2026年大语言模型分类难题有解！“弱”模型“想象”分类法更经济

请勿分类，大胆想象！

到现在，使用大语言模型（LLM）对产品、搜索查询等进行分类已经让人提不起兴趣了。而且，要将 LLM 的输出限制在系统允许的品牌、颜色、类别等合法词汇范围内，仍然颇具难度。以 Wayfair WANDS 电商数据集为例，你需要将“木质咖啡桌”这样的查询语句归类到最合适的类别中。而这样的类别有数百个，比如：家具 / 办公家具 / 书桌；家具 / 客厅家具 / 咖啡桌和边桌 / 咖啡桌；家具 / 客厅家具 / 咖啡桌和边桌 / 边桌；装饰与抱枕 / 装饰性抱枕和毛毯 / 靠枕；家具 / 卧室家具 / 梳妆台和衣柜。传统的实现方法是采用结构化输出。你要告知模型，其输出必须限制在合法值列表内。在 Pydantic 中，你需要创建一个包含所有合法输出值的大型字面量。这种方法可行，但使用小型“弱”模型进行大规模分类时，有更经济的做法。幸运的是，有一种简单的模式能让 LLM 分类变得相当顺畅。只需让一个“弱”LLM 为你的查询编造看似合理的虚假分类，现在不再向 LLM 发送合法分类列表，而是让它自由发挥想象。它会编造出一些在实际分类体系中并不存在的内容，但实际上非常有帮助，因为你现在可以将其转换为真正的词汇。构建一个包含真实分类嵌入的内存集成本并不高。你可以将这些“想象”任务交给“弱”且廉价的 LLM，而且无需每次都向 LLM 发送分类模式。

即将到来的活动：向量周

快来参加向量周活动吧！这是一系列关于向量检索、混合搜索以及构建自己的向量数据库的活动。

道格·特恩布尔（Doug Turnbull）

可查看道格的更多内容。