few-shot prompting
PulseAugur coverage of few-shot prompting — every cluster mentioning few-shot prompting across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLM 提示研究强调任务依赖性和技能焦点转移
新的研究探讨了大型语言模型 (LLM) 的提示工程的细微差别。一项研究表明，提示的鲁棒性因任务类型而异，主观问题比客观问题对提示更改更敏感。另一篇论文引入了“提示复杂度”的概念，将其定义为从 LLM 引发特定文本或行为所需的最短合理提示，并表明这种复杂度是模型相对的。此外，研究表明，鼓励更长提示的界面设计可以增强用户对 AI 生成内容的心理归属感，而更广泛的趋势表明，技能重点正从提示工程转移到输出评估。
-
少样本提示通过示例控制LLM输出
本文解释了少样本提示（few-shot prompting），这是一种无需微调即可控制大型语言模型（LLM）输出的技术。通过在实际查询之前提供几个输入-输出示例，模型可以学习所需的格式和任务。作者演示了该方法如何为情感分析和投诉提取生成确定性的JSON输出，并将其与不太可靠的零样本提示（zero-shot prompting）进行对比。该技术被呈现为许多常见任务的一种经济高效且灵活的替代微调的方法。
-
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 …