分享
自动提示工程师(APE)
输入“/”快速插入内容
自动提示工程师(APE)
图片来源:
Zhou等人,(2022)(opens in a new tab)
Zhou等人,(2022)(opens in a new tab)
提出了自动提示工程师 (APE),这是一个用于自动指令生成和选择的框架。指令生成问题被构建为自然语言合成问题,使用 LLMs 作为黑盒优化问题的解决方案来生成和搜索候选解。
第一步涉及一个大型语言模型(作为推理模型),该模型接收输出演示以生成任务的指令候选项。这些候选解将指导搜索过程。使用目标模型执行指令,然后根据计算的评估分数选择最合适的指令。
APE 发现了一个比人工设计的“让我们一步一步地思考”提示更好的零样本 CoT 提示 (
Kojima 等人,2022(opens in a new tab)
)。
提示“让我们一步一步地解决这个问题,以确保我们有正确的答案。”引发了思维链的推理,并提高了 MultiArith 和 GSM8K 基准测试的性能:
图片来源:
Zhou等人,(2022)(opens in a new tab)
本文涉及与提示工程相关的重要主题,即自动优化提示的想法。虽然我们在本指南中没有深入探讨这个主题,但如果您对此主题感兴趣,以下是一些关键论文:
•
Prompt-OIRL(opens in a new tab)
- 使用离线逆强化学习来生成与查询相关的提示。
•
OPRO(opens in a new tab)
- 引入使用 LLMs 优化提示的思想:让 LLMs “深呼吸”提高数学问题的表现。
•
AutoPrompt(opens in a new tab)
- 提出了一种基于梯度引导搜索的方法,用于自动创建各种任务的提示。
•
Prefix Tuning(opens in a new tab)
- 是一种轻量级的 fine-tuning 替代方案,为 NLG 任务添加可训练的连续前缀。
•
Prompt Tuning(opens in a new tab)
- 提出了一种通过反向传播学习软提示的机制。