今日ArXiv最骚NLP论文：欺骗大模型却能大幅提升效果的骚操作

AIGC动态欢迎阅读

原标题：今日ArXiv最骚NLP论文：欺骗大模型却能大幅提升效果的骚操作
关键字：提示,模型,幻觉,报告,性能
文章来源：夕小瑶科技说
内容字数：5009字

内容摘要：

夕小瑶科技说 原创作者 |谢年年、python在大模型的提示工程中，少样本提示，思维链提示（CoT）都是行之有效的方法，通过为大模型提供几个样例，为模型提供更多更相关的上下文，让模型回答时有所参照，可以提高模型性能。
没想到，骗大模型说有样例，实则并没有提供样例，也能实现模型性能提升，如下图所示：
通过提示模型查看“样例”部分中的样例，并利用该部分中的样例和信息执行以下任务。此处的 “样例”部分在上下文中并不存在。
好家伙，无招胜有招啊！还能这么玩。
今天介绍的这篇论文发现通过如此简单提示，可以提高模型在大多数任务上的性能。相比zero-shot，使用GPT-3.5 Turbo在算术推理任务上改进高达33.94%。
由于样例部分为空，论文将这种提示取名为 ∅-shot或者Null-Shot。
为了与GPT-3的论文《Language Models are Few-Shot Learners》呼应，作者还将论文标题定为：
《Large Language Models are Null-Shot Learners》
论文链接:https://arxiv.org/pdf/2401.08273

原文链接：今日ArXiv最骚NLP论文：欺骗大模型却能大幅提升效果的骚操作

联系作者

文章来源：夕小瑶科技说
作者微信：xixiaoyaoQAQ
作者简介：更快的AI前沿，更深的行业洞见。聚集25万AI应用开发者、算法工程师和研究人员。一线作者均来自清北、国外顶级AI实验室和互联网大厂，兼备媒体sense与技术深度。