Announcing our new Paper: The Prompt Report, with Co-authors from OpenAI & Microsoft!
Check it out →
Learn Prompting🟢 介紹
最後更新於August 7, 2024，作者：桑德舒爾霍夫本章介紹如何使 LLM 產生的結果更加可靠，以及如何透過檢查來確保 LLM 產生結果的可靠性。
在一定程度上，前面介紹的大部分技術都與提高補全準確度及可靠性有關，特別是自我一致性1。然而，除了基本提示策略之外，還有許多其他技術可以用於提高可靠性。
LLMs 存在各種問題，包括幻覺2、採用 CoT 方法的錯誤解釋2，以及多種偏差，包括多數標籤偏差、近期偏差和常見令牌偏差3。此外，在處理敏感話題時，zero-shot 思維鏈可能會產生特別的偏差4。
一些常見的解決方案包括使用校準器消除先驗偏差，使用驗證器對補全結果進行評分，以及在補全結果中增進多樣性。
Footnotes
-
Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi, E., Narang, S., Chowdhery, A., & Zhou, D. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. ↩
-
Ye, X., & Durrett, G. (2022). The Unreliability of Explanations in Few-shot Prompting for Textual Reasoning. ↩ ↩2
-
Zhao, T. Z., Wallace, E., Feng, S., Klein, D., & Singh, S. (2021). Calibrate Before Use: Improving Few-Shot Performance of Language Models. ↩
-
Shaikh, O., Zhang, H., Held, W., Bernstein, M., & Yang, D. (2022). On Second Thought, Let’s Not Think Step by Step! Bias and Toxicity in Zero-Shot Reasoning. ↩
Get AI Certified by Learn Prompting
Don't get left behind on AI
Sign up and get the latest AI news, prompts, and tools.
Join 30,000+ readers from companies like OpenAI, Microsoft, Google, Meta and more!