《人工智能基礎(chǔ)與應(yīng)用》課件-任務(wù)10 認(rèn)知智能-機(jī)器如何懂語(yǔ)義、會(huì)思考

AI遇見(jiàn)應(yīng)用

興趣引領(lǐng)未來(lái)項(xiàng)目三認(rèn)知人工智能的應(yīng)用技術(shù)任務(wù)三認(rèn)知智能——機(jī)器如何懂語(yǔ)義、會(huì)思考人工智能基礎(chǔ)與應(yīng)用

項(xiàng)目三認(rèn)知人工智能的應(yīng)用技術(shù)目錄人工智能基礎(chǔ)與應(yīng)用

項(xiàng)目三認(rèn)知人工智能的應(yīng)用技術(shù)任務(wù)三認(rèn)知智能——機(jī)器如何懂語(yǔ)義、會(huì)思考教學(xué)目標(biāo)教學(xué)要求內(nèi)容概覽相關(guān)知識(shí)3.3.1

認(rèn)知自然語(yǔ)言處理及應(yīng)用 3.3.2

走近知識(shí)圖譜3.3.3

數(shù)據(jù)智能推動(dòng)人機(jī)協(xié)同3.3.4大語(yǔ)言模型從量變到質(zhì)變

練習(xí)與思考 【教學(xué)目標(biāo)】1.理解并掌握自然語(yǔ)言處理的含義及常見(jiàn)應(yīng)用2.初步學(xué)習(xí)知識(shí)圖譜的內(nèi)涵、體系及應(yīng)用3.了解數(shù)據(jù)智能的定義、發(fā)展目標(biāo)及數(shù)據(jù)中臺(tái)的意義4.了解大語(yǔ)言模型及其訓(xùn)練方式

什么是自然語(yǔ)言處理？（NaturalLanguageProcessing，簡(jiǎn)稱NLP）自然語(yǔ)言處理的目標(biāo)是彌補(bǔ)人類交流(自然語(yǔ)言)與計(jì)算機(jī)理解(機(jī)器語(yǔ)言)之間的差距，最終實(shí)現(xiàn)計(jì)算機(jī)在理解自然語(yǔ)言上像人類一樣智能，使計(jì)算機(jī)擁有能夠理解、處理、并使用人類語(yǔ)言的能力。一、認(rèn)知自然語(yǔ)言處理及應(yīng)用

自然語(yǔ)言處理的常見(jiàn)應(yīng)用“機(jī)器翻譯”讓世界變成真正意義上的地球村，因其效率高、成本低滿足了全球各國(guó)多語(yǔ)言信息快速翻譯的需求?！扒楦蟹治觥笨梢詮拇罅繑?shù)據(jù)中識(shí)別和吸收相關(guān)信息，而且能夠判斷出一段文字所表達(dá)觀點(diǎn)和態(tài)度的正負(fù)面性?！爸悄軉?wèn)答”能夠指利用計(jì)算機(jī)自動(dòng)回答用戶所提出的問(wèn)題?！皞€(gè)性化推薦”可以依據(jù)大數(shù)據(jù)和歷史行為記錄，學(xué)習(xí)用戶興趣愛(ài)好，實(shí)現(xiàn)對(duì)用戶意圖的精準(zhǔn)理解，實(shí)現(xiàn)精準(zhǔn)匹配?！拔谋痉诸悺蓖ㄟ^(guò)分析郵件中的文本內(nèi)容，能夠相對(duì)準(zhǔn)確地判斷郵件是否為垃圾郵件。收集郵件中的特征詞生成垃圾詞庫(kù)和非垃圾詞庫(kù)。一、認(rèn)知自然語(yǔ)言處理及應(yīng)用

自然語(yǔ)言處理的常見(jiàn)應(yīng)用電子商務(wù)背后的自然語(yǔ)言處理應(yīng)用分析用戶詞句：對(duì)客戶精準(zhǔn)理解個(gè)性化推薦：幫助選擇困難癥顧客情感分析：分析評(píng)論，幫助產(chǎn)品分析智能問(wèn)答：回復(fù)客戶問(wèn)題一、認(rèn)知自然語(yǔ)言處理及應(yīng)用

自然語(yǔ)言處理的發(fā)展趨勢(shì)未來(lái)自然語(yǔ)言處理將朝著兩個(gè)互補(bǔ)式的方向發(fā)展：“大規(guī)模語(yǔ)言數(shù)據(jù)的分析處理能力”和“人-機(jī)交互方式”。1.大規(guī)模語(yǔ)言數(shù)據(jù)的分析處理能力：指的是建立在自然語(yǔ)言處理上對(duì)語(yǔ)言信息進(jìn)行獲取、分析、推理和整合的能力。一、認(rèn)知自然語(yǔ)言處理及應(yīng)用以智能車載為例：在汽車使用、運(yùn)維保養(yǎng)時(shí)，會(huì)產(chǎn)生大量的數(shù)據(jù)（車聯(lián)網(wǎng)數(shù)據(jù)、車主數(shù)據(jù)特征包括駕駛行為、周邊環(huán)境、違章數(shù)據(jù)、運(yùn)維保養(yǎng)數(shù)據(jù)、習(xí)慣偏好）。

自然語(yǔ)言處理的發(fā)展趨勢(shì)2.人-機(jī)交互方式：指的是將自然語(yǔ)言作為人與機(jī)器交互的自然接口和統(tǒng)一的交互方式。不同的機(jī)器，通常要使用不同的開發(fā)語(yǔ)言或方式，這嚴(yán)重影響了人們對(duì)機(jī)器的開發(fā)與使用。只有通過(guò)采用自然語(yǔ)言處理，才能讓機(jī)器具有理解人類語(yǔ)言的能力，從而實(shí)現(xiàn)建立在自然語(yǔ)言基礎(chǔ)上的人機(jī)交互?？偨Y(jié)：自然語(yǔ)言處理作為一門新興學(xué)科，其最終目標(biāo)是為了彌補(bǔ)人類交流（自然語(yǔ)言）與計(jì)算機(jī)理解（機(jī)器語(yǔ)言）之間的差距，最終實(shí)現(xiàn)計(jì)算機(jī)在理解自然語(yǔ)言上像人類一樣智能。一、認(rèn)知自然語(yǔ)言處理及應(yīng)用

什么是知識(shí)圖譜？知識(shí)圖譜(KnowledgeGraph)是一門典型的多學(xué)科融合，通過(guò)將應(yīng)用數(shù)學(xué)、圖形學(xué)、信息科學(xué)等學(xué)科理論、方法與計(jì)量學(xué)、統(tǒng)計(jì)學(xué)等方法結(jié)合，并利用可視化的圖譜形象地展示出來(lái)。其核心目標(biāo)是把復(fù)雜的知識(shí)領(lǐng)域通過(guò)數(shù)據(jù)挖掘、信息處理、知識(shí)計(jì)量和圖形繪制顯示出來(lái)，揭示知識(shí)的動(dòng)態(tài)發(fā)展規(guī)律。知識(shí)圖譜，本質(zhì)上，是一種揭示實(shí)體之間關(guān)系的語(yǔ)義網(wǎng)絡(luò)。二、走近知識(shí)圖譜

什么是知識(shí)圖譜？在信息的基礎(chǔ)上，建立實(shí)體之間的聯(lián)系，就能行成“知識(shí)”。知識(shí)圖譜是由一條條知識(shí)組成，每條知識(shí)表示為一個(gè)SPO三元組（Subject-Predicate-Object主謂賓，用來(lái)表示事物的一種方法和形式），而這個(gè)三元組集合可以抽象為一張圖。大量與之相關(guān)的實(shí)體信息會(huì)不斷關(guān)聯(lián)并結(jié)構(gòu)化地呈現(xiàn)出來(lái)，實(shí)現(xiàn)了數(shù)據(jù)圖譜化。二、走近知識(shí)圖譜本體（Ontology）：實(shí)體類型的分類體系（如“人物”“地點(diǎn)”“事件”）。關(guān)系模式：定義實(shí)體間允許的關(guān)系類型（如“人物-工作于-公司”）。約束規(guī)則：數(shù)據(jù)類型、值域、唯一性等約束（如“出生日期必須是日期類型”）

知識(shí)圖譜的體系架構(gòu)知識(shí)圖譜的體系架構(gòu)是指其構(gòu)建自身模式的結(jié)構(gòu)二、走近知識(shí)圖譜

知識(shí)圖譜的體系架構(gòu)共分為三個(gè)步驟：知識(shí)抽?。簭囊恍┕_的半結(jié)構(gòu)化、非結(jié)構(gòu)化的數(shù)據(jù)中，抽取出可用的知識(shí)單元。知識(shí)單元主要包括實(shí)體抽取、關(guān)系抽取以及屬性抽取3個(gè)知識(shí)要素。知識(shí)表示：把知識(shí)客體中的知識(shí)因子與知識(shí)關(guān)聯(lián)起來(lái)，便于人們識(shí)別和理解知識(shí)，分為主觀知識(shí)表示和客觀知識(shí)表示兩種。知識(shí)融合：是高層次的知識(shí)組織，使來(lái)自不同知識(shí)源的知識(shí)在同一框架規(guī)范下進(jìn)行組織，實(shí)現(xiàn)數(shù)據(jù)、信息、經(jīng)驗(yàn)以及人的思想的融合，形成高質(zhì)量的知識(shí)庫(kù)。二、走近知識(shí)圖譜

知識(shí)圖譜的應(yīng)用包括：智能搜索、社交網(wǎng)絡(luò)，網(wǎng)上購(gòu)物、新聞查詢等，知識(shí)圖譜已經(jīng)在我們的生活中、垂直行業(yè)應(yīng)用中發(fā)揮著日益重要的作用。二、走近知識(shí)圖譜

大數(shù)據(jù)的新篇章——數(shù)據(jù)智能數(shù)據(jù)智能的目標(biāo)是讓數(shù)據(jù)驅(qū)動(dòng)決策，讓機(jī)器具備推理等認(rèn)知能力。只有業(yè)務(wù)數(shù)據(jù)化進(jìn)程的完成，才能真正進(jìn)入到業(yè)務(wù)智能化，依靠數(shù)據(jù)去改變業(yè)務(wù)、指導(dǎo)決策。三、數(shù)據(jù)智能推動(dòng)人機(jī)協(xié)同大數(shù)據(jù)行業(yè)發(fā)展階段

大數(shù)據(jù)的新篇章——數(shù)據(jù)智能讓機(jī)器具備推理能力，意味著自然語(yǔ)言處理、知識(shí)圖譜等認(rèn)知技術(shù)需要不斷成熟。而數(shù)據(jù)驅(qū)動(dòng)決策、數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)發(fā)展的新需求，標(biāo)志著智能數(shù)據(jù)時(shí)代的興起。三、數(shù)據(jù)智能推動(dòng)人機(jī)協(xié)同不同階段大數(shù)據(jù)與業(yè)務(wù)的關(guān)系

數(shù)據(jù)智能的定義及數(shù)據(jù)中臺(tái)的價(jià)值數(shù)據(jù)智能核心分為兩個(gè)細(xì)分領(lǐng)域：中臺(tái)和應(yīng)用場(chǎng)景。其中，中臺(tái)包含技術(shù)中臺(tái)、數(shù)據(jù)中臺(tái)和業(yè)務(wù)中臺(tái)，應(yīng)用場(chǎng)景則按照不同行業(yè)進(jìn)行劃分。數(shù)字化已不可抵擋，在企業(yè)數(shù)字化轉(zhuǎn)型進(jìn)程中，傳統(tǒng)企業(yè)需要具備互聯(lián)網(wǎng)公司那樣快速迭代升級(jí)的能力，因此，數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)發(fā)展的中臺(tái)建設(shè)至關(guān)重要。數(shù)據(jù)中臺(tái)的價(jià)值是將數(shù)據(jù)資產(chǎn)化，實(shí)現(xiàn)不同體系數(shù)據(jù)的打通，為下一步數(shù)據(jù)應(yīng)用打好基礎(chǔ)。數(shù)據(jù)中臺(tái)涵蓋了從數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析等環(huán)節(jié)的所有工具及平臺(tái)，包括基礎(chǔ)平臺(tái)、用戶行為分析、數(shù)據(jù)報(bào)表可視化、數(shù)據(jù)科學(xué)平臺(tái)、自然語(yǔ)言處理和知識(shí)圖譜等諸多技術(shù)體系。三、數(shù)據(jù)智能推動(dòng)人機(jī)協(xié)同

數(shù)據(jù)智能的定義及數(shù)據(jù)中臺(tái)的價(jià)值基于數(shù)據(jù)中臺(tái)有三種應(yīng)用方式：數(shù)據(jù)集：主要是數(shù)據(jù)標(biāo)簽、用戶畫像等；數(shù)據(jù)模型：融合數(shù)據(jù)和算法，比如銷量預(yù)測(cè)、風(fēng)控建模等；數(shù)據(jù)應(yīng)用：將數(shù)據(jù)能力和軟件能力封裝，形成最終數(shù)據(jù)產(chǎn)品。而業(yè)務(wù)中臺(tái)則是指基于數(shù)據(jù)和技術(shù)，結(jié)合行業(yè)應(yīng)用場(chǎng)景，從行業(yè)應(yīng)用切入，在大量服務(wù)垂直行業(yè)客戶，掌握大量場(chǎng)景需求后，逐步形成業(yè)務(wù)中臺(tái)能力?？偨Y(jié)：未來(lái)身處競(jìng)爭(zhēng)激烈的智能數(shù)據(jù)時(shí)代，誰(shuí)能更高效利用數(shù)據(jù)，誰(shuí)才能贏得最后的果實(shí)與勝利，傳統(tǒng)產(chǎn)業(yè)數(shù)字化已在風(fēng)口，已在路上。而認(rèn)知智能的突破，一定不是由單個(gè)技術(shù)所完成，而是需要結(jié)合多種不同的技術(shù)持續(xù)完善和發(fā)展。三、數(shù)據(jù)智能推動(dòng)人機(jī)協(xié)同數(shù)據(jù)標(biāo)簽與用戶畫像什么是大語(yǔ)言模型？大語(yǔ)言模型（LargeLanguageModel,LLM)是一種人工智能模型，通?；谏疃葘W(xué)習(xí)架構(gòu)，旨在理解和生成人類語(yǔ)言。大語(yǔ)言模型在大量文本數(shù)據(jù)上進(jìn)行訓(xùn)練，可執(zhí)行廣泛的任務(wù)，包括文本總結(jié)、翻譯、情感分析等。其特點(diǎn)是規(guī)模龐大，包含數(shù)十億的參數(shù)，能幫助機(jī)器學(xué)習(xí)文本數(shù)據(jù)中的復(fù)雜模式，有助于在各種自然語(yǔ)言處理任務(wù)上取得優(yōu)異的表現(xiàn)。ChatGPT的爆紅出圈吸引了更多人對(duì)于大語(yǔ)言模型的發(fā)展趨勢(shì)和現(xiàn)實(shí)應(yīng)用的關(guān)注。四、大語(yǔ)言模型從量變到質(zhì)變什么是大語(yǔ)言模型？常見(jiàn)的大語(yǔ)言模型有GPT-3（OpenAI）:GPT-3（Generative

Pretrained

Transformer

3）是最著名的大語(yǔ)言模型之一，擁有1750億個(gè)參數(shù)。該模型在文本生成、翻譯和其他任務(wù)中表現(xiàn)出顯著的性能，在全球范圍內(nèi)引起了熱烈的反響，目前OpenAI已迭代到GPT-4版本。ERNIE3.0文心大模型（百度）：百度推出的大語(yǔ)言模型ERNIE3.0首次在百億級(jí)和千億級(jí)預(yù)訓(xùn)練模型中引入大規(guī)模知識(shí)圖譜，提出了海量無(wú)監(jiān)督文本與大規(guī)模知識(shí)圖譜的平行預(yù)訓(xùn)練方法。Deepseek（深度求索）：DeepSeek-R1：千億參數(shù)級(jí)對(duì)話模型，支持復(fù)雜邏輯推理與長(zhǎng)文本理解，中文表現(xiàn)對(duì)標(biāo)國(guó)際頂尖模型。DeepSeek-MoE：基于混合專家（MixtureofExperts）架構(gòu)的開源模型，兼顧性能與效率。DeepSeek-V2：輕量化模型，在同等參數(shù)量下推理速度提升30%，適合企業(yè)級(jí)部署。四、大語(yǔ)言模型從量變到質(zhì)變什么是大語(yǔ)言模型？大語(yǔ)言模型的快速發(fā)展從人工智能的發(fā)展歷程來(lái)看，模型和算法是其不斷成長(zhǎng)的核心驅(qū)動(dòng)力。10年前語(yǔ)言模型是自然語(yǔ)言處理的某個(gè)細(xì)分方向，并不為大眾所熟知，而ChatGPT的廣泛應(yīng)用則讓更多人體會(huì)到大語(yǔ)言模型的快速發(fā)展。四、大語(yǔ)言模型從量變到質(zhì)變ChatGPT發(fā)展歷程什么是大語(yǔ)言模型？大語(yǔ)言模型的快速發(fā)展2018年第一代GPT并沒(méi)有引起廣泛關(guān)注。但到了2020年5月，GPT-3一經(jīng)推出，情況就發(fā)生了非常大的變化，GPT-3的參數(shù)值從GPT-2的170億躍升到1750億，參數(shù)數(shù)量級(jí)是GPT-2的10倍以上，性能也有大幅提升，從而引起全球廣泛關(guān)注。大語(yǔ)言模型經(jīng)過(guò)大量的學(xué)習(xí)，實(shí)現(xiàn)了從量變到質(zhì)變的飛躍，即當(dāng)數(shù)據(jù)量超過(guò)某個(gè)臨界點(diǎn)時(shí)，模型實(shí)現(xiàn)顯著的性能提升，并出現(xiàn)了小模型中不存在的能力，如上下文學(xué)習(xí)能力等。因此，當(dāng)我們應(yīng)用GPT-3及GPT-4對(duì)話時(shí)，越來(lái)越被其強(qiáng)大的互動(dòng)能力和解決問(wèn)題的能力所震驚，越來(lái)越感覺(jué)不到在和一個(gè)機(jī)器對(duì)話。這就是大語(yǔ)言模型快速發(fā)展所帶來(lái)的質(zhì)變。四、大語(yǔ)言模型從量變到質(zhì)變走近ChatGPTChatGPT是一個(gè)由OpenAI開發(fā)的大語(yǔ)言模型，它使用的是自然語(yǔ)言處理和深度學(xué)習(xí)技術(shù)，可以理解語(yǔ)言內(nèi)容和語(yǔ)境，能夠基于在預(yù)訓(xùn)練階段所見(jiàn)的模式和統(tǒng)計(jì)規(guī)律來(lái)生成回答，還能根據(jù)聊天的上下文進(jìn)行互動(dòng)，真正像人類一樣聊天交流，另外還能完成撰寫郵件、視頻腳本、文案、翻譯、代碼、論文等任務(wù)。GPT的全稱是Generative

Pre-trained

Transformer，從名稱可以看出，它是一種生成模型，擅長(zhǎng)生成輸出；它是預(yù)訓(xùn)練的，這意味著它已經(jīng)從大量文本數(shù)據(jù)中學(xué)習(xí)到了知識(shí)，是Transformer的一種類型。因此，在了解GPT的原理之前，首先要認(rèn)識(shí)Transformer。四、大語(yǔ)言模型從量變到質(zhì)變走近ChatGPTTransformer架構(gòu)Transformer架構(gòu)是GPT的基礎(chǔ)。它是一種神經(jīng)網(wǎng)絡(luò)，類似于人腦中的神經(jīng)元。Transformer能夠通過(guò)注意力機(jī)制和自注意力機(jī)制更好地理解文本、語(yǔ)音或音樂(lè)等順序數(shù)據(jù)的上下文。注意力機(jī)制允許模型通過(guò)學(xué)習(xí)元素之間的相關(guān)性或相似性（通常由數(shù)字向量表示）來(lái)關(guān)注輸入和輸出中最相關(guān)的部分。如果它關(guān)注的是同一序列，則稱為自注意力。四、大語(yǔ)言模型從量變到質(zhì)變組件功能嵌入(Embedding)位置編碼(PositionalEncoding)將單詞和它們的位置轉(zhuǎn)換為數(shù)字向量編碼器(Encoder)從輸入序列提取特征并分析其含義和上下文。它為每個(gè)輸入標(biāo)記輸出一個(gè)隱藏狀態(tài)的矩陣，以傳遞給解碼器解碼器(Decoder)根據(jù)編碼器和先前的輸入標(biāo)記生成輸出序列線性層和Softmax層將數(shù)字向量轉(zhuǎn)換為輸出單詞的概率分布表3-4Transformer組成走近ChatGPT從Transformer到GPT、GPT-2、GPT-3、GPT-4作為一種生成模型，GPT使用了Transformer架構(gòu)中的解碼器部分，而解碼器負(fù)責(zé)預(yù)測(cè)序列中的下一個(gè)詞。GPT通過(guò)使用先前生成的結(jié)果作為輸入，反復(fù)執(zhí)行此過(guò)程以生成較長(zhǎng)的文本，即自回歸。在訓(xùn)練第一個(gè)版本的GPT時(shí)，研究人員使用了數(shù)據(jù)庫(kù)的無(wú)監(jiān)督預(yù)訓(xùn)練，數(shù)據(jù)庫(kù)中包含超過(guò)7000本未經(jīng)出版的書籍。在預(yù)訓(xùn)練的基礎(chǔ)上，針對(duì)特定任務(wù)使用有監(jiān)督的微調(diào)，會(huì)向人工智能展示請(qǐng)求和正確答案的示例，并要求人工智能從這些示例中學(xué)習(xí)。在GPT-2中，研究人員擴(kuò)大了模型(15億個(gè)參數(shù))和給模型提供的語(yǔ)料庫(kù)的規(guī)模，在無(wú)監(jiān)督預(yù)訓(xùn)練中使用WebText，這是數(shù)百萬(wàn)個(gè)網(wǎng)頁(yè)的集合。在GPT-3中，模型進(jìn)一步擴(kuò)展，規(guī)模達(dá)到1750億個(gè)參數(shù)，并使用了來(lái)自網(wǎng)絡(luò)、書籍和維基百科的數(shù)百億個(gè)單詞構(gòu)成的龐大語(yǔ)料庫(kù)。四、大語(yǔ)言模型從量變到質(zhì)變大語(yǔ)言模型的訓(xùn)練方式訓(xùn)練大語(yǔ)言模型需要向其提供大量的文本數(shù)據(jù)，模型利用這些數(shù)據(jù)來(lái)學(xué)習(xí)人類語(yǔ)言的結(jié)構(gòu)、語(yǔ)法和語(yǔ)義。該過(guò)程通常使用自我監(jiān)督學(xué)習(xí)的技術(shù)實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí)。訓(xùn)練過(guò)程包括兩個(gè)主要步驟：預(yù)訓(xùn)練(Pre-training)和微調(diào)(Fine-tuning):在預(yù)訓(xùn)練階段，模型從一個(gè)巨大的、多樣化的數(shù)據(jù)集中學(xué)習(xí)，通常包含來(lái)自不同來(lái)源的數(shù)十億詞匯，如網(wǎng)站、書籍、文章等。這個(gè)階段允許模型學(xué)習(xí)一般的語(yǔ)言模式和表征。在微調(diào)階段，模型在與目標(biāo)任務(wù)或領(lǐng)域相關(guān)的更具體、更小的數(shù)據(jù)集上進(jìn)一步訓(xùn)練。這有助于模型微調(diào)其理解，并適應(yīng)任務(wù)的特殊要求。四、大語(yǔ)言模型從量變到質(zhì)變大語(yǔ)言模型的訓(xùn)練方式通過(guò)訓(xùn)練，大語(yǔ)言模型涌現(xiàn)的能力如下：上下文學(xué)習(xí)。以GPT-3為例，其正式引入了上下文學(xué)習(xí)能力。假設(shè)語(yǔ)言模型已提供自然語(yǔ)言指令和多個(gè)任務(wù)描述，它可以通過(guò)完成輸入文本的詞序列來(lái)生成測(cè)試實(shí)例的預(yù)期輸出，而無(wú)需額外的訓(xùn)練或梯度更新。指令遵循。通過(guò)對(duì)自然語(yǔ)言描述（即指令）格式化的多任務(wù)數(shù)據(jù)集的混合進(jìn)行微調(diào)，大語(yǔ)言模型在微小的任務(wù)上表現(xiàn)良好，這些任務(wù)也以指令的形式所描述。循序漸進(jìn)的推理。小語(yǔ)言模型通常很難解決涉及多個(gè)推