大型语言模型平衡情感的多目标进化优化
通过连接大型语言模型和进化算法,本论文提出了一种用于离散提示优化的新框架 ——EvoPrompt,极大地提升了语言理解和生成任务中大型语言模型的表现,并展示了语言模型与传统算法结合的协同效应。
Sep, 2023
通过建立统一的上下文提示优化框架,本研究旨在实现上下文提示和示例的联合优化,并提出了一个高效的自动提示优化框架 PhaseEvo,它结合了 LLMs 的生成能力和进化算法的全局搜索能力,通过创新的基于 LLMs 的变异操作提高搜索效率并加速收敛。实验证明,PhaseEvo 在保持良好效率的同时大幅度优于最先进的基线方法。
Feb, 2024
使用自然语言模型作为演化神经架构搜索算法的自适应变异和交叉操作,构建 EvoPrompting 方法,可有效设计准确高效的神经网络架构,用于图神经网络搜索等领域。
Feb, 2023
自动提示优化是改进大型语言模型性能的重要方法。本文提出了一种新颖的视角,通过与基于梯度的模型优化器进行类比,设计了改进的 LLM-based 提示优化器的策略。实验结果表明 GPO 具有有效性和高效性,并分别相对基准方法在 Big-Bench Hard 和 MMLU 上带来了多达 56.8% 和 55.3% 的额外改进。
Feb, 2024
大型语言模型的多模态内容理解和推理能力取得了令人印象深刻的成果,我们提出了一种名为 POEM 的视觉分析系统,以促进对 LLMs 的多模态推理性能的有效提示工程。该系统支持用户通过多样化的示例和指导原则,循环迭代地设计和改进提示,以实现模型知识与人类洞察力的更好对齐和增强。通过两个案例研究和专家访谈验证了我们系统的有效性和高效性。
Jun, 2024
工程设计优化需要高效结合三维形状表示、优化算法和设计性能评估方法,我们提出了一种在车辆设计场景中利用视觉语言模型来惩罚生成模型合成的不切实际汽车设计的快速演化设计优化 (PEDO) 框架。
Jun, 2024
在此工作中,我们提出了一种名为 OPRO 的优化方法,利用大型语言模型作为优化器,通过自然语言描述优化任务。我们首先展示了 OPRO 在线性回归和旅行商问题上的应用,然后转向优化提示,目标是找到最大化任务准确性的指令。我们通过多种大型语言模型的实验证明,OPRO 通过优化提示的方式胜过人工设计的提示,在 GSM8K 上提高了最多 8%,在 Big-Bench Hard 任务上提高了最多 50%。
Sep, 2023
我们研究了自动的长提示工程算法,证明了贪婪算法和遗传算法在搜索效率方面的优越性,并引入了两种利用搜索历史增强搜索算法效果的新技术。我们的研究结果表明,该算法在 Big Bench Hard 的八个任务中实现了平均 9.2% 的准确度提升,突显了自动化提示设计对充分利用 LLMs 的能力的重要性。
Nov, 2023