Chain Of Thought Prompting
PulseAugur coverage of Chain Of Thought Prompting — every cluster mentioning Chain Of Thought Prompting across labs, papers, and developer communities, ranked by signal.
-
AI用户可定制“巨型提示”以获得完整的战略输出
文章介绍了“巨型提示”（Mega Prompts）技术，即通过精心设计的单个提示来生成完整的战略输出，类似于一份完整的咨询简报。该方法通过关注提示的架构而非长度，定义特定角色、期望的输出、顺序、细节级别、约束条件和格式，与传统提示方式形成对比。一个有效的巨型提示包含六个不同的层次，确保高质量、即用型的结果，无需反复修改。
-
新研究探讨LLM漏洞检测，提高准确性并分析提示词敏感性
两篇新研究论文探讨了使用大型语言模型（LLMs）进行软件漏洞检测。第一篇论文介绍了VULPO，一个新颖的on-policy优化框架，它使用新的数据集ContextVul，通过考虑上下文信息和推理轨迹来提高LLM识别漏洞的性能。专门的LLM VULPO-4B的性能显著优于现有方法。第二篇论文提出了PromptAudit，一个用于评估提示词敏感性如何影响基于LLM的漏洞检测的框架，发现虽然链式思考提示词（chain-of-thought …
-
新的提示方法通过多种策略增强 LLM 的零样本推理能力
研究人员推出了一种名为 Diverge-to-Induce Prompting (DIP) 的新框架，旨在提高大型语言模型 (LLM) 的零样本推理能力。DIP 通过首先为给定问题生成多个多样化的、高层次的推理过程来解决单一策略提示的局限性。然后，每个推理过程被扩展成一个详细的计划，最后将这些计划综合成一个单一的最终计划。与依赖单一推理策略的方法相比，这种多计划归纳方法在零样本推理任务中表现出更高的准确性。
-
新数据集评估大型语言模型对中文歧义的理解能力
研究人员开发了CHA-Gen，一个旨在评估大型语言模型理解中文语言歧义能力的新数据集。该数据集基于潜在歧义理论，包含超过5700个句子，是首个为中文歧义研究提供可扩展性的数据集。使用Gemma 3和Qwen 2.5/3系列等模型进行的评估显示，大型语言模型在检测歧义方面存在困难，尽管思维链提示（Chain-of-Thought prompting）有所改进。研究还识别了大型语言模型中常见的失败模式，如歧义盲视和错误归因，并指出存在偏向…