下面是一个示例，比较了使用定制特定模型和标准 LLM 时 Uma 的输出，帮助客户确定为宠物店业务寻找 Web 开发人员的下一步。定制模型建立在 Llama3.1 等开源模型上，与其他预训练 LLM 相比，，并且具有大量可定制的微调和架构修改。 Uma 在一些具体方面做得很好，这让它对我们的客户更有用。首先，它会提出更连贯的问题。它需要时间来了解用户在寻找什么，并提出具体的后续问题以找到问题的根源，以便它能够最好地提供答案和指导。
它还会进行更长的对话，从用户那里收集更多信息，以便更好地 印度尼西亚电报手机号码列表 为特定任务提供指导。其次，Uma 接受了 Upwork 上收集的大量丰富历史信号的训练，因此可以从解决问题的具体示例中汲取经验。在这种情况下，它首先分享了开始寻找网络托管服务的建议，因为它知道这在过去是 Upwork 上客户解决此问题的成功策略。另一方面，预先训练的 LLM 提供了一个潜在的散点图，其中的模糊响应可能是用户问题的答案，但并没有给出精确的解决方案。
它也无法进行对话来更多地了解用户真正需要什么，它纯粹是从互联网数据中获取的，这些数据可能对用户来说是可行的，也可能不是。 Uma 模型与预训练的 LLM 相比存在明显差异，这凸显了创建满足客户特定用例需求的自定义工作流程的重要性。 Uma 助力未来工作 关于人工智能的最后一个想法：英国统计学家乔治·博克斯曾经说过：“所有统计模型都是错误的，但有些是有用的。”他想指出的是，尽管统计模型通常是有用的工具，但它们仍然相当做作，无法忠实地模拟我们现实的全部复杂性。