超级会员免费看
本文探讨了大型语言模型（LLM）在下游任务中的应用，重点在于提示工程对LLM性能的影响。通过35项研究，提出以目标为导向的提示方法，使LLM能按人类逻辑思考，提高性能。文中提出新的分类法，将方法分为五个阶段，并列举了十个应用任务，展望了未来四个发展方向。
本文是LLM系列文章，针对《Towards Goal-oriented Large Language Model Prompting: A Survey》的翻译。
摘要
大型语言模型（LLM）在各种下游任务中表现出突出的性能，其中提示工程在优化LLM的性能方面发挥着关键作用。本文并不是对当前提示工程方法的概述，而是旨在强调设计提示的局限性，同时提出一个拟人化的假设，期望LLM像人类一样思考。从我们对35项有代表性的研究的回顾中，我们证明了一种以目标为导向的提示公式，它引导LLM遵循既定的人类逻辑思维，显著提高了LLM的性能。此外，我们引入了一种新的分类法，将面向目标的提示方法分为五个相互关联的阶段，并通过总结十个适用的任务来证明我们的框架的广泛适用性。提出了未来的四个方向，希望进一步强调和推进目标导向的提示工程。
扫一扫
532
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
