美国奥本大学提出Prompt分类法：TELeR，优化GPT使用

"美国奥本大学的研究团队针对GPT-4等大模型的Prompt设计问题，提出了一个名为TELeR的Prompt分类法，旨在解决Prompt设计不统一的问题，以提高大模型性能评估的准确性和可比性。" GPT-4等预训练语言模型在人工智能领域引起了广泛的关注，其强大的语言生成和理解能力使其成为许多应用的核心。然而，如何有效地与这些模型进行交互，尤其是设计出能够激发模型最佳性能的Prompt，一直是研究者和开发者面临的挑战。Prompt设计的质量直接影响到模型在各种任务中的表现，不一致的Prompt设计可能导致对模型能力的误判。 奥本大学的研究者们提出的Prompt分类法——TELeR，是一个结构化的框架，用于理解和标准化Prompt的设计。该分类法强调了Prompt的两个关键组成部分：提示数据（Data）和提示指引（Directive）。提示数据是指输入到模型中的上下文信息，而提示指引则是指导模型如何处理这些数据的指令。 TELeR分类法将提示指引划分为四个维度： 1. 轮次（Turn）：指的是模型和用户之间的交互次数或对话步骤，例如单轮或多轮对话。 2. 表达（Expression）：关注如何表达指令，包括语言形式、正式程度以及是否包含特定的引导词。 3. 细节级别（Level of Details）：涉及指令中提供的信息量，例如概括性描述与具体细节的区别。 4. 角色（Role）：指的是Prompt在对话中的功能，例如提问、回答、建议或者评论等。 通过TELeR分类法，研究者可以系统地分析和比较不同Prompt的设计，确保在评估大模型性能时，排除Prompt设计差异带来的影响，提供更具可比性的结果。这将有助于推动大模型研究的进展，促进社区对模型真实能力的理解，同时也为开发人员提供了一套更严谨的Prompt设计指南，以优化他们与AI系统的互动。 TELeR分类法的提出，标志着在提升大模型性能和理解其内在能力方面迈出了重要的一步，为未来的人工智能应用和研究提供了更为科学和统一的Prompt设计方法。通过这样的标准化，我们可以更准确地评估和比较不同模型的性能，进一步挖掘大模型的潜力，推动AI技术的发展。