【技术实现步骤摘要】
本说明书涉及计算机，尤其涉及一种基于公式学习的大模型微调方法、装置及存储介质。
技术介绍
1、大模型（large language model，llm）指具有大规模参数和复杂计算结构的机器学习模型，具有强大的数据生成能力，在问答任务中应用广泛。
2、目前，主要通过普通文本数据对大模型进行训练，由于公式中的变量通常具有特定的含义，大模型仅仅通过普通文本数据中变量本身的字符表示，难以确定变量的含义，以至于通用的大模型对于涉及公式计算的数学、物理等理科问题，往往很难给出准确的答案。
3、基于此，本说明书提供一种基于公式学习的大模型微调方法。
技术实现思路
1、本说明书提供一种基于公式学习的大模型微调方法、装置、存储介质及电子设备，以至少部分地解决现有技术存在的上述问题。
2、本说明书采用下述技术方案：
3、本说明书提供了一种基于公式学习的大模型微调方法，包括：
4、获取包含公式的原始文本，识别所述原始文本中的公式，以及识别所述原始文本中
【技术保护点】
1.一种基于公式学习的大模型微调方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，识别所述原始文本中的公式，以及识别所述原始文本中公式的候选变量，具体包括：
3.如权利要求1所述的方法，其特征在于，根据该公式的上下文内容，确定该公式对应的目标文本，具体包括：
4.如权利要求1所述的方法，其特征在于，确定所述目标文本中的候选变量，并在该公式中确定与所述候选变量一致的匹配变量，具体包括：
5.如权利要求1所述的方法，其特征在于，在该公式中确定与所述候选变量一致的匹配变量，具体包括：
6.如权利要求...
【技术特征摘要】
1.一种基于公式学习的大模型微调方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，识别所述原始文本中的公式，以及识别所述原始文本中公式的候选变量，具体包括：
3.如权利要求1所述的方法，其特征在于，根据该公式的上下文内容，确定该公式对应的目标文本，具体包括：
4.如权利要求1所述的方法，其特征在于，确定所述目标文本中的候选变量，并在该公式中确定与所述候选变量一致的匹配变量，具体包括：
5.如权利要求1所述的方法，其特征在于，在该公式中确定与所述候选变量一致的匹配变量，具体包括：
...
【专利技术属性】
技术研发人员：王海平，高枫，邹常青，龙沁沁，王军，魏一雄，
申请(专利权)人：之江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。