从 prompting 的角度有哪些方法可以提高大模型在复杂任务上的性能表现呢？
汇总现有的一些方法：
细节法：给出更清晰的指令，包含更多具体的细节
分解法：将复杂的任务分解为更简单的子任务 （Let's think step by step, CoT，LangChain等思想）
记忆法：构建指令使模型时刻记住任务，确保不偏离任务解决路径（system 级 prompt）
解释法：让模型在回答之前进行解释，说明理由 （CoT 等方法）
投票法：让模型给出多个结果，然后使用模型选择最佳结果 （ToT 等方法）
示例法：提供一个或多个具体例子，提供输入输出示例 （one-shot, few-shot 等方法）
上面这些方法最好结合使用，以实现在复杂任务中实现使用不可靠工具（LLMs）构建可靠系统的目标。
原文： https://www.zhihu.com/pin/1661516375779852288
原创文章，作者：曾确令，如若转载，请注明出处：https://www.zengqueling.com/tsdmxkkxdpffhz/
赞 (0)
微信扫一扫
深度拆解 AI 全能导师 Mr. Ranedeer 的提示词
« 上一篇
2023年9月3日 am7:45
字节发布多模态大模型：BuboGPT
下一篇 »
2023年9月3日 am9:13
