网站地图 怎么做,适合迷茫年轻人的工作,桂林网站制作,时事新闻热点本文是LLM系列的文章#xff0c;针对《Progressive-Hint Prompting Improves Reasoning in Large Language Models》的翻译。 渐进提示改进了大型语言模型中的推理 摘要1 引言2 相关工作3 渐进提示Prompting4 实验5 结论6 实现细节7 不足与未来工作8 广泛的影响9 具有不同提示…本文是LLM系列的文章针对《Progressive-Hint Prompting Improves Reasoning in Large Language Models》的翻译。 渐进提示改进了大型语言模型中的推理 摘要1 引言2 相关工作3 渐进提示Prompting4 实验5 结论6 实现细节7 不足与未来工作8 广泛的影响9 具有不同提示的模型响应 摘要
大型语言模型LLM在推理任务中的性能在很大程度上取决于提示设计思想链CoT和自洽性是增强这种能力的关键方法。然而这些方法并没有充分利用LLM生成的答案来指导后续响应。本文提出了一种新的提示方法称为渐进提示PHP通过使用以前生成的答案作为提示逐步引导用户找到正确的答案实现用户和LLM之间的自动多次交互。PHP与CoT和自一致性正交因此可以轻松地与最先进的技术相结合以进一步提高性能。我们在七个基准上进行了广泛而全面的实验。结果表明PHP在保持高效的同时显著提高了准确性。例如使用text-davinci-003我们观察到与复杂CoT相比贪婪解码的GSM8K改进了4.2%自一致性的样本路径减少了46.17%。通过GPT-4和PHP我们在SVAMP上实现了最先进的性能89.1%→ 91.9%、GSM8K92%→ 95.5%、AQuA76.4%→ 79.9%和数学50.3%→ 53.9%。
1 引言
2 相关工作
3 渐进提示Prompting
4 实验
5 结论
6 实现细节
7 不足与未来工作
8 广泛的影响
9 具有不同提示的模型响应
具有不同提示的模型响应。当呈现提示100时该模型准确地解决了该问题。相反如果提供的提示与正确答案偏离太远则模型可能会被误导。例如当提示为0时模型计算出未使用的胡萝卜量为80磅输出的答案为0。
