通过提示策略增强评论文本的多领域情感分析
本文研究如何通过链式思维提示增强 LLM 的文本到 SQL 解析的推理能力,实验结果表明,通过避免错误传播的详细信息,新方法在 Spider 开发集上的表现比现有方法提高了 2.4 个绝对值。
May, 2023
本文提出了一种新的方法 Active-Prompt,通过任务特定的示例提示来适应 LLMs 的不同任务,通过从特定的查询池中选择最不确定的问题进行注释来确定哪些问题是最重要和有帮助的。经验结果表明了我们提出的方法的优越性,取得了八项复杂推理任务的最新成果。
Feb, 2023
我们对 Chain-of-Thought (CoT) 的关键因素进行了系统和全面的分析,介绍了如何在不同应用中更好地应用 CoT 提示,并提出了一些建议和未来的研究方向。
Oct, 2023
通过 CoT 提示方法来评估四个语言模型对第三年医学生反思性文章的打分,结果显示 Llama-7b 表现最差,均方误差最高,而 ChatGPT 表现出色,科恩卡帕分数达到 0.53。此外,所选模型均优先考虑用户隐私,允许用户删除自己进行的会话。
Sep, 2023
本文提出了一种新的 Text-to-SQL 任务提示范例,称为 Divide-and-Prompt,采用 Chain-of-thought prompting 和大型语言模型解决复杂的 Text-to-SQL 语义解析任务,实验表明这些提示方法提高了 LLM 生成更高执行准确性的 Text-to-SQL 的能力。
Apr, 2023
本论文研究了 Chain-of-Thought 提示对大型语言模型的多步推理能力的影响,发现即使使用无效的推理步骤,其提示也能达到 80-90% 的性能,并探究了其他理性方面的影响。
Dec, 2022
链式思维提示可以引导语言模型进行复杂的多步推理。我们提出了一种考虑演示模式多样性的提示方法,通过在中间步骤中结合步长和推理过程等模式,有效地缓解由演示引起的偏差问题并实现对不同场景的更好泛化。我们在两个开源 LLM 模型上进行了九个推理基准任务的实验,结果表明我们的方法大大提高了推理性能,并且对错误表现出鲁棒性。代码将公开提供。
Apr, 2024