प्रॉम्प्ट मॉडल से अधिक महत्वपूर्ण साबित हुआ: कवर लेटर जनरेशन का प्रयोग

एक डेवलपर ने एक ऐप बनाया जो स्थानीय मॉडल (Ollama के माध्यम से) या क्लाउड API का उपयोग करके नौकरी के पदों के लिए कवर लेटर तैयार करता है, और उसने यह परीक्षण करने का निर्णय लिया कि पाठ की गुणवत्ता मॉडल पर कितनी निर्भर करती है। उसने एक मित्र के साथ एक अंधा मूल्यांकन किया जो आईटी में नौकरी की तलाश में था। तीन मॉडलों (qwen2.5:3b, qwen2.5:7b, llama-3.3-70b) के साथ पहली बार चलाने में केवल 20-30% भेजने योग्यता मिली, और क्लाउड मॉडल स्थानीय मॉडल से बेहतर प्रदर्शन नहीं कर सका। विश्लेषण से सामान्य दोष सामने आए: अपूर्ण प्लेसहोल्डर, निर्मित अनुभव और चीनी अक्षर। यह पता चला कि समस्या स्वयं प्रॉम्प्ट में थी - यह अंग्रेजी में लिखा गया था और इसमें प्रतिबंधों का अभाव था। प्रॉम्प्ट को रूसी में फिर से लिखने के बाद, यांत्रिक त्रुटियां 25% से घटकर 100% सफाई पर पहुंच गईं, लेकिन मानव मूल्यांकन ऊब के कारण शून्य पर बना रहा। मित्र ने बताया कि कवर लेटर तिरछे स्कैन किए जाते हैं, इसलिए वाक्यांशों की शुरुआत में हुक का घनत्व महत्वपूर्ण है। दस पुनरावृत्तियों के बाद, प्रॉम्प्ट ने मॉडल को समझाया कि पत्र कैसे पढ़े जाते हैं, तथ्य-आधारित पहली पंक्ति, एक संक्षिप्त अभिवादन, और नौकरी की फिट के लिए समर्पित एक अलग पैराग्राफ की आवश्यकता होती है। इस प्रॉम्प्ट के साथ, स्थानीय मॉडल (gemma-3-4b, qwen-3.5-4b) ने आठ में से सात पत्रों पर 100% भेजने योग्यता प्राप्त की, जबकि Claude Opus 4.8 और GigaChat-2-Pro ने अधिक जीवंत शैली के साथ 100% प्राप्त किया। एक ट्यूरिंग टेस्ट में, मित्र ने उत्पन्न आठ पत्रों में से 6 को मानव-लिखित के रूप में पहचाना। निष्कर्ष: प्रॉम्प्ट आधार तय करता है, मॉडल सीमा बढ़ाता है; कमजोर हार्डवेयर पर, स्थानीय 4B मॉडल पहले से ही सभ्य पत्र तैयार करता है।