大型语言模型中的自主提示工程
使用语言模型作自然语言指导的条件,我们提出了自动提示工程师(APE),通过搜索竞选一组精心设计的自动生成的提示中的最佳提示来优化指令来解决NLP任务中的性能问题,并实现对模型的更好的指导和性能提升。在24个任务中,通过自动产生的新指令,我们的APE方法可使性能提高,并在19个任务中的性能甚至好于人类注释者生成的指令。通过大量定性和定量分析,我们证明了APE的有效性。
Nov, 2022
该综述研究了快速建模在发挥大型语言模型的能力方面的关键作用,探讨了角色激励、单次指示、观点链、观点树等快速建模的基本原则和高级方法,并阐述了外部插件如何协助此任务并减少机器幻觉,强调了深入了解结构和代理角色在人工智能生成内容工具中的重要性,最后讨论了在教育和编程等领域中应用快速建模的实践和潜力。
Oct, 2023
PromptAgent 是一个优化方法,可以自动产生与专家级相等质量的提示,基于蒙特卡罗树搜索实现了对专家级提示的策略性规划和精确的领域洞察。
Oct, 2023
大型语言模型在各种下游任务中表现出显著性能,而引导工程在优化大型语言模型性能中起着关键作用。本文通过回顾35项代表性研究,突出设计提示的局限性,同时保持一个期待大型语言模型像人类思考的人类化假设。通过引导大型语言模型按照建立的人类逻辑思维,我们展示目标导向的提示形式显著提高了大型语言模型的性能。此外,我们引入了一个新的分类法,将目标导向的提示方法分为五个相互关联的阶段,并通过总结十个可适用任务来展示我们框架的广泛适用性。我们提出了四个未来方向,希望进一步强调和推动目标导向的提示工程。
Jan, 2024
本综述论文通过提供近期进展的结构化概述,对提示工程的不同方法和技术进行分类,详细介绍了提示方法学、应用领域、所使用的模型和数据集,并探讨了每种方法的优点、局限性以及通过分类图和表格总结了数据集、模型和关键点,从而更好地理解这一快速发展领域并为提示工程的未来研究提供洞察、揭示了开放性挑战和机遇。
Feb, 2024
通过结合人类设计的反馈规则,采用基于遗传算法的大语言模型驱动的离散提示优化框架,实现了对多步任务中自动提示的改进,相比现有的方法,平均有27.7%和28.2%的改善效果。
Feb, 2024
GPT-4在具有可控问题难度的三个算法任务中通过先进的提示技术展现了优越的准确性,证明了先进的大型语言模型在需要系统化泛化的挑战性任务中具备很强的基准性能。
Feb, 2024
大语言模型 (LLM)在许多任务上展现出了令人印象深刻的性能。然而,为了实现最佳性能,仍然需要特殊设计的提示方法。在这项工作中,我们试图引入通用提示的概念,它在设计原则上旨在在广泛的任务范围内实现最佳或接近最佳的性能,同时消除了手动选择和定制面向特定问题的提示的需求。此外,我们提出了一种创新的提示方法 MeMo(心智模型),它设计简单但有效地满足通用提示的要求。MeMo将各种提示方法的要点提炼成个别的心智模型,并允许LLMs自主选择最合适的心智模型来解决问题,在零样本设置下在STEM、逻辑推理和常识推理等多种任务上达到或接近于最新的研究结果。我们希望本文所提出的见解能够激发更多对LLMs的通用提示方法的探索。
Feb, 2024
利用大型语言模型,PromptWizard框架通过迭代合成和优化面向特定任务的提示信息,包括了指令和上下文示例的优化,提高了模型的性能。该框架在效率、数据量和小型语言模型上的适应性以及优于现有提示策略的实证评估中展现出优越性,呈现出良好的可行性和可扩展性。
May, 2024
通过在高质量、自动产生的提示补充数据集上训练的LLM,PAS作为一种基于LLM的即插即用APE系统,解决了用户在写作提示时面临的挑战,并实现了卓越的性能,在综合测试中超越了先前的APE模型,并改善了平均得分6.09点;此外,PAS具有高效性,在只有9000个数据点的情况下实现了卓越的性能;此外,PAS还可以自动生成提示增强数据,无需额外的人力投入;其灵活性使其与所有现有的LLMs兼容,并适用于各种任务;PAS在人类评价中表现出色,突显其作为用户插件的实用性和有效性。
Jul, 2024