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優結果。

在 MedQA 數據集 (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。

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

這項研究在 X（原 Twitter）一經分享，就引發眾多網友關注。

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

Carlos E. Perez 直呼“出色的提示策略可以甩微調一大截”：

有網友表示早就有這種預感，現在能看到結果出來，真的是“so cool”：

還有網友表示這真的很“激進”：

GPT-4 是一項能改變行業的技術，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爱游戏(ayx)中国官方网站專家手動制作范例，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。

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，研究人員發現，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

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 的九個基準數據集中均取得最高分，優于 Flan-PaLM 540B、Med-PaLM 2。

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

結果 GPT-4 結合 Medprompt 策略在多個醫學基準數據集上表現出色，平均準確率達到了 91.3%。

研究人員還在 MedQA 數據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據集，涵蓋了電氣工程、機器學習、哲學、專業會計、專業法律和專業心理學的問題。

還添加了另外兩個包含 NCLEX（美國護士執照考試）問題的數據集。

結果顯示，Medprompt 在這些數據集上的效果與在 MultiMedQA 醫學數據集上的提升幅度相近，平均準確率提高了 7.3%。