cocktail DyG prompting

Readme

Datenvorbereitung

Stellen Sie sicher, dass die Parameter n, p und t über die graph_data/graph_generator.py , text_data/text_generator.py und text_data/text_filter.py konsistent sind. Bitte aktualisieren Sie die Pfade in diesen Dateien auf Ihre eigenen Speicherpfade.

Schritt 1: Graphgenerator

Führen Sie python graph_data/graph_generator.py aus, um Diagramme zu generieren.

Schritt 2: Textgenerator

Führen Sie python text_data/text_generator.py aus, um Aufgaben basierend auf Diagramme aus Schritt 1 zu generieren.

Schritt 3: Textfilter

Führen Sie python text_data/text_filter.py aus, um Daten mit dem Text aus Schritt 2 zu filtern, und erhalten Sie eine gleiche Anzahl von Aufgaben mit und ohne Antworten.

Aufforderung

Schritt 1: Implementieren Sie Ihre eigene LLM -Klasse

Implementieren Sie Ihre eigene LLM -Klasse ähnlich wie in api_LLM.py und api.py Stellen Sie sicher, dass die Implementierung die Verwendung llm() für Konversation und clear_history() ermöglicht, den Gesprächsgeschichte zu löschen.

Schritt 2: schließen

Führen Sie den folgenden Befehl aus, um eine unterschiedliche Anlaufvorlage zu verwenden. Der COT -Parameter entspricht verschiedenen Eingabeaufforderungen.

python infer.py --model_name Llama3.1 --COT NO --api_key your_api_key

Schritt 3: Bewerten

Führen Sie den folgenden Befehl aus, um die Genauigkeitsrate zu erhalten.

python acc.py --model_name Llama3.1 --COT NO