最近由马里兰大学、OpenAI、斯坦福大学、微软等12个机构联合发布了一份长达76页的Prompt技术报告，对生成式人工智能（GenAI）系统中的提示技术（Prompting Techniques）进行了系统性的查和分类，提供了33个提示相关的词汇表、58种文本提示技术的分类、40种其他模态的技术、4大类Agents提示技术。
添加图片注释，不超过 140 字（可选）
1. 引言
介绍了生成式人工智能（GenAI）系统在不同领域的广泛应用，并强调了通过提示（Prompting）或提示工程（Prompt engineering）与这些系统进行交互的重要性以及一些基础性概念知识。
提示的术语：33个术语的全面词汇表
添加图片注释，不超过 140 字（可选）
- GenAI系统的部署：基于Transformer的大型语言模型（LLMs）被广泛应用于面向消费者、内部使用和研究环境中。
- 提示的构成：Prompt的常见组成部分，包括指令、示例、输出格式化、角色和附加信息。
- 提示的作用：用户通过提供输入提示来与这些模型交互，模型根据提示生成相应的输出。提示可以是文本形式，也可以是图像、音频、视频或其他媒体形式。
- 提示工程的重要性：了解如何有效地构建、评估和执行提示任务对于使用这些模型至关重要。更好的提示可以提高模型在各种任务上的性能。
- 提示领域的挑战：尽管提示是一个广泛研究的概念，但由于该领域的新兴性，关于提示构成的术语使用混乱，缺乏统一的本体理解。
- 研究范围和目标：论文的目标是创建一个包含提示技术术语和方法的资源库，以促进该领域的理解和发展。研究范围限定在离散前缀提示，不包括基于梯度更新的技术（如微调）。
- 系统性回顾：基于PRISMA流程的进行系统性文献回顾，以识别和分类不同的文本基础提示技术。
- 术语和定义：论文提供了一个包含33个术语的全面词汇表，并对提示的不同组成部分进行了定义和讨论。
在提示领域内的类别是相互连接的。讨论了7个核心类别，这些类别在研究范围内的论文中有详细的描述。
添加图片注释，不超过 140 字（可选）
2. Prompting元分析
对现有文献中提示技术（prompting techniques）的全面审视和分类，采用了基于PRISMA流程的系统性回顾方法，以收集和分析与提示技术相关的文献。
PRISMA评审流程。累积了4,247条独特的记录，从中提取了1,565条相关记录。
添加图片注释，不超过 140 字（可选）
- 文本基础提示技术：详细介绍了58种不同的文本基础提示技术，并将其分为六大类别，包括：
- 情境学习（In-Context Learning, ICL）
- 零样本提示（Zero-Shot）
- 思维生成（Thought Generation）
- 分解（Decomposition）
- 集成（Ensembling）
- 自我批评（Self-Criticism）
- 提示技术的使用：分析了在研究和行业中常用的提示技术，并讨论了它们在不同模型和数据集上的基准测试。
- 提示工程：探讨了自动优化提示的技术，包括元提示（Meta Prompting）、自动提示工程（Automatic Prompt Engineering）等。
- 答案工程：讨论了从大型语言模型（LLM）输出中提取精确答案的过程，包括答案形状、答案空间和答案提取器的设计决策。
58种不同的文本基础提示技术
添加图片注释，不超过 140 字（可选）
在设计少量样本提示时强调六个主要的设计决策。*请注意，这里的建议并不适用于所有任务；在某些情况下，每一项都可能损害性能。
添加图片注释，不超过 140 字（可选）
提示技术的引用次数。数据集中的前25篇论文，按它们在数据集中被其他论文引用的频率来衡量。这里的大多数论文是关于提示技术*的，其余的论文包含了提示建议。
添加图片注释，不超过 140 字（可选）
3. 多语言和多模态提示技术
探讨了超越英语文本提示（prompting）的领域，主要关注多语言（multilingual）和多模态（multimodal）提示技术。
3.1 Multilingual (多语言)
18种多语言提示技术
添加图片注释，不超过 140 字（可选）
- 3.1.1 Chain-of-Thought (CoT): 这是一种多语言提示技术，通过提供一系列逻辑步骤来引导模型生成特定输出。
- 3.1.2 In-Context Learning: 利用上下文中的示例来训练模型，使其能够理解和执行特定任务。
- 3.1.3 In-Context Example Selection: 在上下文中选择与任务相关的示例，以提高模型的性能。
- 3.1.4 Prompt Template Language Selection: 选择合适的提示模板语言对于多语言模型的性能至关重要。
- 3.1.5 Prompting for Machine Translation: 讨论了如何使用提示技术来改进机器翻译。
3.2 Multimodal (多模态)
5大类多模态提示技术
添加图片注释，不超过 140 字（可选）
- 3.2.1 Image Prompting: 使用图像作为提示，引导模型进行图像生成、分类或编辑等任务。
- 3.2.2 Audio Prompting: 音频提示技术，用于处理与声音相关的任务。
- 3.2.3 Video Prompting: 视频提示技术，用于视频生成、编辑或理解等任务。
- 3.2.4 Segmentation Prompting: 用于图像或视频的分割任务，帮助模型理解数据的不同部分。
- 3.2.5 3D Prompting: 用于3D对象合成、表面纹理化或4D场景生成等任务。
4. Agents提示技术
探讨了提示技术（prompting techniques）的扩展：Agents与Evaluation，这些扩展使得生成式人工智能（GenAI）系统更加强大和灵活。
4.1 Evaluation（评估）
大型语言模型（LLMs）提取信息、进行推理以及理解用户意图的潜力使它们成为强大的评估者候选。例如，可以提示LLM根据提示中定义的一些指标来评估一篇文章的质量，甚至是先前LLM输出的质量。构建强大评估者的四个重要组成部分：提示技术、评估的输出格式、评估流程的框架，以及其他一些方法论设计决策。
Evaluation四大组成部分
添加图片注释，不超过 140 字（可选）
- 4.1.1 Prompting Techniques：评估过程中使用的提示技术，包括角色扮演、上下文学习等，以确保评估的质量和一致性。
- 4.1.2 Output Format：评估的输出格式，如线性量表、二元评分或Likert量表，这些格式影响评估的性能和准确性。
- 4.1.3 Prompting Frameworks：评估框架，如LLM-EVAL、G-EVAL和ChatEval，它们提供了结构化的方式来评估LLM输出的质量。
- 4.1.4 Other Methodologies：其他评估方法，包括批量提示（batch prompting）和成对评估（pairwise evaluation），这些方法旨在提高评估的效率和效果。
4.2 Agents（智能体）
4大类Agents
添加图片注释，不超过 140 字（可选）
- 4.2.1 Tool Use Agents：这些智能体使用外部工具来增强GenAI系统的功能，例如使用计算器或代码解释器来执行数学计算或编程任务。
- 4.2.2 Code-Generation Agents：专注于生成代码的智能体，它们可以将问题直接转化为代码，并由解释器执行以产生答案。
- 4.2.3 Observation-Based Agents：基于观察的智能体通过与环境交互来解决问题，例如在玩具环境中进行操作和学习。
- 4.2.4 Retrieval Augmented Generation (RAG)：这种智能体结合了检索（retrieval）和生成（generation），通过从外部源检索信息并将其整合到提示中，以提高知识密集型任务的性能。
https://arxiv.org/abs/2406.06608
扫一扫
71
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
