本文探讨了如何通过退一步提示法提升大语言模型（LLM）的性能，特别是在STEM领域的实验，如MMLU测试。研究发现这种方法在处理抽象问题和推理时存在挑战，尤其是推理错误和数学错误。同时，文章分析了KnowledgeQA和Multi-HopReasoning任务中的表现与优化策略。
ICLR 2024 reviewer 打分 888
1 论文思路
- 思路很简单，在进行prompt的时候，先后退一步，从更宏观的角度来看问题，让LLM对问题有一个整体的理解；然后再回到detail上，让模型回答更具体的问题
2 实验——STEM
MMLU 高中物理和化学基准测试
2.1 实验效果
2.2 few-shot 例子数量的影响
2.3 错误案例分析
- 原则错误：错误发
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
