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，在醫療專業領域，GPT-4在MultiMed QA九個測試集中取得最佳結果。
在MedQA資料集(美國醫師執照考試題)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。
研究人員也表示Medprompt方法是通用的，不僅適用於醫學，還可以推廣到電機工程、機器學習、法律等專業。
這項研究在X（原Twitter）一分享，就引發許多網友關注。
華頓商學院教授Ethan Mollick、Artificial Intuition作者Carlos E. Perez等都有轉寄分享。
Carlos E. Perez直呼「出色的提示策略可以甩微調一大截」：
有一些網友表示早就有這種預感，現在能看到結果出來，真的太酷了！
有些網友認為這真的很「激進」
GPT-4是一項能改變產業的技術，而我們還遠沒有觸及提示的極限，也未達微調極限。
Medprompt是多種提示策略的組合體，包含三大法寶：
接下來，我們將逐一介紹
少樣本學習是讓模型快速學習情境的一種有效的方法。簡單來說，就是輸入一些範例，讓模型快速適應特定領域，並學習遵循任務的格式。
這種用於特定任務提示的少樣本範例通常是固定的，所以對範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製作範例，但即便如此，也不能保證專家策劃的固定的少樣本範例在每個任務中都有代表性。
微軟研究人員提出了一種動態少樣本範例的方法，因此
想法是，任務訓練集可以作為少樣本範例的來源，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範例。
在特定操作上，研究人員首先使用text-embedding-ada-002模型為每個訓練樣本和測試樣本產生向量表示。然後，針對每個測試樣本，透過比較向量的相似度，從訓練樣本中選擇出與之最相似的k個樣本
與微調方法相比，動態少樣本選擇利用了訓練數據，但不需要對模型參數進行大量更新。
思考鏈（CoT）方法是一種讓模型逐步思考並產生一系列中間推理步驟的方法
以前的方法是依靠專家手動編寫一些帶有提示思維鏈的範例
在這裡，研究人員發現，可以簡單地要求GPT-4使用以下提示為訓練範例產生思維鏈：
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，於是設置了一個驗證標籤作為過濾器，可以有效減少錯誤。
與在Med-PaLM 2模型中專家手工製作的思維鏈範例相比，GPT-4產生的思維鏈基本原理更長，而且逐步推理邏輯更細粒度。
GPT-4在處理選擇題時可能存在一種偏見，即無論選項的內容是什麼，它傾向於總是選擇A或總是選擇B ，這就是位置偏差
為了解決這個問題，研究人員決定對原有的選項進行順序重排，以減少影響。例如，原本的選項順序為ABCD，可以改為BCDA、CDAB等
然後讓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。
最後對多輪預測結果做個投票，選擇最一致、正確的選項。
將以上幾個提示策略組合在一起就是Medprompt，以下來看測試結果。
在測試中，研究人員採用了MultiMed QA評估基準。
使用Medprompt提示策略的GPT-4，在MultiMedQA的九個基準資料集中均取得最高分，優於Flan-PaLM 540B、Med-PaLM 2。
此外，研究人員也討論了Medprompt策略在「Eyes-Off」資料上的表現。所謂「Eyes-Off」數據，指的是模型在訓練或優化過程中未曾見過的數據，用於檢驗模型是否過度擬合訓練數據
結果GPT-4結合Medprompt策略在多個醫學基準資料集上表現出色，平均準確率達到了91.3%。
研究人員對MedQA資料集進行了消融實驗，以探索三個組件對整體表現的相對貢獻
在其中，自動產生思維鏈步驟對於效能的提升起著最大的作用
GPT-4自動產生的思維鏈分數比Med-PaLM 2中專家策劃的得分更高，且不需要人工幹預
最後，研究人員也探討了Medprompt的跨域泛化能力，取用了MMLU基準中的六個不同的資料集，涵蓋了電機工程、機器學習、哲學、專業會計、專業法律和專業心理學的問題。
也增加了另外兩個包含NCLEX（美國護理師執照考試）問題的資料集。
結果顯示，Medprompt在這些資料集上的效果與在MultiMedQA醫學資料集上的提升幅度相近，平均準確率提高了7.3%。
請點選以下連結查看論文：https://arxiv.org/pdf/2311.16452.pdf
以上是微軟僅憑「提示工程」讓GPT-4成醫學專家！超過一眾高度微調模型，專業測試準確率首次超90%的詳細內容。更多資訊請關注PHP中文網其他相關文章！
