微软仅凭「提示工程」让GPT-4成医学专家，超过一众高度微调模型，专业测试准确率首次超90%

微软最新研究再次证明了提示工程的威力——

无需额外微调，无需专家策划，仅凭提示，GPT-4就能化身“专家”。

使用他们提出的最新提示策略Medprompt，在医疗专业领域，GPT-4在MultiMed QA九个测试集中取得最优结果。

在MedQA数据集(美国医师执照考试题)上，Medprompt让GPT-4的准确率首次超过90%，超越BioGPT和Med-PaLM等一众微调方法。

研究人员还表示Medprompt方法是通用的，不仅适用于医学，还可以推广到电气工程、机器学习、法律等专业中。

这项研究在X（原Twitter）一经分享，就引发众多网友关注。

沃顿商学院教授Ethan Mollick、Artificial Intuition作者Carlos E. Perez等都有转发分享。

Carlos E. Perez直呼“出色的提示策略可以甩微调一大截”：

有网友表示早就有这种预感，现在能看到结果出来，真的是“so cool”：

还有网友表示这真的很“激进”：

GPT-4是一项能改变行业的技术，而我们还远没有触及提示的极限，也未达到微调极限。

组合提示策略，“变身”专家

Medprompt是多种提示策略的组合体，包含三大法宝：

• 动态少样本选择（Dynamic few-shot selection）
• 自生成思维链（Self-generated chain of thought）
• 选项洗牌集成（Choice shuffling ensemble）

下面我们来一一介绍。

动态少样本选择

少样本学习是让模型快速学习上下文的一种有效的方法。简单来说，就是输入一些示例，让模型快速适应特定领域，并学习遵循任务的格式。

这种用于特定任务提示的少样本示例通常是固定的，所以对示例的代表性和广泛性有较高的要求。

之前一种方法是让领域专家手动制作范例，但即便如此，也不能保证专家策划的固定的少样本示例在每个任务中都有代表性。

因此，微软研究人员提出了动态少样本示例的方法。

想法是，任务训练集可以作为少样本示例的来源，如果训练集足够大，那就可以为不同的任务输入选择不同的少样本示例。

具体来说，研究人员先利用text-embedding-ada-002模型为每个训练样本和测试样本生成向量表示。然后，对于每个测试样本，基于向量相似度，从训练样本中挑选出最相似的k个样本。

与微调方法相比，动态少样本选择利用了训练数据，但不需要对模型参数进行大量更新。

自生成思维链

思维链（CoT）方法就是让模型一步一步思考，生成一系列中间推理步骤。

之前一种方法也是依赖专家手动编写少量的带有提示思维链的示例。

在这里，研究人员发现，可以简单地要求GPT-4使用以下提示为训练示例生成思维链：

但研究人员也指出这种自动生成的思维链可能包含错误的推理步骤，于是设置了一个验证标签作为过滤器，可以有效减少错误。

与在Med-PaLM 2模型中专家手工制作的思维链示例相比，GPT-4生成的思维链基本原理更长，而且分步推理逻辑更细粒度。

选项洗牌集成

除此之外，GPT-4在做选择题时，可能会存在一种偏见，就是不管选项内容是什么，它会偏向总是选择A，或者总是选择B，这就是位置偏差。

为了减少这个问题，研究人员选择将原来的选项顺序打乱重排。比如原先选项是ABCD，可以变成BCDA、CDAB。

然后让GPT-4做多轮预测，每轮使用选项的一个不同排列顺序。如此一来“迫使”GPT-4考虑选项的内容。

最后对多轮预测结果做个投票，选择最一致、正确的选项。

将以上几种提示策略组合在一起就是Medprompt，下面来看测试结果。

多项测试最优

在测试中，研究人员采用了MultiMed QA评估基准。

使用Medprompt提示策略的GPT-4，在MultiMedQA的九个基准数据集中均取得最高分，优于Flan-PaLM 540B、Med-PaLM 2。

此外研究人员还讨论了Medprompt策略在“Eyes-Off”数据上的表现，也就是在训练或优化过程中模型未曾见过的数据中的表现，用于检验模型是否过拟合训练数据。

结果GPT-4结合Medprompt策略在多个医学基准数据集上表现出色，平均准确率达到了91.3%。

研究人员还在MedQA数据集上进行了消融实验，探索了三个组件对于整体性能的相对贡献。

其中自动生成思维链步骤对性能提升的贡献最大。

而且GPT-4自动生成的思维链比Med-PaLM 2中专家策划的得分更高：

最后，研究人员还探索了Medprompt的跨域泛化能力，取用了MMLU基准中的六个不同的数据集，涵盖了电气工程、机器学习、哲学、专业会计、专业法律和专业心理学的问题。

还添加了另外两个包含NCLEX（美国护士执照考试）问题的数据集。

结果显示，Medprompt在这些数据集上的效果与在MultiMedQA医学数据集上的提升幅度相近，平均准确率提高了7.3%。

论文链接

https://arxiv.org/pdf/2311.16452.pdf

参考链接

[1]https://twitter.com/erichorvitz/status/1729854235443884385[2]https://twitter.com/emollick/status/1729733749657473327

本文来自微信公众号“量子位”（ID:QbitAI），作者：西风，36氪经授权发布。