一种任务处理方法及其相关设备

1.本技术实施例涉及人工智能(artificial intelligence，ai)技术领域，尤其涉及一种任务处理方法及其相关设备。


背景技术：

2.随着ai技术的快速发展，大规模语言模型被广泛应用于处理各个领域中的任务。对于某个任务中的待处理信息而言，可通过大规模语言模型可来获取该信息的处理结果，从而完成相应的任务。
3.在相关技术中，可将某个任务以及该任务中的待处理信息，用自然语言表达为一个提示(prompt)，并将该提示输入至大规模语言模型。那么，大规模语言模型可对该提示进行处理，从而得到该提示的特征，再对该提示的特征做进一步地处理，从而得到该任务中的待处理信息的处理结果，相当于完成了该任务。
4.上述过程中，该提示作为大规模语言模型的输入，不仅用于描述该任务，还用于描述待处理信息。大规模语言模型在获取该信息的处理结果的过程中，需要不断地从该提示中了解有关于该任务的内容，由于该提示的长度通常较大，这样可能会使得模型将该任务误理解为别的任务，导致最终得到的处理结果是错误的结果。


技术实现要素：

5.本技术实施例提供了一种任务处理方法及其相关设备，可精准得到某个任务中的待处理信息的处理结果，从而成功处理用户所需完成的任务，有利于提高用户体验。
6.本技术实施例的第一方面提供了一种任务处理方法，该方法可通过目标模型实现，该方法包括：
7.当用户需要完成第一任务时，可先获取来源于用户的第一提示，第一提示可包含第一任务以及第一任务中的第一信息，故第一提示可用于指示对用户输入的第一信息执行第一任务。
8.得到第一提示后，可将第一提示输入至目标模型，目标模型可先对第一提示进行特征提取(例如，进行解码或编码等等)，从而得到第一提示的特征。得到第一提示的特征后，目标模型可对第一提示的特征进行处理，从而得到并对外输出第二提示，第二提示仅包含第一任务，故第二提示仅用于描述第一任务。
9.得到第二提示后，目标模型还可对第一提示的特征以及第二提示进行处理，从而得到并对外输出第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型可对外输出第二提示以及对第一信息执行第一任务的处理结果，故成功处理了用户所需完成的第一任务。
10.从上述方法可以看出：当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可
对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
11.在一种可能实现的方式中，第一提示和第二提示之间存下以下关系：第一提示以及第二提示可通过不同的表达方式来描述第一任务，或者，第一提示以及第二提示可通过相同的方式来描述第一任务。这样一来，本方案可以应用于多种场景中，例如，第一提示和第二提示是通过完全不同的表达方式来描述同一内容(第一任务)的场景，又如，第一提示和第二提示是通过完全相同的表达方式来描述同一内容的场景等等。
12.在一种可能实现的方式中，第二提示包含v个字符，v≥1，基于第一提示的特征，获取第二提示包括：基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。前述实现方式中，设第二提示包含v个字符。在得到第一提示的特征后，目标模型可先利用第一提示的特征，对预置的字符进行解码，从而得到第二提示的第1个字符。接着，目标模型可利用第一提示的特征，对第二提示的第1个字符进行解码，从而得到第二提示的第2个字符。然后，目标模型可利用第一提示的特征，对第二提示的第1个字符至第二提示的第2个字符进行解码，从而得到第二提示的第3个字符，...，最后，目标模型可利用第一提示的特征，对第二提示的第1个字符至第二提示的第v-1个字符进行解码，从而得到第二提示的第v个字符。如此一来，目标模型可得到并对外输出完整的第二提示。
13.在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果包括：基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对第一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。前述实现方式中，设对第一信息执行第一任务的处理结果包含n个字符。在得到第二提示后，目标模型可利用第一提示的特征，对第二提示的第1个字符至第v个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第1个字符。接着，目标模型可利用第一提示的特征，对第二提示的第1个字符至第v个字符，以及对第一信息执行第一任务的处理结果的第1个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第2个字符。然后，目标模型可利用第一提示的特征，对第二提示的第1个字符至第v个字符，以及对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第2个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第3个字符，...，最后，目标模型可利用第一提示的特征，对第二提
示的第1个字符至第v个字符，以及对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第n-1个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第n个字符。如此一来，目标模型可得到并对外输出完整的对第一信息执行第一任务的处理结果。
14.本技术实施例的第二方面提供了一种模型训练方法，该方法包括：获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务；将第一提示输入至待训练模型，得到第二提示以及对第一信息执行第一任务的处理结果，第二提示用于指示第一任务，待训练模型用于：对第一提示进行解码或编码，得到第一提示的特征；基于第一提示的特征，获取第二提示；基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果；基于第二提示以及对第一信息执行第一任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务。
15.上述方法训练得到的目标模型，具备任务处理能力。当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
16.在一种可能实现的方式中，该方法还包括：获取第三提示，第三提示用于指示对用户输入的第二信息执行第二任务；将第三提示输入至待训练模型，得到第四提示以及对第二信息执行第二任务的处理结果，第四提示用于指示第二任务；基于第二提示以及对第一信息执行第一任务的处理结果，对待训练模型进行训练，得到目标模型包括：基于第二提示、对第一信息执行第一任务的处理结果、第四提示以及对第二信息执行第二任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务、第二任务以及第三任务。
17.在一种可能实现的方式中，第一提示以及第二提示通过不同的方式描述第一任务，或，第一提示以及第二提示通过相同的方式描述第一任务。
18.在一种可能实现的方式中，第三提示以及第四提示通过不同的方式描述第二任务，或，第三提示以及第四提示通过相同的方式描述第二任务。
19.在一种可能实现的方式中，第二提示包含v个字符，v≥1，待训练模型，用于基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。
20.在一种可能实现的方式中，第四提示包含w个字符，w≥1，待训练模型，用于基于第
三提示的特征，对第四提示的第1个字符至第四提示的第k个字符进行解码，得到第四提示的第k+1个字符，k＝1,...,w-1，第四提示的第1个字符基于第三提示的特征对预置的字符进行解码得到。
21.在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，待训练模型，用于基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对第一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。
22.在一种可能实现的方式中，对第二信息执行第二任务的处理结果包含m个字符，m≥1，待训练模型，用于基于第三提示的特征，对第四提示、对第二信息执行第二任务的处理结果的第1个字符至对第二信息执行第二任务的处理结果的第p个字符进行解码，得到对第二信息执行第二任务的处理结果的第p+1个字符，p＝1,...,m-1，对第二信息执行第二任务的处理结果的第1个字符基于第三提示的特征对第四提示进行解码得到。
23.本技术实施例第三方面提供了一种任务处理装置，该装置包含目标模型，该装置包括：获取模块，用于获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务；第一处理模块，用于对第一提示进行解码或编码，得到第一提示的特征；第二处理模块，用于基于第一提示的特征，获取第二提示，第二提示用于指示第一任务；第三处理模块，用于基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果。
24.从上述装置可以看出：当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
25.在一种可能实现的方式中，第一提示以及第二提示通过不同的方式描述第一任务，或，第一提示以及第二提示通过相同的方式描述第一任务。
26.在一种可能实现的方式中，第二提示包含v个字符，v≥1，第二处理模块，用于基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。
27.在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，第三处理模块，用于基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对
第一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。
28.本技术实施例的第四方面提供了一种模型训练装置，该装置包括：第一获取模块，用于获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务；第一处理模块，用于将第一提示输入至待训练模型，得到第二提示以及对第一信息执行第一任务的处理结果，第二提示用于指示第一任务，待训练模型用于：对第一提示进行解码或编码，得到第一提示的特征；基于第一提示的特征，获取第二提示；基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果；训练模块，用于基于第二提示以及对第一信息执行第一任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务。
29.上述装置训练得到的目标模型，具备任务处理能力。当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
30.在一种可能实现的方式中，该装置还包括：第二获取模块，用于获取第三提示，第三提示用于指示对用户输入的第二信息执行第二任务；第二处理模块，用于将第三提示输入至待训练模型，得到第四提示以及对第二信息执行第二任务的处理结果，第四提示用于指示第二任务；训练模块，用于基于第二提示、对第一信息执行第一任务的处理结果、第四提示以及对第二信息执行第二任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务、第二任务以及第三任务。
31.在一种可能实现的方式中，第一提示以及第二提示通过不同的方式描述第一任务，或，第一提示以及第二提示通过相同的方式描述第一任务。
32.在一种可能实现的方式中，第三提示以及第四提示通过不同的方式描述第二任务，或，第三提示以及第四提示通过相同的方式描述第二任务。
33.在一种可能实现的方式中，第二提示包含v个字符，v≥1，待训练模型，用于基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。
34.在一种可能实现的方式中，第四提示包含w个字符，w≥1，待训练模型，用于基于第三提示的特征，对第四提示的第1个字符至第四提示的第k个字符进行解码，得到第四提示的第k+1个字符，k＝1,...,w-1，第四提示的第1个字符基于第三提示的特征对预置的字符
进行解码得到。
35.在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，待训练模型，用于基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对第一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。
36.在一种可能实现的方式中，对第二信息执行第二任务的处理结果包含m个字符，m≥1，待训练模型，用于基于第三提示的特征，对第四提示、对第二信息执行第二任务的处理结果的第1个字符至对第二信息执行第二任务的处理结果的第p个字符进行解码，得到对第二信息执行第二任务的处理结果的第p+1个字符，p＝1,...,m-1，对第二信息执行第二任务的处理结果的第1个字符基于第三提示的特征对第四提示进行解码得到。
37.本技术实施例的第五方面提供了一种任务处理装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，任务处理装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。
38.本技术实施例的第六方面提供了一种模型训练装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，模型训练装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。
39.本技术实施例的第七方面提供了一种电路系统，该电路系统包括处理电路，该处理电路配置为执行如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
40.本技术实施例的第八方面提供了一种芯片系统，该芯片系统包括处理器，用于调用存储器中存储的计算机程序或计算机指令，以使得该处理器执行如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
41.在一种可能的实现方式中，该处理器通过接口与存储器耦合。
42.在一种可能的实现方式中，该芯片系统还包括存储器，该存储器中存储有计算机程序或计算机指令。
43.本技术实施例的第九方面提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该程序在由计算机执行时，使得计算机实施如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
44.本技术实施例的第十方面提供了一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时，使得计算机实施如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
45.本技术实施例中，当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，
目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
附图说明
46.图1为人工智能主体框架的一种结构示意图；
47.图2a为本技术实施例提供的任务处理系统的一个结构示意图；
48.图2b为本技术实施例提供的任务处理系统的另一结构示意图；
49.图2c为本技术实施例提供的任务处理的相关设备的一个示意图；
50.图3为本技术实施例提供的系统100架构的一个示意图；
51.图4为本技术实施例提供的目标模型的一个结构示意图；
52.图5为本技术实施例提供的任务处理方法的一个流程示意图；
53.图6为本技术实施例提供的目标模型的另一结构示意图；
54.图7为本技术实施例提供的目标模型的另一结构示意图；
55.图8为本技术实施例提供的模型训练方法的一个流程示意图；
56.图9为本技术实施例提供的任务处理装置的一个结构示意图；
57.图10为本技术实施例提供的模型训练装置的一个结构示意图；
58.图11为本技术实施例提供的执行设备的一个结构示意图；
59.图12为本技术实施例提供的训练设备的一个结构示意图；
60.图13为本技术实施例提供的芯片的一个结构示意图。
具体实施方式
61.本技术实施例提供了一种任务处理方法及其相关设备，可精准得到某个任务中的待处理信息的处理结果，从而成功处理用户所需完成的任务，有利于提高用户体验。
62.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
63.随着ai技术的快速发展，大规模语言模型被广泛应用于处理各个领域中的任务。对于某个任务中的待处理信息而言，可通过大规模语言模型可来获取该信息的处理结果，从而完成相应的任务。
64.在相关技术中，可将某个任务以及该任务中的待处理信息，用自然语言表达为一个提示，并将该提示输入至大规模语言模型。那么，大规模语言模型可对该提示进行处理，从而得到该提示的特征，再对该提示的特征做进一步地处理，从而得到该任务中的待处理
信息的处理结果，相当于完成了该任务。例如，设存在某个翻译任务，该翻译任务中待翻译的信息为一个中文文本。首先，可生成一个提示，该提示为：“将以下内容从中文翻译为英文：{中文文本}”。接着，可将该提示输入至大规模语言模型后，模型可输出相应的英文文本，从而完成该翻译任务。
65.上述过程中，该提示作为大规模语言模型的输入，不仅用于描述该任务，还用于描述待处理信息。大规模语言模型在获取待处理信息的处理结果的过程中，模型需要不断地从该提示中了解有关于该任务的内容，以控制任务处理的方向，由于该提示的长度通常较大，这样可能会使得模型将该任务误理解为别的任务，即控制错了任务处理的方向，导致最终得到的处理结果是错误的结果，从而无法完成该任务，导致用户体验较低。依旧如上述例子，模型基于该提示，可能将翻译任务误理解为摘要任务,针对中文文本的任务处理方向则不是文本翻译，而是文本摘要，导致其最终输出的不是英文文本，而中文文本的摘要。
66.为了解决上述问题，本技术实施例提供了一种任务处理方法，该方法可结合人工智能(artificial intelligence，ai)技术实现。ai技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科，ai技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说，人工智能技术是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。
67.首先对人工智能系统总体工作流程进行描述，请参见图1，图1为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“it价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“it价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。
68.(1)基础设施
69.基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(cpu、npu、gpu、asic、fpga等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
70.(2)数据
71.基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
72.(3)数据处理
73.数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。
74.其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
75.推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，
利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。
76.决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。
77.(4)通用能力
78.对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。
79.(5)智能产品及行业应用
80.智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
81.接下来介绍几种本技术的应用场景。
82.图2a为本技术实施例提供的任务处理系统的一个结构示意图，该任务处理系统包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为任务处理的发起端，作为任务处理请求的发起方，通常由用户通过用户设备发起请求。
83.上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的任务处理请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的任务处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。
84.在图2a所示的任务处理系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的一个提示，然后向数据处理设备发起请求，使得数据处理设备针对用户设备得到的该提示执行任务处理应用，从而得到针对该提示所对应的结果。示例性的，用户设备可以获取用户输入的一个提示，该提示用于描述某个任务以及该任务中的待处理信息。然后，用户设备向数据处理设备发起任务处理请求，使得数据处理设备基于任务处理请求，对该提示进行一系列的处理，从而得到该提示所对应的结果，也就是该任务中的待处理信息的处理结果。
85.在图2a中，数据处理设备可以执行本技术实施例的任务处理方法。
86.图2b为本技术实施例提供的任务处理系统的另一结构示意图，在图2b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图2a相似，可参考上面的描述，在此不再赘述。
87.在图2b所示的任务处理系统中，用户设备可以获取用户输入的一个提示，该提示用于描述某个任务以及该任务中的待处理信息。然后，用户设备对该提示进行一系列的处理，从而得到该提示所对应的结果，也就是该任务中的待处理信息的处理结果。
88.在图2b中，用户设备自身就可以执行本技术实施例的任务处理方法。
89.图2c为本技术实施例提供的任务处理的相关设备的一个示意图。
90.上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备
302，图2a中的数据处理设备具体可以是图2c中的执行设备210，其中，数据存储系统250可以存储执行设备210的待处理数据，数据存储系统250可以集成在执行设备210上，也可以设置在云上或其它网络服务器上。
91.图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如，基于支持向量机的模型)进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型针对图像执行任务处理应用，从而得到相应的处理结果。
92.图3为本技术实施例提供的系统100架构的一个示意图，在图3中，执行设备110配置输入/输出(input/output，i/o)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向i/o接口112输入数据，所述输入数据在本技术实施例中可以包括：各个待调度任务、可调用资源以及其他参数。
93.在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本技术中神经网络的功能实现)过程中，执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统150中。
94.最后，i/o接口112将处理结果返回给客户设备140，从而提供给用户。
95.值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样本。
96.在图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过i/o接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向i/o接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入i/o接口112的输入数据及输出i/o接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由i/o接口112直接将如图所示输入i/o接口112的输入数据及输出i/o接口112的输出结果，作为新的样本数据存入数据库130。
97.值得注意的是，图3仅是本技术实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。如图3所示，可以根据训练设备120训练得到神经网络。
98.本技术实施例还提供的一种芯片，该芯片包括神经网络处理器npu。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。
99.神经网络处理器npu，npu作为协处理器挂载到主中央处理器(central processingunit，cpu)(host cpu)上，由主cpu分配任务。npu的核心部分为运算电路，控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
100.在一些实现中，运算电路内部包括多个处理单元(process engine,pe)。在一些实现中，运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路是通用的矩阵处理器。
101.举例来说，假设有输入矩阵a，权重矩阵b，输出矩阵c。运算电路从权重存储器中取矩阵b相应的数据，并缓存在运算电路中每一个pe上。运算电路从输入存储器中取矩阵a数据与矩阵b进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)中。
102.向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非fc层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。
103.在一些实现种，向量计算单元能将经处理的输出的向量存储到统一缓存器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路的激活输入，例如用于在神经网络中的后续层中的使用。
104.统一存储器用于存放输入数据以及输出数据。
105.权重数据直接通过存储单元访问控制器(direct memory access controller，dmac)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。
106.总线接口单元(bus interface unit，biu)，用于通过总线实现主cpu、dmac和取指存储器之间进行交互。
107.与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；
108.控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。
109.一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(on-chip)存储器，外部存储器为该npu外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory，ddr sdram)、高带宽存储器(high bandwidth memory，hbm)或其他可读可写的存储器。
110.由于本技术实施例涉及大量神经网络的应用，为了便于理解，下面先对本技术实施例涉及的相关术语及神经网络等相关概念进行介绍。
111.(1)神经网络
112.神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：
[0113][0114]
其中，s＝1、2、
……
n，n为大于1的自然数，ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的
输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
[0115]
神经网络中的每一层的工作可以用数学表达式y＝a(wx+b)来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由wx完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，w是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量w决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重w控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量w形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。
[0116]
因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。
[0117]
(2)反向传播算法
[0118]
神经网络可以采用误差反向传播(back propagation，bp)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。
[0119]
下面从神经网络的训练侧和神经网络的应用侧对本技术提供的方法进行描述。
[0120]
本技术实施例提供的模型训练方法，涉及数据序列的处理，具体可以应用于数据训练、机器学习、深度学习等方法，对训练数据(例如，本技术实施例提供的模型训练方法中第一提示以及第三提示)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的神经网络(例如，本技术实施例提供的模型训练方法中的目标模型)；并且，本技术实施例提供的任务处理方法可以运用上述训练好的神经网络，将输入数据(例如，本技术实施例提供的任务处理方法中的第一提示)输入到所述训练好的神经网络中，得到输出数据(例如，本技术实施例提供的任务处理方法中对第一信息执行第一任务的处理结果)。需要说明的是，本技术实施例提供的模型训练方法和任务处理方法是基于同一个构思产生
的发明，也可以理解为一个系统中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。
[0121]
本技术实施例提供的任务处理方法可通过目标模型(也可以称为新型的大规模语言模型)实现，下文先对目标模型的结构进行简单的介绍。图4为本技术实施例提供的目标模型的一个结构示意图，如图4所示，目标模型的输入端可用于接收来自外部的第一提示以及来自自身的第二提示，这两个提示均用于描述第一任务，目标模型的输出端可对外输出第二提示以及第一任务中的对第一信息执行第一任务的处理结果。为了了解图4所示的目标模型的工作流程，下文结合图5对该工作流程进行介绍，图5为本技术实施例提供的任务处理方法的一个流程示意图，如图5所示，该方法包括：
[0122]
501、获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务。
[0123]
本实施例中，当用户需要完成第一任务时，可先获取来源于用户的第一提示，第一提示可包含第一任务以及第一任务中的第一信息(也可以称为第一任务中的待处理信息)，故第一提示可用于指示对用户输入的第一信息执行第一任务。
[0124]
具体地，可通过多种方式获取第一提示：
[0125]
(1)接收用户直接输入的第一任务以及第一任务中的第一信息，再利用与第一任务对应的提示模板，将第一任务以及第一信息转换为第一提示。那么，第一提示可用于指示对用户输入的第一信息执行第一任务。
[0126]
例如，设用户需要将中文文本翻译为英文文本，可先接收用户输入的中文文本-英文文本之间的翻译任务t，以及用户输入的待翻译的信息x，信息x是一个中文文本，可呈现为“小明去哪里了”。得到t以及x后，再利用与t对应的提示模板，将t以及x转换为提示p(t,x)，p(t,x)可以呈现为“将以下中文翻译为英文：{小明去哪里了}”，p(t,x)也可以呈现为“{小明去哪里了}将上面的内容从中文翻译为英文”，p(t,x)还可以呈现为“中文
→
英文，{小明去哪里了}”等等。可见，提示p(t,x)用于描述翻译任务t以及中文文本x。
[0127]
(2)接收用户直接输入的第一提示，第一提示通常由第一任务以及第一任务中的第一信息构成，故第一提示可用于指示对用户输入的第一信息执行第一任务。
[0128]
例如，设用户需要将中文文本翻译为英文文本，可直接接收用户输入的提示p(t,x)，p(t,x)可以呈现为“将以下中文翻译为英文：{小明去哪里了}”，p(t,x)也可以呈现为“{小明去哪里了}将上面的内容从中文翻译为英文”，p(t,x)还可以呈现为“中文
→
英文，{小明去哪里了}”等等。其中，提示p(t,x)用于描述中文文本-英文文本之间的翻译任务t，以及待翻译的信息x，信息x是一个中文文本，可呈现为“小明去哪里了”。
[0129]
502、对第一提示进行解码或编码，得到第一提示的特征。
[0130]
得到第一提示后，可将第一提示输入至目标模型，目标模型可先对第一提示进行特征提取，从而得到第一提示的特征。
[0131]
具体地，目标模型可通过以下方式获取第一提示的特征：
[0132]
(1)设目标模型仅包含解码器，解码器的输入端作为整个目标模型的输入端，解码器的输出端作为整个目标模型的输出端。那么，解码器在接收到第一提示后，可对第一提示进行解码，从而得到第一提示的特征。需要说明的是，第一提示包含u个字符(u为大于或等于1的正整数)，故第一提示的特征也就包含第一提示的u个字符的特征。
[0133]
依旧如上述例子，如图6所示(图6为本技术实施例提供的目标模型的另一结构示
意图)，设目标模型包含解码器，且提示p(t,x)为包含u个字符的字符串，分别为p1、p2、...pu。在得到p(t,x)后，解码器可对p(t,x)进行解码，从而得到p(t,x)的u个字符的特征。
[0134]
(2)设目标模型仅包含编码器以及解码器，编码器的输入端以及解码器的第一输入端作为整个目标模型的输入端，编码器的输出端与解码器的第二输入端连接，解码器的输出端作为整个目标模型的输出端。那么，编码器在接收到第一提示后，可对第一提示进行编码，从而得到第一提示的特征，并把第一提示的特征发送至解码器。需要说明的是，第一提示包含u个字符，故第一提示的特征也就包含第一提示的u个字符的特征。
[0135]
依旧如上述例子，如图7所示(图7为本技术实施例提供的目标模型的另一结构示意图)，设目标模型包含编码器以及解码器，且提示p(t,x)为包含u个字符的字符串，分别为p1、p2、...pu。在得到p(t,x)后，编码器可先对p(t,x)进行解码，从而得到p(t,x)的u个字符的特征，并把p(t,x)的u个字符的特征发送至解码器。
[0136]
503、基于第一提示的特征，获取第二提示，第二提示用于指示第一任务。
[0137]
得到第一提示的特征后，目标模型可对第一提示的特征进行一系列的处理，从而得到第二提示，并对外输出第二提示，第二提示仅包含第一任务，故第二提示仅用于描述第一任务。
[0138]
具体地，目标模型可通过以下方式获取第二提示：
[0139]
设第二提示包含v个字符(v为大于或等于1的正整数)。在得到第一提示的特征后，解码器可先利用第一提示的特征，对预置的字符(也可以称为序列起始字符，可以理解为一个命令字符，该字符的内容通常无意义)进行解码，从而得到第二提示的第1个字符。接着，解码器可利用第一提示的特征，对第二提示的第1个字符进行解码，从而得到第二提示的第2个字符。然后，解码器可利用第一提示的特征，对第二提示的第1个字符至第二提示的第2个字符进行解码，从而得到第二提示的第3个字符，...，最后，解码器可利用第一提示的特征，对第二提示的第1个字符至第二提示的第v-1个字符进行解码，从而得到第二提示的第v个字符。如此一来，解码器可得到并对外输出完整的第二提示。
[0140]
依旧如上述例子所示，可参考图6或图7，解码器得到p(t,x)的u个字符的特征后，解码器可利用该特征，对序列起始字符(beginning of sequence，bos)进行解码，从而得到提示q(t)的第1个字符p1。接着，解码器可继续利用该特征，对q(t)的第1个字符p1进行解码，从而得到q(t)的第2个字符p2。然后，解码器可继续利用该特征，对q(t)的第1个字符p1以及q(t)的第2个字符p2进行解码，从而得到q(t)的第3个字符p3，以此类推，解码器最终可得到q(t)的第1个字符至第v个字符，分别为q1、q2、...qv，也就相当于得到了q(t)，并对外输出q(t)。
[0141]
更具体地，第一提示和第二提示之间可存在多种关系：
[0142]
(1)第一提示以及第二提示可通过不同的表达方式来描述第一任务。依旧如上述例子，设p(t,x)呈现为“将以下中文翻译为英文：{小明去哪里了}”,则q(t)可呈现为“文本翻译，中文翻译为英文”，由此可见，二者通过不同的表达方式来描述中文文本-英文文本之间的翻译任务t。
[0143]
(2)第一提示以及第二提示可通过相同的表达方式来描述第一任务。依旧如上述例子，设p(t,x)呈现为“中文
→
英文，{小明去哪里了}”,则q(t)可呈现为“中文
→
英文”，由此可见，二者通过相同的表达方式来描述中文文本-英文文本之间的翻译任务t。
[0144]
504、基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果。
[0145]
得到第二提示后，目标模型还可对第一提示的特征以及第二提示作进一步的处理，从而得到第一任务中的对第一信息执行第一任务的处理结果，并对外输出对第一信息执行第一任务的处理结果。至此，目标模型可对外输出第二提示以及对第一信息执行第一任务的处理结果，故成功处理了用户所需完成的第一任务。
[0146]
具体地，目标模型可通过以下方式获取对第一信息执行第一任务的处理结果：
[0147]
设对第一信息执行第一任务的处理结果包含n个字符(n为大于或等于1的正整数)。在得到第二提示后，解码器可利用第一提示的特征，对第二提示的第1个字符至第v个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第1个字符。接着，解码器可利用第一提示的特征，对第二提示的第1个字符至第v个字符，以及对第一信息执行第一任务的处理结果的第1个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第2个字符。然后，解码器可利用第一提示的特征，对第二提示的第1个字符至第v个字符，以及对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第2个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第3个字符，...，最后，解码器可利用第一提示的特征，对第二提示的第1个字符至第v个字符，以及对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第n-1个字符进行解码，从而得到对第一信息执行第一任务的处理结果的第n个字符。如此一来，解码器可得到并对外输出完整的对第一信息执行第一任务的处理结果。
[0148]
依旧如上述例子所示，可参考图6或图7，解码器得到q(t)后，解码器可利用p(t,x)的u个字符的特征，对q(t)的所有字符q1、q2、...qv进行解码，从而得到信息x的处理结果y的第1个字符y1。接着，解码器可继续利用该特征，对q(t)的所有字符q1、q2、...qv以及y的第1个字符y1进行解码，从而得到y的第2个字符y2。然后，解码器可继续利用该特征，q(t)的所有字符q1、q2、...qv，以及y的第1个字符y1至y的第2个字符y2进行解码，从而得到y的第3个字符y3，以此类推，解码器最终可得到y的第1个字符至第n个字符，分别为y1、y2、...yn，也就相当于得到了y，并对外输出y。
[0149]
由于x呈现为“小明去哪里了”，相应地，y可呈现为“where did xiao ming go”。
[0150]
进一步地，可将本技术实施例提供的目标模型与相关技术提供的模型进行比较。需要说明的是，在本技术实施例中，对于某一个任务t和输入x，可定义输入提示p(t,x)和输出提示q(t)，这些提示都是文本序列，也就是包含多个字符的字符串。输入提示可作为本技术实施例提供的目标模型的输入以及相关技术提供的模型的输入，输出提示以及相关技术提供的模型的原始输出y可作为本技术实施例提供的目标模型的新输出。其中，比较结果如表1所示：
[0151]
表1
[0152]
方案输入输出相关技术p(t,x)y本技术实施例p(t,x)[q(t),y]
[0153]
更进一步地，为了更加理解本技术实施例提供的任务处理方法，下文结合若干个应用例对本技术实施例提供的任务处理方法做进一步的介绍。这些应用例如表2所示：
[0154]
表2
[0155][0156][0157]
本技术实施例中，当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
[0158]
以上是对本技术实施例提供的任务处理方法所进行的详细说明，以下将对本技术实施例提供的模型训练方法进行介绍。图8为本技术实施例提供的模型训练方法的一个流程示意图，如图8所示，该方法包括：
[0159]
801、获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务。
[0160]
本实施例中，当需要对待训练模型进行训练时，可先获取一批训练数据，该批训练数据可包含第一提示，第一提示用于指示对用户输入的第一信息执行第一任务。需要说明的是，第一提示所对应的第一真实提示是已知的(第一真实提示仅用于指示第一任务)，第一信息的真实处理结果也是已知的。
[0161]
在一种可能实现的方式中，该批训练数据还可包含第三提示，第三提示用于指示对用户输入的第二信息(也可以称为第二任务中的待处理信息)执行第二任务。需要说明的是，第一任务和第二任务是不同的任务，第三提示所对应的第二真实提示是已知的(第二真实提示仅用于指示第二任务)，第二信息的真实处理结果也是已知的。
[0162]
802、将第一提示输入至待训练模型，得到第二提示以及对第一信息执行第一任务的处理结果，第二提示用于指示第一任务，待训练模型用于：对第一提示进行解码或编码，得到第一提示的特征；基于第一提示的特征，获取第二提示；基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果。
[0163]
得到第一提示后，可将第一提示输入至待训练模型。那么，待训练模型可对第一提示进行解码或编码，得到第一提示的特征。接着，待训练模型可基于第一提示的特征，获取第二提示，第二提示仅用于指示第一任务。然后，待训练模型可基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果。
[0164]
在一种可能实现的方式中，得到第三提示后，可将第三提示输入至待训练模型。那么，待训练模型可对第三提示进行解码或编码，得到第三提示的特征。接着，待训练模型可基于第三提示的特征，获取第四提示，第四提示仅用于指示第二任务。然后，待训练模型可基于第三提示的特征以及第四提示，获取对第二信息执行第二任务的处理结果。
[0165]
在一种可能实现的方式中，第一提示以及第二提示通过不同的方式描述第一任务，或，第一提示以及第二提示通过相同的方式描述第一任务。
[0166]
在一种可能实现的方式中，第三提示以及第四提示通过不同的方式描述第二任务，或，第三提示以及第四提示通过相同的方式描述第二任务。
[0167]
在一种可能实现的方式中，第二提示包含v个字符，v≥1，待训练模型，用于基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。
[0168]
在一种可能实现的方式中，第四提示包含w个字符，w≥1，待训练模型，用于基于第三提示的特征，对第四提示的第1个字符至第四提示的第k个字符进行解码，得到第四提示的第k+1个字符，k＝1,...,w-1，第四提示的第1个字符基于第三提示的特征对预置的字符进行解码得到。
[0169]
在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，待训练模型，用于基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对第
一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。
[0170]
在一种可能实现的方式中，对第二信息执行第二任务的处理结果包含m个字符，m≥1，待训练模型，用于基于第三提示的特征，对第四提示、对第二信息执行第二任务的处理结果的第1个字符至对第二信息执行第二任务的处理结果的第p个字符进行解码，得到对第二信息执行第二任务的处理结果的第p+1个字符，p＝1,...,m-1，对第二信息执行第二任务的处理结果的第1个字符基于第三提示的特征对第四提示进行解码得到。
[0171]
需要说明的是，关于步骤802的介绍，可参考图5所示实施例中步骤502至步骤504的相关说明部分，此处不再赘述。
[0172]
803、基于第二提示以及对第一信息执行第一任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务。
[0173]
得到待训练模型输出的第二提示以及对第一信息执行第一任务的处理结果后，可基于第二提示、第一真实提示、对第一信息执行第一任务的处理结果以及第一信息的真实处理结果构建目标损失，目标损失可用于指示第二提示与第一真实提示之间的差异，以及对第一信息执行第一任务的处理结果与第一信息的真实处理结果之间的差异。接着，可基于目标损失对待训练模型的参数进行更新，得到更新参数后的待训练模型。然后利用下一批训练数据对更新参数后的待训练模型继续进行训练，直至满足模型训练条件(例如，目标模型收敛等等)，从而得到图5所示实施例中的目标模型，所得到的目标模型可用于处理第一任务。
[0174]
在一种可能实现的方式中，得到待训练模型输出的第二提示、对第一信息执行第一任务的处理结果、第四提示以及对第二信息执行第二任务的处理结果后，可通过预置的损失函数对第二提示、第一真实提示、对第一信息执行第一任务的处理结果、第一信息的真实处理结果、第四提示、第二真实提示、对第二信息执行第二任务的处理结果以及第二信息的真实处理结果进行计算，从而得到目标损失，目标损失可用于指示第二提示与第一真实提示之间的差异，对第一信息执行第一任务的处理结果与第一信息的真实处理结果之间的差异，第四提示与第二真实提示之间的差异，以及对第二信息执行第二任务的处理结果与第二信息的真实处理结果之间的差异。接着，可基于目标损失对待训练模型的参数进行更新，得到更新参数后的待训练模型。然后，可利用下一批训练数据对更新参数后的待训练模型继续进行训练，直至满足模型训练条件，从而得到目标模型，所得到的目标模型用于处理第一任务、第二任务以及第三任务，需要说明的是，第一任务、第二任务以及第三任务为不同的任务，例如，第一任务为文本翻译任务、第二任务为文本摘要任务，第三任务为问答任务等等。
[0175]
应理解，本实施例中，仅以利用描述第一任务和第二任务的训练数据，来训练出能够处理第一任务、第二任务和第三任务的目标模型进行示意性介绍，并不对训练数据所描述的任务种类数量构成限制，也不对目标模型所能处理的任务种类数量构成限制。在实际应用中，可利用描述不同的a种任务的训练数据，来训练出能够处理不同的b种任务的目标模型，b种任务通常包含a种任务，且b大于a。
[0176]
本技术实施例训练得到的目标模型，具备任务处理能力。当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示
对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
[0177]
进一步地，本技术实施例中，使用描述第一任务以及第二任务的训练数据，可训练出能够处理第一任务、第二任务以及第三任务的目标模型。可见，本技术实施例提供的训练方式，可使得模型具备一定的任务泛化能力，从而满足用户的不同需求，进一步提高用户体验。
[0178]
以上是对本技术实施例提供的模型训练方法所进行的详细说明，以下将对本技术实施例提供的任务处理装置以及模型训练装置进行介绍。图9为本技术实施例提供的任务处理装置的一个结构示意图，如图9所示，该装置包括：
[0179]
获取模块901，用于获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务；
[0180]
第一处理模块902，用于对第一提示进行解码或编码，得到第一提示的特征；
[0181]
第二处理模块903，用于基于第一提示的特征，获取第二提示，第二提示用于指示第一任务；
[0182]
第三处理模块904，用于基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果。
[0183]
本技术实施例中，当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
[0184]
在一种可能实现的方式中，第一提示以及第二提示通过不同的方式描述第一任务，或，第一提示以及第二提示通过相同的方式描述第一任务。
[0185]
在一种可能实现的方式中，第二提示包含v个字符，v≥1，第二处理模块903，用于
基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。
[0186]
在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，第三处理模块904，用于基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对第一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。
[0187]
图10为本技术实施例提供的模型训练装置的一个结构示意图，如图10所示，该装置包括：
[0188]
第一获取模块1001，用于获取第一提示，第一提示用于指示对用户输入的第一信息执行第一任务；
[0189]
第一处理模块1002，用于将第一提示输入至待训练模型，得到第二提示以及对第一信息执行第一任务的处理结果，第二提示用于指示第一任务，待训练模型用于：对第一提示进行解码或编码，得到第一提示的特征；基于第一提示的特征，获取第二提示；基于第一提示的特征以及第二提示，获取对第一信息执行第一任务的处理结果；
[0190]
训练模块1003，用于基于第二提示以及对第一信息执行第一任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务。
[0191]
本技术实施例训练得到的目标模型，具备任务处理能力。当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。前述过程中，目标模型可从第一提示中提取出第二提示，并利用第一提示的特征结合第二提示来获取第一任务中的对第一信息执行第一任务的处理结果。由于第二提示仅用于描述第一任务，其长度较小，故在第一提示的基础上，目标模型可在第二提示的有效指引下准确捕捉到第一任务的内容，从而精准控制任务处理的方向，如此一来，目标模型最终得到的对第一信息执行第一任务的处理结果是正确的结果，可成功处理用户所需完成的第一任务，有利于提高用户体验。
[0192]
在一种可能实现的方式中，该装置还包括：第二获取模块，用于获取第三提示，第三提示用于指示对用户输入的第二信息执行第二任务；第二处理模块，用于将第三提示输入至待训练模型，得到第四提示以及对第二信息执行第二任务的处理结果，第四提示用于指示第二任务；训练模块1003，用于基于第二提示、对第一信息执行第一任务的处理结果、第四提示以及对第二信息执行第二任务的处理结果，对待训练模型进行训练，得到目标模型，目标模型用于处理第一任务、第二任务以及第三任务。
[0193]
在一种可能实现的方式中，第一提示以及第二提示通过不同的方式描述第一任务，或，第一提示以及第二提示通过相同的方式描述第一任务。
[0194]
在一种可能实现的方式中，第三提示以及第四提示通过不同的方式描述第二任
务，或，第三提示以及第四提示通过相同的方式描述第二任务。
[0195]
在一种可能实现的方式中，第二提示包含v个字符，v≥1，待训练模型，用于基于第一提示的特征，对第二提示的第1个字符至第二提示的第i个字符进行解码，得到第二提示的第i+1个字符，i＝1,...,v-1，第二提示的第1个字符基于第一提示的特征对预置的字符进行解码得到。
[0196]
在一种可能实现的方式中，第四提示包含w个字符，w≥1，待训练模型，用于基于第三提示的特征，对第四提示的第1个字符至第四提示的第k个字符进行解码，得到第四提示的第k+1个字符，k＝1,...,w-1，第四提示的第1个字符基于第三提示的特征对预置的字符进行解码得到。
[0197]
在一种可能实现的方式中，对第一信息执行第一任务的处理结果包含n个字符，n≥1，待训练模型，用于基于第一提示的特征，对第二提示、对第一信息执行第一任务的处理结果的第1个字符至对第一信息执行第一任务的处理结果的第j个字符进行解码，得到对第一信息执行第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对第一信息执行第一任务的处理结果的第1个字符基于第一提示的特征对第二提示进行解码得到。
[0198]
在一种可能实现的方式中，对第二信息执行第二任务的处理结果包含m个字符，m≥1，待训练模型，用于基于第三提示的特征，对第四提示、对第二信息执行第二任务的处理结果的第1个字符至对第二信息执行第二任务的处理结果的第p个字符进行解码，得到对第二信息执行第二任务的处理结果的第p+1个字符，p＝1,...,m-1，对第二信息执行第二任务的处理结果的第1个字符基于第三提示的特征对第四提示进行解码得到。
[0199]
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其带来的技术效果与本技术方法实施例相同，具体内容可参考本技术实施例前述所示的方法实施例中的叙述，此处不再赘述。
[0200]
本技术实施例还涉及一种执行设备，图11为本技术实施例提供的执行设备的一个结构示意图。如图11所示，执行设备1100具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。其中，执行设备1100上可部署有图9对应实施例中所描述的任务处理装置，用于实现图5对应实施例中任务处理的功能。具体的，执行设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)，其中，处理器1103可以包括应用处理器11031和通信处理器11032。在本技术的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
[0201]
存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，nvram)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
[0202]
处理器1103控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
[0203]
上述本技术实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实
现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing，dsp)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法的步骤。
[0204]
接收器1101可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息；发射器1102还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1102还可以包括显示屏等显示设备。
[0205]
本技术实施例中，在一种情况下，处理器1103，用于通过图5对应实施例中的目标模型，生成某个任务中的待处理信息的处理结果。
[0206]
本技术实施例还涉及一种训练设备，图12为本技术实施例提供的训练设备的一个结构示意图。如图12所示，训练设备1200由一个或多个服务器实现，训练设备1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，cpu)1212(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1212可以设置为与存储介质1230通信，在训练设备1200上执行存储介质1230中的一系列指令操作。
[0207]
训练设备1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258；或，一个或一个以上操作系统1241，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等等。
[0208]
具体的，训练设备可以执行图8对应实施例中的模型训练方法。
[0209]
本技术实施例还涉及一种计算机存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
[0210]
本技术实施例还涉及一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
[0211]
本技术实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输
出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)等。
[0212]
具体的，请参阅图13，图13为本技术实施例提供的芯片的一个结构示意图，所述芯片可以表现为神经网络处理器npu 1300，npu 1300作为协处理器挂载到主cpu(hostcpu)上，由host cpu分配任务。npu的核心部分为运算电路1303，通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
[0213]
在一些实现中，运算电路1303内部包括多个处理单元(process engine,pe)。在一些实现中，运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1303是通用的矩阵处理器。
[0214]
举例来说，假设有输入矩阵a，权重矩阵b，输出矩阵c。运算电路从权重存储器1302中取矩阵b相应的数据，并缓存在运算电路中每一个pe上。运算电路从输入存储器1301中取矩阵a数据与矩阵b进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1308中。
[0215]
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller，dmac)1305，dmac被搬运到权重存储器1302中。输入数据也通过dmac被搬运到统一存储器1306中。
[0216]
biu为bus interface unit即，总线接口单元1313，用于axi总线与dmac和取指存储器(instruction fetch buffer，ifb)1309的交互。
[0217]
总线接口单元1313(bus interface unit，简称biu)，用于取指存储器1309从外部存储器获取指令，还用于存储单元访问控制器1305从外部存储器获取输入矩阵a或者权重矩阵b的原数据。
[0218]
dmac主要用于将外部存储器ddr中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
[0219]
向量计算单元1307包括多个运算处理单元，在需要的情况下，对运算电路1303的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如batch normalization(批归一化)，像素级求和，对预测标签平面进行上采样等。
[0220]
在一些实现中，向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如，向量计算单元1307可以将线性函数；或，非线性函数应用到运算电路1303的输出，例如对卷积层提取的预测标签平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1307生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1303的激活输入，例如用于在神经网络中的后续层中的使用。
[0221]
控制器1304连接的取指存储器(instruction fetch buffer)1309，用于存储控制
器1304使用的指令；
[0222]
统一存储器1306，输入存储器1301，权重存储器1302以及取指存储器1309均为on-chip存储器。外部存储器私有于该npu硬件架构。
[0223]
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，asic，或一个或多个用于控制上述程序执行的集成电路。
[0224]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0225]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本技术各个实施例所述的方法。
[0226]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0227]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。

技术特征：
1.一种任务处理方法，其特征在于，所述方法通过目标模型实现，所述方法包括：获取第一提示，所述第一提示用于指示对用户输入的第一信息执行第一任务；对所述第一提示进行解码或编码，得到所述第一提示的特征；基于所述第一提示的特征，获取第二提示，所述第二提示用于指示所述第一任务；基于所述第一提示的特征以及所述第二提示，获取对所述第一信息执行所述第一任务的处理结果。2.根据权利要求1所述的方法，其特征在于，所述第一提示以及所述第二提示通过不同的方式描述所述第一任务。3.根据权利要求1或2所述的方法，其特征在于，所述第二提示包含v个字符，v≥1，所述基于所述第一提示的特征，获取第二提示包括：基于所述第一提示的特征，对所述第二提示的第1个字符至所述第二提示的第i个字符进行解码，得到所述第二提示的第i+1个字符，i＝1,...,v-1，所述第二提示的第1个字符基于所述第一提示的特征对预置的字符进行解码得到。4.根据权利要求3所述的方法，其特征在于，对所述第一信息执行所述第一任务的处理结果包含n个字符，n≥1，所述基于所述第一提示的特征以及所述第二提示，获取对所述第一信息执行所述第一任务的处理结果包括：基于所述第一提示的特征，对所述第二提示、对所述第一信息执行所述第一任务的处理结果的第1个字符至对所述第一信息执行所述第一任务的处理结果的第j个字符进行解码，得到对所述第一信息执行所述第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对所述第一信息执行所述第一任务的处理结果的第1个字符基于所述第一提示的特征对所述第二提示进行解码得到。5.一种模型训练方法，其特征在于，所述方法包括：获取第一提示，所述第一提示用于指示对用户输入的第一信息执行第一任务；将所述第一提示输入至待训练模型，得到第二提示以及对所述第一信息执行所述第一任务的处理结果，所述第二提示用于指示所述第一任务，所述待训练模型用于：对所述第一提示进行解码或编码，得到所述第一提示的特征；基于所述第一提示的特征，获取所述第二提示；基于所述第一提示的特征以及所述第二提示，获取对所述第一信息执行所述第一任务的处理结果；基于所述第二提示以及对所述第一信息执行所述第一任务的处理结果，对所述待训练模型进行训练，得到目标模型，所述目标模型用于处理所述第一任务。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：获取第三提示，所述第三提示用于指示对用户输入的第二信息执行第二任务；将所述第三提示输入至待训练模型，得到第四提示以及对所述第二信息执行所述第二任务的处理结果，所述第四提示用于指示所述第二任务；所述基于所述第二提示以及对所述第一信息执行所述第一任务的处理结果，对所述待训练模型进行训练，得到目标模型包括：基于所述第二提示、对所述第一信息执行所述第一任务的处理结果、所述第四提示以及对所述第二信息执行所述第二任务的处理结果，对所述待训练模型进行训练，得到目标模型，所述目标模型用于处理所述第一任务、所述第二任务以及第三任务。
7.根据权利要求5或6所述的方法，其特征在于，所述第一提示以及所述第二提示通过不同的方式描述所述第一任务。8.根据权利要求5至7任意一项所述的方法，其特征在于，所述第二提示包含v个字符，v≥1，所述待训练模型，用于基于所述第一提示的特征，对所述第二提示的第1个字符至所述第二提示的第i个字符进行解码，得到所述第二提示的第i+1个字符，i＝1,...,v-1，所述第二提示的第1个字符基于所述第一提示的特征对预置的字符进行解码得到。9.根据权利要求8所述的方法，其特征在于，对所述第一信息执行所述第一任务的处理结果包含n个字符，n≥1，所述待训练模型，用于基于所述第一提示的特征，对所述第二提示、对所述第一信息执行所述第一任务的处理结果的第1个字符至对所述第一信息执行所述第一任务的处理结果的第j个字符进行解码，得到对所述第一信息执行所述第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对所述第一信息执行所述第一任务的处理结果的第1个字符基于所述第一提示的特征对所述第二提示进行解码得到。10.一种任务处理装置，其特征在于，所述装置包含目标模型，所述装置包括：获取模块，用于获取第一提示，所述第一提示用于指示对用户输入的第一信息执行第一任务；第一处理模块，用于对所述第一提示进行解码或编码，得到所述第一提示的特征；第二处理模块，用于基于所述第一提示的特征，获取第二提示，所述第二提示用于指示所述第一任务；第三处理模块，用于基于所述第一提示的特征以及所述第二提示，获取对所述第一信息执行所述第一任务的处理结果。11.根据权利要求10所述的装置，其特征在于，所述第一提示以及所述第二提示通过不同的方式描述所述第一任务。12.根据权利要求10或11所述的装置，其特征在于，所述第二提示包含v个字符，v≥1，所述第二处理模块，用于基于所述第一提示的特征，对所述第二提示的第1个字符至所述第二提示的第i个字符进行解码，得到所述第二提示的第i+1个字符，i＝1,...,v-1，所述第二提示的第1个字符基于所述第一提示的特征对预置的字符进行解码得到。13.根据权利要求12所述的装置，其特征在于，对所述第一信息执行所述第一任务的处理结果包含n个字符，n≥1，所述第三处理模块，用于基于所述第一提示的特征，对所述第二提示、对所述第一信息执行所述第一任务的处理结果的第1个字符至对所述第一信息执行所述第一任务的处理结果的第j个字符进行解码，得到对所述第一信息执行所述第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对所述第一信息执行所述第一任务的处理结果的第1个字符基于所述第一提示的特征对所述第二提示进行解码得到。14.一种模型训练装置，其特征在于，所述装置包括：第一获取模块，用于获取第一提示，所述第一提示用于指示对用户输入的第一信息执行第一任务；第一处理模块，用于将所述第一提示输入至待训练模型，得到第二提示以及对所述第一信息执行所述第一任务的处理结果，所述第二提示用于指示所述第一任务，所述待训练模型用于：对所述第一提示进行解码或编码，得到所述第一提示的特征；基于所述第一提示的特征，获取所述第二提示；基于所述第一提示的特征以及所述第二提示，获取对所述第一
信息执行所述第一任务的处理结果；训练模块，用于基于所述第二提示以及对所述第一信息执行所述第一任务的处理结果，对所述待训练模型进行训练，得到目标模型，所述目标模型用于处理所述第一任务。15.根据权利要求14所述的装置，其特征在于，所述装置还包括：第二获取模块，用于获取第三提示，所述第三提示用于指示对用户输入的第二信息执行第二任务；第二处理模块，用于将所述第三提示输入至待训练模型，得到第四提示以及对所述第二信息执行所述第二任务的处理结果，所述第四提示用于指示所述第二任务；所述训练模块，用于基于所述第二提示、对所述第一信息执行所述第一任务的处理结果、所述第四提示以及对所述第二信息执行所述第二任务的处理结果，对所述待训练模型进行训练，得到目标模型，所述目标模型用于处理所述第一任务、所述第二任务以及第三任务。16.根据权利要求14或15所述的装置，其特征在于，所述第一提示以及所述第二提示通过不同的方式描述所述第一任务。17.根据权利要求14至16任意一项所述的装置，其特征在于，所述第二提示包含v个字符，v≥1，所述待训练模型，用于基于所述第一提示的特征，对所述第二提示的第1个字符至所述第二提示的第i个字符进行解码，得到所述第二提示的第i+1个字符，i＝1,...,v-1，所述第二提示的第1个字符基于所述第一提示的特征对预置的字符进行解码得到。18.根据权利要求17所述的装置，其特征在于，对所述第一信息执行所述第一任务的处理结果包含n个字符，n≥1，所述待训练模型，用于基于所述第一提示的特征，对所述第二提示、对所述第一信息执行所述第一任务的处理结果的第1个字符至对所述第一信息执行所述第一任务的处理结果的第j个字符进行解码，得到对所述第一信息执行所述第一任务的处理结果的第j+1个字符，j＝1,...,n-1，对所述第一信息执行所述第一任务的处理结果的第1个字符基于所述第一提示的特征对所述第二提示进行解码得到。19.一种任务处理装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述任务处理装置执行如权利要求1至9任意一项所述的方法。20.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至9任一所述的方法。21.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1至9任意一项所述的方法。

技术总结
本申请公开了一种任务处理方法及其相关设备，可精准得到某个任务中的待处理信息的处理结果，从而成功处理用户所需完成的任务，有利于提高用户体验。本申请的方法包括：当用户需要完成第一任务时，可先获取来源于用户的第一提示，并将第一提示输入至目标模型，第一提示用于指示对用户输入的第一信息执行第一任务。接着，目标模型可对第一提示进行处理，从而得到第一提示的特征。然后，目标模型可对第一提示的特征进行处理，从而得到第二提示，第二提示仅用于指示第一任务。最后，目标模型可对第一提示的特征以及第二提示进行处理，从而得到第一任务中的对第一信息执行第一任务的处理结果。至此，目标模型则成功处理了用户所需完成的第一任务。完成的第一任务。完成的第一任务。


技术研发人员：张檬 李良友 刘洋 王硕 李鹏 孙茂松
受保护的技术使用者：清华大学
技术研发日：2023.03.30
技术公布日：2023/8/4