ChatGPT提示词指令分享·技巧篇⑧
<h1>技巧8：少样本思维链</h1><p>为了弥补 Zero-Shot Chain of Thought（零样本思维链）存在的不足，可以采用一种更强的技巧：<strong>Few-Shot Chain of Thought（少样本思维链）</strong>。</p>
<p>这项技巧源于专业人士的研究，他们发现，如果给大型语言模型提供一些示例，并且在这些示例中清楚展示推理过程，那么模型在处理新问题时也会模仿这种“思考方式”，从而给出更可靠的答案。</p>
<p>操作方式其实非常直观：你只需在提示语中加入一些包含推理过程的例子，就能让模型更容易理解并正确解决问题。比如下图中这个例子就展示了，有了解释过程后，输出准确率提升了：<br />
<img src="data/attachment/forum/202506/05/182740us7eqoste8xaxau2.png" alt="image.png" title="image.png" /></p>
<p>我们在章节开头看到的问题，其实就可以这样设计：</p>
<pre><code>The odd numbers in this group add up to an even number: 4, 8, 9, 15, 12, 2, 1.
A: Adding all the odd numbers (9, 15, 1) gives 25. The answer is False.
The odd numbers in this group add up to an even number: 17, 10, 19, 4, 8, 12, 24.
A: Adding all the odd numbers (17, 19) gives 36. The answer is True.
...
The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1.
A:
</code></pre>
<p>除了 Few-Shot 本身的技巧，研究人员还指出了影响 Chain of Thought 表现的两个核心因素：</p>
<ol>
<li><strong>示例的标签和输入的语言模式非常关键</strong>，即使标签本身并不完全准确。</li>
<li><strong>格式感知能力很强</strong>，哪怕你给的标签是随机的，只要结构和模式清晰，模型就能学到要做什么。</li>
</ol>
<p>听起来有些抽象？我们可以看一个实际的情感分析例子：</p>
<pre><code>I loved the new Batman movie! // Negative
This is bad // Positive
This is good // Negative
What a good show! //
我太喜欢这部新的蝙蝠侠电影了！ // 消极
这太糟糕了 // 积极
这真不错 // 消极
多棒的演出啊！ //
</code></pre>
<p>虽然这些标注故意是错误的，但模型依然学会了“//”后面应该填写一个情绪类别。这说明模型并不依赖于标注的真实与否，而是通过模式识别，理解你希望它输出的格式和类型。</p>
<p>总结一下：</p>
<ul>
<li>给出示例会极大提升准确率，即使样本标注有误；</li>
<li>输入与输出的格式、结构非常重要；</li>
<li>此技巧同样仅在大模型（100B 参数及以上）中才显著有效。</li>
</ul>
<p>如果你想进一步深入了解 Chain of Thought 背后的理论和实践建议，推荐阅读斯坦福大学的课程材料：《Natural Language Processing with Deep Learning》。</p>
学习了，期待第9篇。
页:
[1]