微軟僅憑「提示工程」讓GPT-4成醫學專家！專業測試準確率首次超90%_風聞

　　西風 發自 凹非寺

　　量子位 | 公眾號 QbitAI

　　微軟最新研究再次證明了提示工程的威力——

　　無需額外微調，無需專家策劃，僅憑提示，GPT-4就能化身“專家”。

　　使用他們提出的最新提示策略Medprompt，在醫療專業領域，GPT-4在MultiMed QA九個測試集中取得最優結果。

　　在MedQA數據集(美國醫師執照考試題)上，Medprompt讓GPT-4的準確率首次超過90%，超越BioGPT和Med-PaLM等一眾微調方法。

　　研究人員還表示Medprompt方法是通用的，不僅適用於醫學，還可以推廣到電氣工程、機器學習、法律等專業中。

　　這項研究在X（原Twitter）一經分享，就引發眾多網友關注。

　　沃頓商學院教授Ethan Mollick、Artificial Intuition作者Carlos E. Perez等都有轉發分享。

　　Carlos E. Perez直呼“出色的提示策略可以甩微調一大截”：

　　有網友表示早就有這種預感，現在能看到結果出來，真的是“so cool”：

　　還有網友表示這真的很“激進”：

　　GPT-4是一項能改變行業的技術，而我們還遠沒有觸及提示的極限，也未達到微調極限。

　　組合提示策略，“變身”專家

　　Medprompt是多種提示策略的組合體，包含三大法寶：

　　動態少樣本選擇（Dynamic few-shot selection）

　　自生成思維鏈（Self-generated chain of thought）

　　選項洗牌集成（Choice shuffling ensemble）

　　下面我們來一一介紹。

　　動態少樣本選擇

　　少樣本學習是讓模型快速學習上下文的一種有效的方法。簡單來説，就是輸入一些示例，讓模型快速適應特定領域，並學習遵循任務的格式。

　　這種用於特定任務提示的少樣本示例通常是固定的，所以對示例的代表性和廣泛性有較高的要求。

　　之前一種方法是讓領域專家手動製作範例，但即便如此，也不能保證專家策劃的固定的少樣本示例在每個任務中都有代表性。

　　因此，微軟研究人員提出了動態少樣本示例的方法。

　　想法是，任務訓練集可以作為少樣本示例的來源，如果訓練集足夠大，那就可以為不同的任務輸入選擇不同的少樣本示例。

　　具體來説，研究人員先利用text-embedding-ada-002模型為每個訓練樣本和測試樣本生成向量表示。然後，對於每個測試樣本，基於向量相似度，從訓練樣本中挑選出最相似的k個樣本。

　　與微調方法相比，動態少樣本選擇利用了訓練數據，但不需要對模型參數進行大量更新。

　　自生成思維鏈

　　思維鏈（CoT）方法就是讓模型一步一步思考，生成一系列中間推理步驟。

　　之前一種方法也是依賴專家手動編寫少量的帶有提示思維鏈的示例。

　　在這裏，研究人員發現，可以簡單地要求GPT-4使用以下提示為訓練示例生成思維鏈：

　　但研究人員也指出這種自動生成的思維鏈可能包含錯誤的推理步驟，於是設置了一個驗證標籤作為過濾器，可以有效減少錯誤。

　　與在Med-PaLM 2模型中專家手工製作的思維鏈示例相比，GPT-4生成的思維鏈基本原理更長，而且分步推理邏輯更細粒度。

　　選項洗牌集成

　　除此之外，GPT-4在做選擇題時，可能會存在一種偏見，就是不管選項內容是什麼，它會偏向總是選擇A，或者總是選擇B，這就是位置偏差。

　　為了減少這個問題，研究人員選擇將原來的選項順序打亂重排。比如原先選項是ABCD，可以變成BCDA、CDAB。

　　然後讓GPT-4做多輪預測，每輪使用選項的一個不同排列順序。如此一來“迫使”GPT-4考慮選項的內容。

　　最後對多輪預測結果做個投票，選擇最一致、正確的選項。

　　將以上幾種提示策略組合在一起就是Medprompt，下面來看測試結果。

　　多項測試最優

　　在測試中，研究人員採用了MultiMed QA評估基準。

　　使用Medprompt提示策略的GPT-4，在MultiMedQA的九個基準數據集中均取得最高分，優於Flan-PaLM 540B、Med-PaLM 2。

　　此外研究人員還討論了Medprompt策略在“Eyes-Off”數據上的表現，也就是在訓練或優化過程中模型未曾見過的數據中的表現，用於檢驗模型是否過擬合訓練數據。

　　結果GPT-4結合Medprompt策略在多個醫學基準數據集上表現出色，平均準確率達到了91.3%。

　　研究人員還在MedQA數據集上進行了消融實驗，探索了三個組件對於整體性能的相對貢獻。

　　其中自動生成思維鏈步驟對性能提升的貢獻最大。

　　而且GPT-4自動生成的思維鏈比Med-PaLM 2中專家策劃的得分更高：

　　最後，研究人員還探索了Medprompt的跨域泛化能力，取用了MMLU基準中的六個不同的數據集，涵蓋了電氣工程、機器學習、哲學、專業會計、專業法律和專業心理學的問題。

　　還添加了另外兩個包含NCLEX（美國護士執照考試）問題的數據集。

　　結果顯示，Medprompt在這些數據集上的效果與在MultiMedQA醫學數據集上的提升幅度相近，平均準確率提高了7.3%。

　　論文鏈接：https://arxiv.org/pdf/2311.16452.pdf

　　參考鏈接：

　　[1]https://twitter.com/erichorvitz/status/1729854235443884385

　　[2]https://twitter.com/emollick/status/1729733749657473327