查看“WikiEdge:ArXiv-2407.08995/summary”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2407.08995/summary|action=edit}} 编辑]</div>
这篇论文提出了一种名为[[自我提示调整]]（Self-Prompt Tuning）的新方法，旨在通过微调[[大型语言模型]]（LLMs）来实现自动生成[[角色扮演提示]]。主要内容包括：
# '''引言'''：介绍了大型语言模型（LLMs）在[[自然语言处理]]（NLP）领域的最新进展，以及角色扮演提示（role-play prompting）如何提升模型性能。指出了现有角色扮演提示策略的局限性，即任务特定性和设计劳动密集性。
# '''相关工作'''：回顾了[[指令调整]]（Instruction Tuning）和LLMs在角色扮演任务中的能力，以及各种复杂提示策略的研究和实践。
# '''自我提示调整'''：详细阐述了自我提示调整方法，包括构建[[LIMA-Role]]数据集和在该数据集上微调LLMs的过程。
# '''实验'''：通过在8个传统的NLP基准测试和开放式问题测试上的广泛评估，展示了自我提示调整LLMs相较于标准指令调整基线在大多数数据集上的性能提升。
# '''结论'''：总结了自我提示调整作为一种自动化复杂提示策略的新途径，并指出了研究的局限性，包括数据规模不足、角色扮演提示设计尝试有限以及未能在更大规模参数模型上应用该方法。