When Emotional Stimuli meet Prompt Designing: An Auto-Prompt Graphical Paradigm

要約

Large Language Model (LLM) の開発に伴い、豊富な機能セットと独自のメリットを備えた多数のプロンプトが提案されています。
この論文は、大規模言語モデル (LLM) のプロンプトワードを要約し、それらを刺激タイプとフレームワークタイプに分類し、刺激プロンプトとフレームワークプロンプトの両方を組み合わせて、LLM の問題解決能力を強化する自動プロンプトグラフィカルパラダイム (APGP) を提案します。
複数のドメインを対象にし、このパラダイムに準拠したフレームワークを使用してそれを例示します。
このフレームワークには、プロンプトの自動生成と感情刺激要因の考慮が含まれており、問題の抽象化、多様な解決策の生成、包括的な最適化、および回答提供後の自己検証において LLM を導き、解決策の精度を確保します。
従来の刺激やフレームワーク プロンプトと比較して、このフレームワークは、APE の研究にヒントを得た自動化されたアプローチを採用することで両方の利点を統合し、手動で設計されたプロンプトの制限を克服します。
ruozhiba データセットと BBH データセットのテスト結果は、このフレームワークが問題解決における LLM の効率と精度を効果的に向上させ、LLM の新しいアプリケーションへの道を開くことができることを示しています。

要約(オリジナル)

With the development of Large Language Models (LLM), numerous prompts have been proposed, each with a rich set of features and their own merits. This paper summarizes the prompt words for large language models (LLMs), categorizing them into stimulating and framework types, and proposes an Auto-Prompt Graphical Paradigm(APGP) that combines both stimulating and framework prompts to enhance the problem-solving capabilities of LLMs across multiple domains, then exemplifies it with a framework that adheres to this paradigm. The framework involves automated prompt generation and consideration of emotion-stimulus factors, guiding LLMs in problem abstraction, diversified solutions generation, comprehensive optimization, and self-verification after providing answers, ensuring solution accuracy. Compared to traditional stimuli and framework prompts, this framework integrates the advantages of both by adopting automated approaches inspired by APE work, overcoming the limitations of manually designed prompts. Test results on the ruozhiba and BBH datasets demonstrate that this framework can effectively improve the efficiency and accuracy of LLMs in problem-solving, paving the way for new applications of LLMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google