prompting-strategies

本文探索了跨语言提示策略，以改进对大语言模型中参数化知识的访问，并在涵盖17种语言的多语言基准测试中展示了知识迁移和事实召回方面的显著提升。

本文研究了关于大型视觉语言模型（LVLMs）能否协调高效指代表达的看似矛盾的发现。作者表明，当明确提示时，模型可以实现效率，但从隐式提示中无法推断出效率需求，揭示了人类与AI通信之间的关键差异。

本文分析了角色提示何时能提升LLM回答的质量，发现它会增加专业深度但降低清晰度，其有效性因领域和问题类型而异。研究引入了用于角色选择的混合检索方法，并提倡采用多指标评估。

用户描述了AI助手在WordPress优化等技术任务中自信地给出未经核实的建议的问题，这要求用户放慢速度并要求验证。本文探讨了避免浪费时间的提示策略。

本文引入了 SCALAR 框架，这是一个结构化的批评者-执行者循环框架，旨在评估人工智能智能体之间不同的交互模式如何提升理论物理问题的推理能力。