本周工作思考
uShow优化在实现上采用基于大模型的设计思路。迭代前的uShow的开场白，结束语中的自我介绍，感谢， 结尾的感谢都是基于传统的正则匹配算法， 主题介绍，引言，呼吁行动，议程，结尾总结，联系实际等都是基于小模型的文本分类算法。
基于正则匹配算法的缺点是匹配的准确性取决于匹配单词的多样性，就要要枚举所有表示感谢地词，正则能够覆盖60%的表达感谢地场景，但是对于有创意性的感谢表达缺乏足够的识别能力，另外就是 得分是0和1的离散值，在实际的联系，评估值要么得分，要么不得分。
文本分类小模型大部分是基于BERT的微调模型（CN和JP），确定是语义识别不准，BERT在文本分类上有较好的表现，目前的缺点是：
模型版本较低，在专业性表达上分类评估不好
需要自己找文本分类标签，在没有统一逐字稿的情况下，练习者的表达丰富多样，小模型不足以支撑这类文本分类的需求
多个模型并行，增加了程序的复杂度和计算资源
基于以上考虑，这次迭代在实现上，主要是验证大模型（GPT-4o，后续千问）的效果，主要思路如下：
基于测试数据，构造最优的多个Prompt，目标是利用大模型完成语言分类任务
利用大模型找到基于语义的各项分类，固定各维度权重
利用部分验证数据，微调分数分数维度权重
调整现有的架构，兼容以往小模型的情况下，加入大模型流程
构造验证数据，评估和微调新算法的效果