请尽可能多地使用这些教程，但这也是一个很好的借口来回顾和重写。
一些需要记住的事情：

• 首先识别一个实际问题和/或数据集。它不应该是一个玩具示例，而是某人可能会实际搜索的东西。
• 解释这个数据和模型，强调为什么它们被使用。例如，GliNER适用于零样本命名实体识别，但运行推理成本较高，因此我们可以开始并逐步转向SpanMarker作为成本效益高的一些技巧。
• 评估用法并展示结果！我们已经优化了RAG管道，所以我们得到了更好的结果。我们已经优化了一个NER模型，现在它可以对X进行分类。

好的例子 https://haystack.deepset.ai/tutorials/27_first_rag_pipeline
您正在编辑的内容已更改。请复制您的编辑并刷新页面。

任务

Beta Give feedback

1. 使用few-shot setfit和潜在的句子转换器对textcat进行引导。
2. 使用zero-shot和few-shot gliner以及NER对spancat进行引导。
3. 使用spaCy-LLM或其他方法(如llama-index、提示工程等)与LLMs一起引导项目(请自由选择您想要的内容)。
4. 使用句子转换器和批量标记图像/PDF等的多模型项目。
5. 使用BertTopic和文本描述监控数据、模型和注解器的漂移。
6. RAG:使用haystack和sentence-transformers优化检索器和重新排序器。
7. RAG:优化LLMs:haystack和trl。
8. 使用TRL进行指令调优的LLM:SFT。
9. 使用TRL进行偏好调优的LLM:DPO。