2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

一记惊雷:改一下Prompt的输出顺序,就能显著影响LLM的评估结果

发布日期:2024-08-31 12:49:38 浏览次数: 3637
作者:AI修猫Prompt

微信搜一搜,关注“AI修猫Prompt”


如何有效评估目前AI的输出质量?这是一个大问题。来自东京大学的研究团队最近发表了一项开创性研究,深入探讨了LLM评估中的关键因素。让人感到炸裂的是:改变一下输出顺序就能显著影响LLM评估结果;如果Prompt中涉及评分和理由,先评分再给理由,先给理由再评分结果也会大不同;评分规则和模型类型也会对评分有明显影响。

01

评估困境:当AI遇上主观性

在AI发展的快车道上,我们似乎总是更关注如何让模型变得更强大、更智能。但是,一个常被忽视却同样重要的问题是:我们如何准确评估这些模型的输出质量?特别是在对话评估这样高度主观的任务中,这个问题变得尤为棘手。


图片来自公众号公共图片库

传统的自动评估指标如BLEU或ROUGE在面对开放式生成任务时往往显得力不从心。而人工评估虽然可靠,却耗时耗力,难以大规模应用。在这种背景下,利用LLM自身来评估AI生成的文本似乎成为了一个自然而然的选择。但这种方法真的可靠吗?

以上图中展示了四种GPT模型在不同输出指令配置下的评分分布。

  • 模型敏感度:GPT-3.5-turbo-0613和GPT-4-0613对输出指令的变化表现出更高的敏感度,评分分布差异明显。

  • 版本进化较新的模型版本(如GPT-3.5-turbo-1106和GPT-4-1106-preview)展现出更稳定的评分分布,暗示它们可能具有更强的指令理解能力。

  • '理由先行'效应在多数情况下,要求模型先给出理由再给分数(rs配置)会导致较高的评分,这一现象在GPT-3.5-turbo-0613中尤为明显。

  • 模型间差异GPT-4系列模型总体上给出了更高的评分,可能反映了它们对对话质量的不同理解或更严格的评判标准。

这些发现不仅揭示了LLM评估行为的复杂性,也为Prompt工程师在选择和使用模型时提供了重要参考。


02

"理由先行"

研究发现,当要求模型先给出评分理由,然后再给出具体分数时,评分结果往往更高。例如:


- 使用GPT-4-0613模型时,json(rs)配置(理由先行)的平均分为5.34


- 而json(sr)配置(分数先行)的平均分仅为3.26

研究者推测,这与LLM的自回归生成特性有关。当模型先给出理由时,它能够更全面地考虑输入的提示和自己生成的理由,从而做出更加深思熟虑的评分。

"理由先行":颠覆传统评分模式


研究中最引人注目的发现就是这个"理由先行"策略。传统上,我们可能会要求模型先给出分数,然后解释理由。但研究发现,如果我们调换这个顺序,让模型先给出评分理由,然后再给出具体分数,结果会大不相同。


为什么会这样?研究者推测,这与LLM的自回归生成特性有关。当模型先给出理由时,它能够更全面地考虑输入的提示和自己生成的理由,从而做出更加深思熟虑的评分。这一发现为Prompt工程师们提供了一个全新的视角:也许我们应该重新思考AI评估的整个流程。


提示输出设计:魔鬼藏在细节里


研究团队的核心发现之一是:在使用LLM进行评估时,提示(Prompt)的设计至关重要。它不仅影响评分的准确性,更深刻地影响了模型对任务的理解和执行。


具体来说,研究者们发现,仅仅改变输出指令的顺序,就能显著影响LLM的评分结果。这一发现对Prompt工程师们来说无疑是一记惊雷:我们习以为常的提示结构可能需要彻底重新思考。

03

模型敏感性:不同模型,不同表现

研究团队使用了多个GPT模型版本进行实验,结果显示不同版本的模型对提示的敏感程度各不相同。这一发现对Prompt工程师们提出了新的挑战:我们可能需要为不同的模型定制不同的评估策略。

- GPT-3.5-turbo-0613和GPT-4-0613表现出明显的顺序敏感性


- 而GPT-3.5-turbo-1106和GPT-4-1106-preview的敏感度相对较低

这一发现强调了在设计评估系统时需要考虑具体使用的模型版本。


这也意味着,在设计评估系统时,我们不能简单地假设一种方法适用于所有模型。相反,我们需要考虑到模型的特性,甚至可能需要为每个模型版本开发专门的评估提示。

04

规则理解:LLM的认知深度

研究还揭示了另一个关键因素:模型对评分规则的理解程度。当研究者在提示中加入特定的评分规则时,"不要仅仅因为问题影响不大就给出低分"不同模型表现出了不同程度的理解和执行能力。
规则的影响


- 当包含这些特殊规则时,不同配置间的评分差异更加明显


- 移除这些规则后,大多数评分变低,且配置间的差异减小


模型间的差异


- GPT-4-1106-preview表现出最强的规则理解能力,其评分分布在有无规则的情况下变化最小


- 相比之下,GPT-3.5-turbo系列模型对规则的敏感度更高


这一发现突出了LLM在理解和执行复杂指令方面的能力差异,为Prompt工程师提供了重要参考。
这一发现强调了Prompt设计的重要性。它不仅仅是告诉模型"做什么",更重要的是让模型理解"为什么这样做"。对Prompt工程师来说,这意味着我们需要更加精心地设计评分规则,确保模型能够准确理解和执行这些规则。

05

提示优化:AI辅助的评估进化

研究的另一个重要方向是提示优化。研究者们探索了两种优化方法:GRIPS和OPRO。这些方法试图通过迭代优化提示,使LLM的评分更接近人类专家的判断。
OPRO的方法来自谷歌,我之前有文章介绍过。       

谷歌DeepMind重磅:提示工程师必须掌握OPRO,用LLM就能自动优化Prompt|ICLR2024

虽然结果显示优化后的提示确实能在某些情况下提高评分的准确性,但这个过程也带来了新的挑战。例如,如何收集足够的配对数据用于优化?如何确保优化后的提示仍然保持结构化输出?这些问题都需要Prompt工程师们进一步探索。关于输出你也可以看下这篇:

如何正确约束输出格式,Deepmind最新:让LLM精准生成任何格式的文本,COLM2024


06

挑战和实践启示

尽管研究取得了令人振奋的进展,但AI评估领域仍面临诸多挑战:
- 数据收集:获取高质量的人工评分数据仍然是一个巨大挑战。


- 个性化优化:全局优化可能无法满足所有评估场景的需求。


- 结构化输出:如何在优化提示的同时保持输出的结构化是一个棘手的问题。


然而,这些挑战同时也代表着机遇。对Prompt工程师来说,这是一个广阔的创新空间。我们可以探索更智能的数据收集方法,开发针对特定任务的个性化优化策略,或者设计更灵活的输出结构。


这里有几点实践建议供Prompt工程师们参考:
1. 重视输出顺序:考虑让模型先给出评分理由,再给出具体分数。


2. 精心设计规则:确保评分规则清晰、具体,且易于模型理解。


3. 模型适配:为不同版本的模型定制评估策略。


4. 迭代优化:利用GRIPS或OPRO等方法持续优化评估提示。
根据论文的主要观点,我有一个最佳顺序的的Prompt框架,到群里你会得到这份框架。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅