改一下Prompt的输出顺序，就能显著影响LLM的评估结果

如何有效评估目前AI的输出质量？这是一个大问题。来自东京大学的研究团队最近发表了一项开创性研究，深入探讨了LLM评估中的关键因素。让人感到炸裂的是：改变一下输出顺序就能显著影响LLM评估结果；如果Prompt中涉及评分和理由，先评分再给理由，先给理由再评分结果也会大不同；评分规则和模型类型也会对评分有明显影响。

01评估困境：当AI遇上主观性

在AI发展的快车道上，我们似乎总是更关注如何让模型变得更强大、更智能。但是，一个常被忽视却同样重要的问题是：我们如何准确评估这些模型的输出质量？特别是在对话评估这样高度主观的任务中，这个问题变得尤为棘手。
传统的自动评估指标如BLEU或ROUGE在面对开放式生成任务时往往显得力不从心。而人工评估虽然可靠，却耗时耗力，难以大规模应用。在这种背景下，利用LLM自身来评估AI生成的文本似乎成为了一个自然而然的选择。但这种方法真的可靠吗？

以上图中展示了四种GPT模型在不同输出指令配置下的评分分布。

模型敏感度：GPT-3.5-turbo-0613和GPT-4-0613对输出指令的变化表现出更高的敏感度，评分分布差异明显。

版本进化：较新的模型版本(如GPT-3.5-turbo-1106和GPT-4-1106-preview)展现出更稳定的评分分布，暗示它们可能具有更强的指令理解能力。

'理由先行’效应：在多数情况下,要求模型先给出理由再给分数(rs配置)会导致较高的评分，这一现象在GPT-3.5-turbo-0613中尤为明显。

模型间差异：GPT-4系列模型总体上给出了更高的评分,可能反映了它们对对话质量的不同理解或更严格的评判标准。

这些发现不仅揭示了LLM评估行为的复杂性,也为Prompt工程师在选择和使用模型时提供了重要参考。

02"理由先行"

研究发现，当要求模型先给出评分理由，然后再给出具体分数时，评分结果往往更高。例如：

• 使用GPT-4-0613模型时，json(rs)配置(理由先行)的平均分为5.34

• 而json(sr)配置(分数先行)的平均分仅为3.26

研究者推测，这与LLM的自回归生成特性有关。当模型先给出理由时，它能够更全面地考虑输入的提示和自己生成的理由，从而做出更加深思熟虑的评分。

“理由先行”：颠覆传统评分模式
研究中最引人注目的发现就是这个"理由先行"策略。传统上，我们可能会要求模型先给出分数，然后解释理由。但研究发现，如果我们调换这个顺序，让模型先给出评分理由，然后再给出具体分数，结果会大不相同。
为什么会这样？研究者推测，这与LLM的自回归生成特性有关。当模型先给出理由时，它能够更全面地考虑输入的提示和自己生成的理由，从而做出更加深思熟虑的评分。这一发现为Prompt工程师们提供了一个全新的视角：也许我们应该重新思考AI评估的整个流程。
提示输出设计：魔鬼藏在细节里
研究团队的核心发现之一是：在使用LLM进行评估时，提示(Prompt)的设计至关重要。它不仅影响评分的准确性，更深刻地影响了模型对任务的理解和执行。
具体来说，研究者们发现，仅仅改变输出指令的顺序，就能显著影响LLM的评分结果。这一发现对Prompt工程师们来说无疑是一记惊雷：我们习以为常的提示结构可能需要彻底重新思考。

03模型敏感性：不同模型，不同表现

研究团队使用了多个GPT模型版本进行实验，结果显示不同版本的模型对提示的敏感程度各不相同。这一发现对Prompt工程师们提出了新的挑战：我们可能需要为不同的模型定制不同的评估策略。

• GPT-3.5-turbo-0613和GPT-4-0613表现出明显的顺序敏感性

• 而GPT-3.5-turbo-1106和GPT-4-1106-preview的敏感度相对较低

这一发现强调了在设计评估系统时需要考虑具体使用的模型版本。

这也意味着，在设计评估系统时，我们不能简单地假设一种方法适用于所有模型。相反，我们需要考虑到模型的特性，甚至可能需要为每个模型版本开发专门的评估提示。

04规则理解：LLM的认知深度

研究还揭示了另一个关键因素：模型对评分规则的理解程度。当研究者在提示中加入特定的评分规则时，如"不要仅仅因为问题影响不大就给出低分"。不同模型表现出了不同程度的理解和执行能力。
规则的影响

• 当包含这些特殊规则时，不同配置间的评分差异更加明显
• 移除这些规则后，大多数评分变低，且配置间的差异减小
  模型间的差异
• GPT-4-1106-preview表现出最强的规则理解能力，其评分分布在有无规则的情况下变化最小
• 相比之下，GPT-3.5-turbo系列模型对规则的敏感度更高
  这一发现突出了LLM在理解和执行复杂指令方面的能力差异，为Prompt工程师提供了重要参考。
  这一发现强调了Prompt设计的重要性。它不仅仅是告诉模型"做什么"，更重要的是让模型理解"为什么这样做"。对Prompt工程师来说，这意味着我们需要更加精心地设计评分规则，确保模型能够准确理解和执行这些规则。

05提示优化：AI辅助的评估进化

研究的另一个重要方向是提示优化。研究者们探索了两种优化方法：GRIPS和OPRO。这些方法试图通过迭代优化提示，使LLM的评分更接近人类专家的判断。
虽然结果显示优化后的提示确实能在某些情况下提高评分的准确性，但这个过程也带来了新的挑战。例如，如何收集足够的配对数据用于优化？如何确保优化后的提示仍然保持结构化输出？这些问题都需要Prompt工程师们进一步探索。

06挑战和实践启示

尽管研究取得了令人振奋的进展，但AI评估领域仍面临诸多挑战：

• 数据收集：获取高质量的人工评分数据仍然是一个巨大挑战。
• 个性化优化：全局优化可能无法满足所有评估场景的需求。
• 结构化输出：如何在优化提示的同时保持输出的结构化是一个棘手的问题。
  然而，这些挑战同时也代表着机遇。对Prompt工程师来说，这是一个广阔的创新空间。我们可以探索更智能的数据收集方法，开发针对特定任务的个性化优化策略，或者设计更灵活的输出结构。
  这里有几点实践建议供Prompt工程师们参考：

1. 重视输出顺序：考虑让模型先给出评分理由，再给出具体分数。
2. 精心设计规则：确保评分规则清晰、具体，且易于模型理解。
3. 模型适配：为不同版本的模型定制评估策略。
4. 迭代优化：利用GRIPS或OPRO等方法持续优化评估提示。
   根据论文的主要观点，我有一个最佳顺序的的Prompt框架，到群里你会得到这份框架。

零基础如何学习大模型 AI

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型实际应用案例分享

①智能客服：某科技公司员工在学习了大模型课程后，成功开发了一套基于自然语言处理的大模型智能客服系统。该系统不仅提高了客户服务效率，还显著降低了人工成本。
②医疗影像分析：一位医学研究人员通过学习大模型课程，掌握了深度学习技术在医疗影像分析中的应用。他开发的算法能够准确识别肿瘤等病变，为医生提供了有力的诊断辅助。
③金融风险管理：一位金融分析师利用大模型课程中学到的知识，开发了一套信用评分模型。该模型帮助银行更准确地评估贷款申请者的信用风险，降低了不良贷款率。
④智能推荐系统：一位电商平台的工程师在学习大模型课程后，优化了平台的商品推荐算法。新算法提高了用户满意度和购买转化率，为公司带来了显著的增长。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。

学习资料领取

如果你对大模型感兴趣，可以看看我整合并且整理成了一份AI大模型资料包，需要的小伙伴文末免费领取哦，无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，皆可用。

三、视频和书籍PDF合集

从入门到进阶这里都有，跟着老师学习事半功倍。

如果二维码失效，可以点击下方链接，一样的哦
【CSDN大礼包】最新AI大模型资源包，这里全都有！无偿分享！！！

😝朋友们如果有需要的话，可以V扫描下方二维码联系领取~