用 Style Transfer、Few-Shot 與 LoRA 做產品描述

這則貼文記錄一個電商產品描述的實驗。

目標是輸入產品圖片，產生符合品牌語氣的產品描述。

三種不同的控制方式

最直接的方法，是在提示詞中描述想要的風格與語氣。

這種方式成本最低，也最容易開始，但「品牌語氣」這種抽象概念很難只靠文字完整傳達。

第二種方法是 Few-Shot Prompting。

做法是在提示詞中放入多個範例，讓模型從範例中模仿句型、用字與敘事方式。

通常範例越多，模型越容易抓到目標風格，但每次執行都要附帶這些範例，推論成本也會增加。

第三種方法是 LoRA Fine-Tuning。

LoRA 不直接修改整個基礎模型，而是訓練一組額外的參數層，讓模型在特定任務或風格上產生穩定的行為變化。

它需要比較繁瑣的資料準備與訓練流程，但訓練完成後可以保存 Adapter Layers，之後重複使用。

實驗觀察

原始實驗使用 Everlane 的產品資料，微調 Llama 3.2，並比較微調前後的輸出。

貼文中的提示詞相當簡單，但在 Zero-Shot 情境下，微調後的描述已經出現明顯差異。

原始貼文也附上 Google Colab 範例，讓讀者可以載入微調後的 LoRA 模型，從測試資料讀取一項產品，再比較微調前後的回應。

這筆保存內容的價值，不只是展示某一次模型輸出，而是把「提示詞控制」、「範例控制」與「模型微調」放在同一個實驗脈絡中比較。

實際使用時仍應重新檢查模型版本、訓練資料、產品資訊的正確性，以及品牌是否允許使用生成式內容。