Learn Prompting介紹
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。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、採用 CoT 方法的錯誤解釋，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。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。
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。
校準大語言模型
🟢 提示去偏差法
🟦 提示多樣性
🟦 提示集成
🟦 大語言模型自我評估
🟦 數學演算
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. ↩