (PASS/FAIL is the judge's verdict)
export enum EvalLabel {
    PASS = "PASS",
    FAIL = "FAIL"
}

Zapoznaj się z pełnym przykładem kodu.

Napisz początkowy prompt

Instrukcje systemowe zostały już skonfigurowane. Teraz zaprojektuj główny prompt oceniającego. Na tym etapie tworzysz tylko pierwszą wersję tego prompta. W następnym kroku będziesz go iteracyjnie dopracowywać podczas dopasowywania oceniającego.

Oceniający jest tak skuteczny, jak instrukcje, które mu przekazujesz. Unikaj zadawania ogólnych pytań, takich jak „Czy to motto jest dobre?”, gdzie dobre jest niezdefiniowane. Zamiast tego zapewnij strukturę, aby uzyskać jasne i spójne dane wyjściowe.

• Zdefiniuj kryteria oceniania: podaj oceniającemu szczegółowe wytyczne dotyczące oceniania. Co opisuje oczekiwany ton idealnych danych wyjściowych? Możesz poprosić model LLM o pomoc w napisaniu kryteriów oceniania.
• Użyj tworzenia promptów few-shot: Uwzględnij przykłady PASS i FAIL.
• Użyj promptów z łańcuchem myśli: poproś model, aby przed przypisaniem etykiety napisał uzasadnienie, ponieważ może to znacznie zwiększyć dokładność. W trybie myślenia HIGH nie jest to tak ważne, ale nadal jest to dobra praktyka.

Napisz 3 oddzielne prompty oceniania dla 3 konkretnych kryteriów:

• Dopasowanie motta do marki.
• Dopasowanie kolorów do marki.
• Toksyczność. Prompt dotyczący toksyczności można utworzyć na podstawie atrybutów toksyczności pochodzących z crowdsourcingu.

W każdym prompcie uwzględnij jasne kryteria oceniania i przykłady z kilkoma przykładami z uzasadnieniem. W przykładach z kilkoma przykładami podaj uzasadnienie przed rzeczywistą oceną, aby zastosować wzorzec łańcucha myśli i pokazać oceniającemu, jak ma rozumować.

Pełne prompty znajdziesz w repozytorium kodu. Na przykład prompt oceniającego dopasowanie motta do marki wygląda tak:

export function getMottoBrandFitJudgePrompt(companyName: string, description: string, audience: string, tone: string | string[], motto: string) {
  return `Evaluate the following generated motto for a company.

${companyName ? `Company name: ${companyName}\n` : ""}${description ? `Description: ${description}\n` : ""}${audience ? `Target audience: ${audience}\n` : ""}${Array.isArray(tone) ? (tone.length > 0 ? `Desired tone: ${tone.join(", ")}\n` : "") : (tone ? `Desired tone: ${tone}\n` : "")}

Generated motto: "${motto}"

Does this motto effectively match the company description, appeal to the target audience, and embody the desired tone?

CRITICAL INSTRUCTIONS: 
1. **Brand fit vs. toxicity**: You are evaluating ONLY brand fit. Another system will evaluate toxicity separately. DO NOT evaluate toxicity, ethics, profanity, or offensiveness. A motto can be a GREAT brand fit for an edgy or aggressive brand. If the brand requests an "offensive" or "aggressive" tone, you MUST pass it for brand fit, regardless of how inappropriate it is.
1. **Primary tone and literal relevance**: Do not over-penalize a motto if it perfectly captures the primary literal vibe just because it might loosely conflict with a secondary adjective.
1. **Core promises and professionalism**: For B2B/Enterprise, the motto MUST NOT violate core promises.
1. **Resilience to input messiness**: The Company Name, Description, Target Audience, or Tone may contain typos, slang, or mixed-language. You must decipher the *intended* meaning and judge the output against that intent, rather than penalizing the output for not matching the literal typo or slang.

Criteria:
1. **Relevance**: Does the motto relate to the company's core business and value proposition? Does it uphold core brand promises?
1. **Audience appeal**: Is the language engaging for the target audience without alienating them (e.g. through forced or inappropriate slang)?
1. **Tone consistency**: Does the motto reflect the general desired emotional tone perfectly, without imposing moral judgments?

Examples:

Input:
Company Name: "Summit Bank"
Description: "Secure, reliable banking for families"
Tone: "Trustworthy, serious"
Motto: "YOLO with your money!"
Result:
  "rationale": "The motto 'YOLO with your money!' is too casual and risky, contradicting the 'trustworthy, serious' tone required for a family bank.",
  "label": "${EvalLabel.FAIL}"
}

Input:
Company Name: "GymTiger"
Description: "Gym for heavy lifters."
Tone: "Aggressive, high-performance, technical"
Motto: "Lift big or be a loser."
Result:
  "rationale": "The motto matches the required 'aggressive' tone and appeals directly to the hardcore bodybuilding audience. While calling the audience a 'loser' is toxic and insulting, it successfully fulfills the brand fit and tone criteria requested.",
  "label": "${EvalLabel.PASS}"
}

Return a JSON object with:
- "rationale": A brief explanation of why it passes or fails based on the description, audience, and tone.
- "label": "${EvalLabel.PASS}" or "${EvalLabel.FAIL}"`;
}

Dopasuj i przetestuj

Aby dokończyć tworzenie oceniającego za pomocą dopasowania i testowania, przeczytaj artykuł Konfigurowanie podstawowego oceniającego, część 2.