最新人工智能动态解析

人工智能领域正持续演进，尤其在大语言模型（LLM）的性能提升上，精准、详尽且具体的提示对于优化其响应精度至关重要。OpenAI的建议着重强调，这类LLM在处理任务时，精确性、细节度及具体性对表现具有决定性影响。然而，面对普通用户的提问，确保问题表述对于LLM而言足够清晰明确，仍是颇具挑战性的课题。

值得注意的是，人类与机器在理解日常语境上的差异，尤其是在特定概念的理解上。例如，“偶数月”这一概念对人类而言显然指的是特定月份，但GPT-4等模型可能会将其误解为月份天数为偶数的情况。这不仅反映了人工智能在语言理解上的局限性，也促使我们深入思考如何更有效地与这些LLM进行沟通。

加州大学洛杉矶分校（UCLA）的顾全全教授领导的研究团队，通过发布一份报告，针对大语言模型在问题理解上的歧义问题，提出了一种创新解决方案。这项研究由博士生邓依荷、张蔚桐和陈子翔共同完成。

该方案的核心在于引导大语言模型先复述再扩展问题，以提高回答的准确性。研究发现，通过GPT-4对问题进行复述与扩写，问题的清晰度和格式得到了显著提升。这一方法显著提高了模型的回答准确率，实验结果显示，复述后问题的准确率从50%提升至接近100%，不仅展示了大语言模型自我改进的潜力，也为理解人类语言提供了新视角。

方法概览

研究团队提出了一种简单而有效的提示词：“Rephrase and expand the question, and respond”（即“重述问题并扩充，然后回答”），这一提示词直接提升了LLM回答问题的质量，展示了问题处理上的显著提升。

为了充分利用大模型的复述能力，研究团队还提出了“Two-step RaR”方法，该方法分为两步：首先，使用专门的复述LLM生成问题的复述版本；其次，将原始问题与复述问题结合，作为提示引导另一个回答LLM进行回答。

结果展示

实验结果表明，无论是单步骤还是双步骤的RaR方法，都能有效提高GPT4等大模型在各种任务上的性能。特别地，在GPT-4这样的高级模型上，RaR方法的改进尤为显著，准确率接近100%。研究进一步发现，不同等级的语言模型在复述问题的质量上存在差异，尤其是GPT-4等高级模型的复述问题与人类意图更为契合，能够有效提升其他模型的性能。

思维链对比

与思维链（CoT）方法相比，RaR提供了一种易于应用的黑盒式提示策略，能够有效提高模型的推理能力和回答质量。通过深入分析，研究人员揭示了RaR与CoT在数学表述上的不同之处，以及如何将两者结合以进一步提升模型性能。

结论与展望

人类与大语言模型之间的沟通可能存在误解，即看似清晰的问题可能对模型产生混淆。UCLA的研究团队提出的RaR方法，通过引导模型先复述问题，再进行回答，旨在消除这种误解，实现更准确、有效的沟通。

通过在一系列基准数据集上的实验验证，RaR方法的有效性得到了证实。进一步的分析表明，通过复述得到的问题质量提升能够跨模型转移。展望未来，RaR等方法预计将不断完善，并与CoT等其他方法融合，为人类与大语言模型之间建立更加精准、高效的信息交互桥梁，推动人工智能解释和推理能力的边界拓展。