首页 > 营销学院 > AI智能

让大型AI模型自主提问：GPT-4打破与人类对话的障碍，展现更高水平的表现

在最新的人工智能领域动态中，人工生成的提示（prompt）质量对大语言模型（LLM）的响应精度有着决定性影响。OpenAI 提出的建议指出，精确、详细且具体的问题对于这些大语言模型的表现至关重要。然而，普通用户是否能够确保他们的问题对于 LLM 来说足够清晰明了？

需要重新写的内容是：值得注意的是，人类在某些情境下的自然理解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却可能将其误解为天数为偶数的月份。这不仅揭示了人工智能在理解日常语境上的局限性，也促使我们反思如何更有效地与这些大型语言模型进行交流。随着人工智能技术的不断进步，如何弥合人类与机器在语言理解方面的鸿沟，是一个未来研究的重要课题

关于此事，加利福尼亚大学洛杉矶分校（UCLA）的顾全全教授领导的通用人工智能实验室发布了一份研究报告，提出了一种创新的解决方案，针对大语言模型（如 GPT-4）在问题理解上的歧义问题。这项研究是由邓依荷、张蔚桐和陈子翔博士生完成的

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

论文地址：https://arxiv.org/pdf/2311.04205.pdf
项目地址: https://uclaml.github.io/Rephrase-and-Respond

重写后的中文内容为：该方案的核心是让大型语言模型对提出的问题进行复述和扩写，以提高回答的准确性。研究发现，经过GPT-4重新表述的问题变得更加详细，问题格式也更清晰。这种复述和扩写的方法显著提高了模型的回答准确率。实验表明，一个经过良好复述的问题使得回答的准确率从原来的50%提高到接近100%。这一性能提升不仅展示了大型语言模型自我改进的潜力，也为人工智能如何更有效地处理和理解人类语言提供了新的视角

方法

基于以上的发现，研究者提出了一个简单但效果显著的提示词 (prompt)：“Rephrase and expand the question, and respond”（简称为 RaR）。这一提示词直接提高了 LLM 回答问题的质量，展示了在问题处理上的一个重要提升。

研究团队还提出了 RaR 的一种变体，称为 “Two-step RaR”，以充分利用像 GPT-4 这样的大模型复述问题的能力。这种方法遵循两个步骤：首先，针对给定的问题，使用一个专门的 Rephrasing LLM 生成一个复述问题；其次，将原始问题和复述后的问题结合起来，用于提示一个 Responding LLM 进行回答。

结果

研究人员进行了不同任务的实验，结果表明，无论是单步 RaR 还是两步 RaR，都能有效地提高 GPT4 的回答准确率。值得注意的是，RaR 在原本对 GPT-4 极具挑战性的任务上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%。研究团队总结了以下两点关键结论：

1. 复述并扩写（RaR）提供了一种即插即用的黑箱式提示方法，能够有效地提高 LLM 在各种任务上的性能。

2. 在评估 LLM 在问答（QA）任务上的表现时，检查问题的质量至关重要。

研究人员采用了Two-step RaR方法进行研究，以探究GPT-4、GPT-3.5和Vicuna-13b-v.15等不同模型的表现。实验结果表明，对于那些具备更复杂架构和更强大处理能力的模型，例如GPT-4，RaR方法可以显著提升其处理问题的准确性和效率。而对于较为简单的模型，例如Vicuna，尽管改进幅度较小，但仍然表明了RaR策略的有效性。基于此，研究人员进一步检查了不同模型复述后问题的质量。对于较小模型的复述问题，有时可能会扰乱问题的意图。而像GPT-4这样的高级模型提供的复述问题与人类的意图相符，并且可以增强其他模型的回答效果

这一发现揭示了一个重要的现象：不同等级的语言模型复述的问题在质量和效果上存在差异。特别是像 GPT-4 这样的高级模型，它复述的问题不仅能够为自身提供更清晰的问题理解，还能够作为一种有效的输入，提高其他较小模型的性能。

与思维链（CoT）的区别

为了理解 RaR 与思维链（CoT）之间的区别，研究人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。

在深入探讨如何增强模型推理能力之前，这项研究指出应该提高问题的质量，以确保能正确评估模型的推理能力。例如，“硬币翻转”问题，人们发现GPT-4将“翻转（flip）”理解为随机抛掷的动作，与人类的意图不同。即使使用“让我们逐步思考”来引导模型进行推理，这种误解仍会在推理过程中存在。只有在澄清问题之后，大型语言模型才会回答预期的问题

进一步的，研究人员注意到，除了问题文本之外，用于 few-shot CoT 的问答示例也是由人类编写的。这就引发了一个问题：当这些人工构造的示例存在缺陷时，大语言模型（LLM）会作出怎样的反应？该研究提供了一个很有意思的例子，并发现不良的 few-shot CoT 示例可能会对 LLM 产生负面影响。以 “末尾字母连接” 任务为例，先前使用的问题示例在提高模型性能方面显示出了积极效果。然而，当提示逻辑发生变化，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。

研究人员发现，使用 RaR，GPT-4 可以修正给定示例中的逻辑缺陷，从而提高 few-shot CoT 的质量和稳健性