AIGC動態(tài)歡迎閱讀

原標(biāo)題：今日ArXiv最騷NLP論文：大模型卻能大幅提升效果的騷操作
關(guān)鍵字：提示,模型,幻覺,報告,性能
文章來源：夕小瑤科技說
內(nèi)容字?jǐn)?shù)：5009字

內(nèi)容摘要：

夕小瑤科技說 原創(chuàng)作者 |謝年年、python在大模型的提示工程中，少樣本提示，思維鏈提示（CoT）都是行之有效的方法，通過為大模型提供幾個樣例，為模型提供更多更相關(guān)的上下文，讓模型回答時有所參照，可以提高模型性能。
沒想到，騙大模型說有樣例，實則并沒有提供樣例，也能實現(xiàn)模型性能提升，如下圖所示：
通過提示模型查看“樣例”部分中的樣例，并利用該部分中的樣例和信息執(zhí)行以下任務(wù)。此處的 “樣例”部分在上下文中并不存在。
好家伙，無招勝有招啊！還能這么玩。
今天介紹的這篇論文發(fā)現(xiàn)通過如此簡單提示，可以提高模型在大多數(shù)任務(wù)上的性能。相比zero-shot，使用GPT-3.5 Turbo在算術(shù)推理任務(wù)上改進高達(dá)33.94%。
由于樣例部分為空，論文將這種提示取名為 ?-shot或者Null-Shot。
為了與GPT-3的論文《Language Models are Few-Shot Learners》呼應(yīng)，作者還將論文標(biāo)題定為：
《Large Language Models are Null-Shot Learners》
論文鏈接:https://arxiv.org/pdf/2401.08273

原文鏈接：今日ArXiv最騷NLP論文：大模型卻能大幅提升效果的騷操作

聯(lián)系作者

文章來源：夕小瑤科技說
作者微信：xixiaoyaoQAQ
作者簡介：更快的AI前沿，更深的行業(yè)洞見。聚集25萬AI應(yīng)用開發(fā)者、算法工程師和研究人員。一線作者均來自清北、國外頂級AI實驗室和互聯(lián)網(wǎng)大廠，兼?zhèn)涿襟wsense與技術(shù)深度。