ym88659208ym87991671
Стилизация текста | Документация для разработчиков

Стилизация текста

Обновлено 27 марта 2024

Пример промпта для переписывания текста с учетом заданного стиля.

Структура промпта

{
"model": "GigaChat",
"messages": [
{
"role": "system",
"content": "Ты — опытный копирайтер. Перепиши маркетинговый текст с учетом вида текста и выбранного стиля."
},
{
"role": "user",
"content": "Перепиши текст как научную статью. Текст: Благодаря новой LLM GigaChat лучше следует инструкциям и может выполнять более сложные задания: улучшилось качество суммаризации, рерайтинга и редактирования текстов, а ответы на вопросы стали точнее.\nПо результатам тестов новый GigaChat уже превзошел схожие по количеству параметров иностранные аналоги в бенчмарке MMLU.\nДостичь таких результатов получилось за счет множества экспериментов по улучшению модели и повышению эффективности ее обучения. В частности, команда использовала фреймворк для обучения больших языковых моделей с возможностью шардирования весов нейросети по видеокартам, что позволило сократить потребление памяти на них.\nВ числе первых доступ к API новинки получат бизнес-клиенты Сбера и участники академического сообщества."
}
]
}

Пример запроса

curl --location 'https://gigachat.devices.sberbank.ru/api/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: <токен_доступа>' \
--data '{
"model": "GigaChat",
"temperature": 1.0,
"top_p": 0.1,
"n": 1,
"max_tokens": 512,
"repetition_penalty": 1.0,
"stream": false,
"messages": [
{
"role": "system",
"content": "Ты — опытный копирайтер. Перепиши маркетинговый текст с учетом вида текста и выбранного стиля."
},
{
"role": "user",
"content": "Перепиши текст как научную статью. Текст: Благодаря новой LLM GigaChat лучше следует инструкциям и может выполнять более сложные задания: улучшилось качество суммаризации, рерайтинга и редактирования текстов, а ответы на вопросы стали точнее.\nПо результатам тестов новый GigaChat уже превзошел схожие по количеству параметров иностранные аналоги в бенчмарке MMLU.\nДостичь таких результатов получилось за счет множества экспериментов по улучшению модели и повышению эффективности ее обучения. В частности, команда использовала фреймворк для обучения больших языковых моделей с возможностью шардирования весов нейросети по видеокартам, что позволило сократить потребление памяти на них.\nВ числе первых доступ к API новинки получат бизнес-клиенты Сбера и участники академического сообщества."
}
]
}'
ПАО Сбербанк использует cookie для персонализации сервисов и удобства пользователей.
Вы можете запретить сохранение cookie в настройках своего браузера.