在最新的人工智能领域动态中，人工生成的提醒（prompt）品质对大谈话模型（LLM）的响应精度有着决定性影响。OpenAI 提出的建议指出，精确、详细且具体的题目对于这些大谈话模型的表现至关重要。然而，普通用户是否可能确保他们的题目对于 LLM 来说足够明晰明了？
值得注意的是，人类在某些情境下的自然明白能力与机器的解读存在明显差异。例如，“偶数月” 这一概念，在人类看来很明显指的是二月，四月等月份，而 GPT-4 却可能将其误会为天数为偶数的月份。这不仅揭示了人工智能在明白日常语境上的局限性，也促使我们反思如何更无效地与这些大谈话模型进行交流。随着人工智能技术的不断进步，如何桥接人类与机器在谈话明白上的鸿沟，是一个未来钻研的重要课题。
对此，加利福尼亚大学洛杉矶分校（UCLA）顾全全教授领导的通用人工智能实行室发布了一份钻研报告，针对大谈话模型（如 GPT-4）在题目明白上的歧义题目提出了一种创新的解决方案。这项钻研由博士生邓依荷，张蔚桐，陈子翔完成。
论文地址：https://arxiv.org/pdf/2311.04205.pdf
项目地址: https://uclaml.github.io/Rephrase-and-Respond
该方案的核心在于让大谈话模型对提出的题目进行复述与扩写，以提升其答复的准确性。钻研发明，经 GPT-4 重新表述的题目变得更加详细，题目格式也更为明晰了。这种复述与扩写的法子显著提升了模型的答复准确率。实行表明，一个良好的复述之后的题目，使答复的准确率从原本的 50% 提升到了接近 100%。这一功能提升不仅展示了大谈话模型自我改进的潜力，也为人工智能如何更无效地处理和明白人类谈话提供了新的视角。
法子
鉴于以上的发明，钻研者提出了一个简单但效果显著的提醒词 (prompt)：“Rephrase and expand the question, and respond”（简称为 RaR）。这一提醒词直接提升了 LLM 答复题目的品质，展示了在题目处理上的一个重要提升。
钻研团队还提出了 RaR 的一种变体，称为 “Two-step RaR”，以充分利用像 GPT-4 这样的大模型复述题目的能力。这种法子遵循两个步骤：首先，针对给定的题目，使用一个专门的 Rephrasing LLM 生成一个复述题目；其次，将原始题目和复述后的题目结合起来，用于提醒一个 Responding LLM 进行答复。
结果
钻研职员在不同使命上的实行显示，无论是 (One-step) RaR 还是 Two-step RaR，都在提升 GPT4 的答复准确率方面显示出了一致的无效性。值得注意的是，在原本对于 GPT-4 极具挑战性的使命上，RaR 展现出了显著的改进效果，甚至在某些情况下准确率接近 100%。鉴于此，钻研团队总结了以下两点关键的结论：
1. 复述并扩写（RaR）提供了一种即插即用的黑箱式提醒法子，可能无效地提升 LLM 在各种使命上的功能。
2. 在评估 LLM 在问答（QA）使命上的表现时，检查题目的品质至关重要。
进一步的，钻研职员采用了 Two-step RaR 来探究 GPT-4、GPT-3.5 和 Vicuna-13b-v.15 等不同模型的表现。实行结果显示，对于那些具备更复杂架构和更强大处理能力的模型，如 GPT-4，RaR 法子可能显著提升其处理题目的准确性和效率。而对于较为简单的模型，例如 Vicuna，尽管改进幅度较小，但依然证明了 RaR 策略的无效性。鉴于此，钻研职员进一步检查了不同模型复述后的题目品质。对于较小模型的复述题目，有时可能对题目的意图产生扰动。而如 GPT-4 这样的高级模型提供的复述题目与人类的意图往往更加吻合，并能增强其他模型的答复效果。
这一发明揭示了一个重要的现象：不同等级的谈话模型复述的题目在品质和效果上存在差异。特别是像 GPT-4 这样的高级模型，它复述的题目不仅可能为自身提供更明晰的题目明白，还可能作为一种无效的输入，提升其他较小模型的功能。
与思维链（CoT）的区别
为了明白 RaR 与思维链（CoT）之间的区别，钻研职员提出了它们的数学表述，并阐明了 RaR 在数学上与 CoT 的不同之处，以及它们如何可以轻松结合。
这项钻研同时表明，在深入探讨如何增强模型推理能力之前，应该提升题目的品质以确保模型的推理能力可以被正确评估。比如 “硬币翻转” 题目，人们发明与人类的意图不同的是，GPT-4 将 “翻转（flip）” 这一词语明白为随机抛掷的动作。当引导模型使用 “Let’s think step by step” 来进行推理时，这种误会仍然存在于推理过程中。只有在澄清了题目之后，大谈话模型才会回应预期的题目。
进一步的，钻研职员注意到，除了题目文本之外，用于 few-shot CoT 的问答示例也是由人类编写的。这就引发了一个题目：当这些人工构造的示例存在缺陷时，大谈话模型（LLM）会作出怎样的反应？该钻研提供了一个很有意思的例子，并发明不良的 few-shot CoT 示例可能会对 LLM 产生负面影响。以 “末尾字母连接” 使命为例，先前使用的题目示例在提升模型功能方面显示出了积极效果。然而，当提醒逻辑发生变化，比如从找到末尾字母变成找到首位字母，GPT-4 却给出了错误的答案。这一现象突显了模型对人工示例的敏感性。
钻研职员发明，通过使用 RaR，GPT-4 可能纠正给定示例中的逻辑缺陷，从而提升 few-shot CoT 的品质和稳健性。
结论
人类和大谈话模型（LLM）之间交流可能存在误会：看似对人类明晰的题目可能仍会被大谈话模型明白成其他的题目。UCLA 的钻研团队鉴于这个题目提出 RaR 这一新颖法子，促使 LLM 先复述并澄清题目，然后再答复。
RaR 在一系列基准数据集上进行的实行评估证实了其法子的无效性。进一步分析显示，通过复述得到的题目品质提升是可以跨模型转移的。
展望未来，RaR 这类的法子预计将持续完善，以及它们与 CoT 等其他法子的整合，将为人类与大谈话模型之间更准确、更无效的互动铺平道路，最终拓展 AI 解释和推理能力的边界。