你是一名機器學習工程師，發現目前使用 bag-of-words 方法的模型常常誤解文本的含義，導致結果不精準。為了解決這個問題，你考慮改用詞嵌入（word embeddings）來提升模型效能。
以下哪一項最能說明，為什麼詞嵌入可能更適合用來克服 bag-of-words 模型所面臨的誤解問題？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
AI 版圖正快速演變，而大型語言模型（LLMs）站在這場變革的最前線。本章將探討 LLMs 如何推動類人化人工智慧的發展，並透過多元應用改造各行各業。你也會了解語言建模所伴隨的挑戰與複雜度。
本章強調 LLMs 的創新性與湧現能力，同時概述用於資料前處理的各種 NLP 技術。你將學到訓練 LLMs 的挑戰，以及如何透過微調有效因應。你也會理解 N-shot 學習技術如何在標註資料有限時，讓預先訓練的模型能高效適應。
當前練習
在本章中，你將學習訓練一個 LLM 的核心組成要素，例如前置訓練技術。你也會以直觀方式理解如 transformer 架構與注意力機制等複雜概念。本章將介紹進階的微調技術，並總結訓練流程以完成一個 LLM。
本章將深入探討訓練 LLMs 時的關鍵考量，例如大規模資料的可得性、資料品質、標註正確性，以及偏誤資料的影響。你也會檢視多種 LLM 風險，如資料隱私、倫理議題與環境衝擊。最後，將討論新興研究領域與 LLMs 不斷演進的版圖。
