微軟最新研究再次證明了提示工程的威力——

無需額外微調，無需專家策劃，僅憑提示，GPT-4就能化身“專家”。

使用他們提出的最新提示策略Medprompt，在醫(yī)療專業(yè)領域，GPT-4在MultiMed QA九個測試集中取得最優(yōu)結果。

在MedQA數(shù)據(jù)集(美國醫(yī)師執(zhí)照考試題)上，Medprompt讓GPT-4的準確率首次超過90%，超越BioGPT和Med-PaLM等一眾微調方法。

研究人員還表示Medprompt方法是通用的，不僅適用于醫(yī)學，還可以推廣到電氣工程、機器學習、法律等專業(yè)中。

這項研究在X（原Twitter）一經分享，就引發(fā)眾多網(wǎng)友關注。

沃頓商學院教授Ethan Mollick、Artificial Intuition作者Carlos E. Perez等都有轉發(fā)分享。

Carlos E. Perez直呼“出色的提示策略可以甩微調一大截”：

有網(wǎng)友表示早就有這種預感，現(xiàn)在能看到結果出來，真的是“so cool”：

還有網(wǎng)友表示這真的很“激進”：

GPT-4是一項能改變行業(yè)的技術，而我們還遠沒有觸及提示的極限，也未達到微調極限。

組合提示策略，“變身”專家

Medprompt是多種提示策略的組合體，包含三大法寶：

• 動態(tài)少樣本選擇（Dynamic few-shot selection）
• 自生成思維鏈（Self-generated chain of thought）
• 選項洗牌集成（Choice shuffling ensemble）

下面我們來一一介紹。

動態(tài)少樣本選擇

少樣本學習是讓模型快速學習上下文的一種有效的方法。簡單來說，就是輸入一些示例，讓模型快速適應特定領域，并學習遵循任務的格式。

這種用于特定任務提示的少樣本示例通常是固定的，所以對示例的代表性和廣泛性有較高的要求。

之前一種方法是讓領域專家手動制作范例，但即便如此，也不能保證專家策劃的固定的少樣本示例在每個任務中都有代表性。

因此，微軟研究人員提出了動態(tài)少樣本示例的方法。

想法是，任務訓練集可以作為少樣本示例的來源，如果訓練集足夠大，那就可以為不同的任務輸入選擇不同的少樣本示例。

具體來說，研究人員先利用text-embedding-ada-002模型為每個訓練樣本和測試樣本生成向量表示。然后，對于每個測試樣本，基于向量相似度，從訓練樣本中挑選出最相似的k個樣本。

與微調方法相比，動態(tài)少樣本選擇利用了訓練數(shù)據(jù)，但不需要對模型參數(shù)進行大量更新。

自生成思維鏈

思維鏈（CoT）方法就是讓模型一步一步思考，生成一系列中間推理步驟。

之前一種方法也是依賴專家手動編寫少量的帶有提示思維鏈的示例。

在這里，研究人員發(fā)現(xiàn)，可以簡單地要求GPT-4使用以下提示為訓練示例生成思維鏈：

但研究人員也指出這種自動生成的思維鏈可能包含錯誤的推理步驟，于是設置了一個驗證標簽作為過濾器，可以有效減少錯誤。

與在Med-PaLM 2模型中專家手工制作的思維鏈示例相比，GPT-4生成的思維鏈基本原理更長，而且分步推理邏輯更細粒度。

選項洗牌集成

除此之外，GPT-4在做選擇題時，可能會存在一種偏見，就是不管選項內容是什么，它會偏向總是選擇A，或者總是選擇B，這就是位置偏差。

為了減少這個問題，研究人員選擇將原來的選項順序打亂重排。比如原先選項是ABCD，可以變成BCDA、CDAB。

然后讓GPT-4做多輪預測，每輪使用選項的一個不同排列順序。如此一來“迫使”GPT-4考慮選項的內容。

最后對多輪預測結果做個投票，選擇最一致、正確的選項。

將以上幾種提示策略組合在一起就是Medprompt，下面來看測試結果。

多項測試最優(yōu)

在測試中，研究人員采用了MultiMed QA評估基準。

使用Medprompt提示策略的GPT-4，在MultiMedQA的九個基準數(shù)據(jù)集中均取得最高分，優(yōu)于Flan-PaLM 540B、Med-PaLM 2。

此外研究人員還討論了Medprompt策略在“Eyes-Off”數(shù)據(jù)上的表現(xiàn)，也就是在訓練或優(yōu)化過程中模型未曾見過的數(shù)據(jù)中的表現(xiàn)，用于檢驗模型是否過擬合訓練數(shù)據(jù)。

結果GPT-4結合Medprompt策略在多個醫(yī)學基準數(shù)據(jù)集上表現(xiàn)出色，平均準確率達到了91.3%。

研究人員還在MedQA數(shù)據(jù)集上進行了消融實驗，探索了三個組件對于整體性能的相對貢獻。

其中自動生成思維鏈步驟對性能提升的貢獻最大。

而且GPT-4自動生成的思維鏈比Med-PaLM 2中專家策劃的得分更高：

最后，研究人員還探索了Medprompt的跨域泛化能力，取用了MMLU基準中的六個不同的數(shù)據(jù)集，涵蓋了電氣工程、機器學習、哲學、專業(yè)會計、專業(yè)法律和專業(yè)心理學的問題。

還添加了另外兩個包含NCLEX（美國護士執(zhí)照考試）問題的數(shù)據(jù)集。

結果顯示，Medprompt在這些數(shù)據(jù)集上的效果與在MultiMedQA醫(yī)學數(shù)據(jù)集上的提升幅度相近，平均準確率提高了7.3%。

論文鏈接：https://arxiv.org/pdf/2311.16452.pdf