From a7e207f710ee82117ed29aea62a9222da732db46 Mon Sep 17 00:00:00 2001
From: Martin Huang <563044462@qq.com>
Date: Tue, 16 May 2023 23:59:43 +0800
Subject: [PATCH] Fine-tuning instructions

---
 content/5. 推断 Inferring.ipynb | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/content/5. 推断 Inferring.ipynb b/content/5. 推断 Inferring.ipynb
index dd614ee..2fde22f 100644
--- a/content/5. 推断 Inferring.ipynb	
+++ b/content/5. 推断 Inferring.ipynb	
@@ -831,7 +831,7 @@
      "output_type": "stream",
      "text": [
       "美国航空航天局：1\n",
-      "地方政府：1\n",
+      "当地政府：0\n",
       "工程：0\n",
       "员工满意度：1\n",
       "联邦政府：1\n"
@@ -845,7 +845,7 @@
     "\n",
     "以列表的形式给出答案，每个主题用 0 或 1。\n",
     "\n",
-    "主题列表：美国航空航天局、地方政府、工程、员工满意度、联邦政府\n",
+    "主题列表：美国航空航天局、当地政府、工程、员工满意度、联邦政府\n",
     "\n",
     "给定文本: ```{story_zh}```\n",
     "\"\"\"\n",
@@ -858,7 +858,7 @@
    "id": "08247dbf",
    "metadata": {},
    "source": [
-    "所以，这个故事是关于 NASA 的。它不是关于地方政府的，不是关于工程的。它是关于员工满意度的，它是关于联邦政府的。这在机器学习中有时被称为 Zero-Shot 学习算法，因为我们没有给它任何标记的训练数据。仅凭prompt，它就能确定哪些主题在新闻文章中涵盖了。\n",
+    "所以，这个故事是关于 NASA 的。它不是关于当地政府的，不是关于工程的。它是关于员工满意度的，它是关于联邦政府的。这在机器学习中有时被称为 Zero-Shot 学习算法，因为我们没有给它任何标记的训练数据。仅凭prompt，它就能确定哪些主题在新闻文章中涵盖了。\n",
     "\n",
     "如果我们想生成一个新闻提醒，也可以使用这个处理新闻的过程。假设我非常喜欢 NASA 所做的工作，就可以构建一个这样的系统，每当 NASA 新闻出现时，输出提醒。"
    ]