Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind3. November 2023 · Q005376

Grammar Prompting for Domain-Specific Language Generation with Large Language Models

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Text ist nur ein Auszug mit Abstract sowie Autoren- und Publikationsangaben. Er beschreibt Grammar Prompting, bei dem ein Sprachmodell zunächst eine passende BNF-Grammatik vorhersagt und dann regelgeleitet eine domänenspezifische Ausgabe erzeugt; laut Abstract war das Verfahren bei mehreren Aufgaben konkurrenzfähig. Versuchsdetails und Messwerte sind im Auszug nicht enthalten.

Mittel

Der bereitgestellte Text ist nur ein Auszug: Er umfasst den Abstract sowie Autoren- und Publikationsangaben, nicht den vollständigen Bericht. Die Arbeit stellt „Grammar Prompting“ für die Erzeugung domänenspezifischer, stark strukturierter Sprachen mit großen Sprachmodellen vor. Die Autorinnen und Autoren beschreiben, dass Modelle bei solchen Aufgaben oft schwer aus wenigen Beispielen verallgemeinern. Ihr Verfahren ergänzt Demonstrationen um jeweils passende BNF-Grammatiken, die auf die jeweilige Beispielausgabe zugeschnittene Teilmengen der vollständigen DSL-Grammatik sind. Bei einer neuen Eingabe sagt das Modell zunächst eine Grammatik voraus und erzeugt danach regelgeleitet die Ausgabe. Laut Abstract erzielten Experimente konkurrenzfähige Ergebnisse bei semantischem Parsen (SMCalFlow, Overnight und GeoQuery), PDDL-Planung und SMILES-basierter Molekülerzeugung. Angaben zu Versuchsdetails, Messwerten oder konkreten Vergleichen fehlen im Auszug; die Leistungsbewertung lässt sich daher nicht näher prüfen. Die Arbeit wird NeurIPS 2023 zugeordnet.

Ausführlich lesen

Der bereitgestellte Text ist nur ein Auszug aus dem Bericht: Er enthält den Abstract sowie Angaben zu Autorinnen und Autoren und zum Veröffentlichungsort, nicht den vollständigen Artikel. Die Arbeit „Grammar Prompting for Domain-Specific Language Generation with Large Language Models“ von Bailin Wang, Zi Wang, Xuezhi Wang, Yuan Cao, Rif A. Saurous und Yoon Kim erschien laut Auszug bei NeurIPS 2023.

Der Abstract beschreibt eine Schwierigkeit beim Einsatz großer Sprachmodelle: Sie können laut den Autorinnen und Autoren viele Aufgaben anhand weniger Beispiele im Kontext erlernen, verallgemeinern aber bei der Erzeugung stark strukturierter Sprachen, etwa komplexer domänenspezifischer Sprachen, nur schwer aus wenigen Beispielen. Als Ansatz schlagen die Forschenden „Grammar Prompting“ vor. Dabei werden Demonstrationsbeispiele jeweils um eine spezialisierte Grammatik in Backus-Naur-Form (BNF) ergänzt. Diese Grammatik soll gerade ausreichen, um die Ausgabe des jeweiligen Beispiels zu erzeugen, und ist eine Teilmenge der vollständigen Grammatik der domänenspezifischen Sprache.

Für eine neue Eingabe soll das Modell zunächst eine passende BNF-Grammatik vorhersagen und anschließend anhand ihrer Regeln die Ausgabe erzeugen. Der Abstract berichtet, dass Experimente mit diesem Verfahren auf mehreren Aufgaben konkurrenzfähige Ergebnisse erzielt hätten: semantisches Parsen mit SMCalFlow, Overnight und GeoQuery, Planung mit PDDL sowie die Erzeugung von Molekülen auf Grundlage von SMILES.

Der Auszug liefert jedoch keine Einzelheiten zu Versuchsaufbau, Vergleichsverfahren, Messwerten oder konkreten Ergebnissen der einzelnen Aufgaben. Daher lässt sich daraus weder die Stärke der berichteten Leistung genauer einschätzen noch ableiten, unter welchen Bedingungen das Verfahren besonders gut oder schlecht funktioniert. Die Aussagen zu den Ergebnissen sind hier ausschließlich als Zusammenfassung der Behauptungen im Abstract wiedergegeben.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 25 %Hintergrund, keine Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →