?1、AI玩詞謎游戲：編劇式提示讓大模型實力大增！

圖片

在人工智能的創新世界里，研究者提出了一個顛覆性的思路：將大語言模型比作"方法派演員"。就像演員需要深入理解角色，大模型也可以通過精心設計的"劇本"和"表演指導"來提升解決復雜問題的能力。這項研究以《紐約時報》的連接詞謎游戲為實驗場景，展示了這一創新思路的驚人效果。

圖片

研究團隊設計了四個關鍵原則：將提示工程視為編劇和導演、強調表演需要充分準備、將復雜任務分解到模仿和真實性產生相同結果的程度，以及在模仿失敗時尋找替代方案。通過這種"方法演員"式的提示架構，GPT-4o的連接詞謎游戲解題準確率從傳統方法的27%大幅提升到86%，堪稱質的飛躍。

圖片

在實驗中，研究者還測試了OpenAI最新的推理模型o1-preview。當使用傳統方法時，模型解決拼圖的準確率為79%，而采用"方法演員"提示后，準確率提升到87%。更令人印象深刻的是，在允許多次API調用的情況下，模型甚至能夠100%解決拼圖，超越了人類專家的表現。

圖片

這項研究不僅僅是關于解決一個詞謎游戲，更是為大語言模型的提示工程提供了一個全新的思考框架。它啟示我們，通過精心設計"劇本"和"表演指導"，AI可以像真正的"演員"一樣，更加靈活和intelligent地理解和解決復雜任務。。

論文標題：LLMs as Method Actors: A Model for Prompt Engineering and Architecture

論文鏈接：https://arxiv.org/abs/2411.05778

2、AI的自主"智慧尋寶"！一個檢索模型的誕生

圖片

在人工智能的知識檢索領域，研究者們提出了一個令人驚嘆的創新方案：Auto-RAG。這是一個能夠自主進行多輪對話檢索的模型，它不再依賴傳統的人工設計規則，而是充分發揮大語言模型的推理能力，像"偵探"一樣主動且智能地獲取信息。

圖片

Auto-RAG的工作原理就像一個智能對話系統。當遇到復雜問題時，它能自主決定是否需要繼續檢索更多信息。模型通過多輪對話，不斷調整和優化檢索策略，直到獲取足夠的外部知識來全面回答問題。在六個不同的基準測試中，這個模型展現出了卓越的性能，尤其在開放域問答和多跳問答任務上。

圖片

與傳統檢索增強生成方法不同，Auto-RAG最大的創新在于它能根據問題的復雜程度動態調整檢索輪數。更令人印象深刻的是，它還能用自然語言表達整個檢索過程，大大提高了模型的可解釋性，讓用戶能夠直觀地理解AI的思考過程。

圖片

這項研究不僅僅是技術的突破，更為我們展示了大語言模型在知識獲取方面的巨大潛力。Auto-RAG為未來的智能問答系統指明了一個全新的方向：讓AI不再被動接收信息，而是像人類一樣主動、靈活地獲取和整合知識。

論文標題：Auto-RAG: Autonomous Retrieval-Augmented Generation for Large Language Models

論文鏈接：https://arxiv.org/abs/2411.19443

本文轉載自 ??AI帝國??，作者： 無影寺