在自然語言處理（NLP）領(lǐng)域，語言模型程序（Language Model Programs）正逐漸成為推動任務(wù)進(jìn)展的關(guān)鍵力量。這些由多個(gè)模塊化語言模型（LM）調(diào)用組成的復(fù)雜管道，為解決復(fù)雜的NLP任務(wù)提供了新的思路和方法。然而，構(gòu)建這些管道并非易事，其中一個(gè)關(guān)鍵挑戰(zhàn)就是如何優(yōu)化提示（prompts），使得所有模塊都能高效協(xié)同工作。今天我們就來介紹一篇來自DSPy一作、斯坦福大學(xué)博士生、并且即將成為MIT助理教授的Omar Khattab領(lǐng)導(dǎo)的一項(xiàng)有意思的工作！

一、研究背景

（一）語言模型程序的發(fā)展與挑戰(zhàn)

隨著技術(shù)的發(fā)展，語言模型在解決復(fù)雜任務(wù)時(shí)，常常需要運(yùn)用復(fù)雜的提示技術(shù)，并將其組合成多階段的管道。例如在問答系統(tǒng)、文本生成、信息檢索等任務(wù)中，通過將多個(gè)語言模型按特定順序和方式組合，可以實(shí)現(xiàn)更強(qiáng)大的功能。但是，目前構(gòu)建這些管道大多依賴于手動的“提示工程”（prompt engineering），即通過反復(fù)試驗(yàn)來設(shè)計(jì)提示，以促使特定的語言模型在特定的管道步驟中運(yùn)行。這種方法不僅耗時(shí)費(fèi)力，而且難以保證效果的最優(yōu)性。

（二）現(xiàn)有提示優(yōu)化方法的局限性

近年來，雖然出現(xiàn)了一些提示優(yōu)化器（prompt optimizers），如APE、OPRO和EvoPrompt等，但它們大多針對單個(gè)語言模型的提示優(yōu)化，無法直接應(yīng)用于多階段的語言模型程序。在多階段程序中，由于缺乏對單個(gè)語言模型調(diào)用的黃金標(biāo)簽或評估指標(biāo)，使得提示優(yōu)化變得更加困難。

圖1：優(yōu)化問題的一個(gè)示例，以一個(gè)多跳檢索語言模型程序展示。給定一些問答對和一個(gè)度量標(biāo)準(zhǔn)，優(yōu)化器為每個(gè)階段提出新的指令并引導(dǎo)新的演示（未圖示）。

二、問題定義與挑戰(zhàn)分析

（一）問題正式化

考慮一個(gè)由m個(gè)模塊組成的語言模型程序Φ，每個(gè)模塊使用一個(gè)語言模型，并由一個(gè)包含一組變量（開放插槽）v的提示模板pi定義。我們的目標(biāo)是找到一個(gè)變量到字符串的總分配，使得程序在給定的訓(xùn)練集D上，根據(jù)評估指標(biāo)μ達(dá)到最優(yōu)性能。這個(gè)問題面臨著諸多挑戰(zhàn)，例如每個(gè)字符串可以取任意值，評估指標(biāo)只能在整個(gè)任務(wù)層面提供監(jiān)督，無法獲取語言模型的梯度或嵌入，以及通常只有小數(shù)據(jù)集和有限的語言模型調(diào)用預(yù)算等。

（二）主要挑戰(zhàn)

1. 提案挑戰(zhàn)（Proposal Challenge） 可能的提示空間非常大，而且隨著模塊數(shù)量的增加，這個(gè)問題更加嚴(yán)重。因此，提出一些高質(zhì)量的指令就變得至關(guān)重要。
2. 信用分配挑戰(zhàn)（Credit Assignment Challenge） 需要聯(lián)合優(yōu)化許多不同的變量，這些變量用于參數(shù)化所有模塊的提示。為了合理分配搜索努力，我們必須有效地推斷每個(gè)變量配置的影響。

三、解決策略

（一）應(yīng)對提案挑戰(zhàn)的策略

1. 引導(dǎo)演示（Bootstrapping Demonstrations）一種簡單而有效的策略是通過從訓(xùn)練集中采樣輸入，運(yùn)行程序Φ生成輸入/輸出軌跡，將成功的軌跡作為潛在的標(biāo)記演示（即有效輸入/輸出示例）。然后，從這些潛在演示中選擇組合作為有效的少樣本示例用于提示。
2. 基礎(chǔ)設(shè)定（Grounding）為了引導(dǎo)提案語言模型為給定模塊生成高效的指令，我們?yōu)槠涮峁┫嚓P(guān)的上下文信息，如數(shù)據(jù)的屬性、程序的控制流以及成功任務(wù)完成的示例等。通過構(gòu)建一個(gè)零樣本語言模型程序來描述原始數(shù)據(jù)集的模式、總結(jié)程序的控制流、引導(dǎo)程序演示以及收集每個(gè)階段的提示及其評估分?jǐn)?shù)，并將這些信息作為上下文提供給提案語言模型。
3. 學(xué)習(xí)提案（Learning To Propose）每個(gè)提案策略都有一些超參數(shù)，如指令生成的溫度以及是否使用數(shù)據(jù)摘要、程序控制流等來設(shè)定提案語言模型的基礎(chǔ)。由于這些超參數(shù)的最優(yōu)配置可能因任務(wù)、程序和提案語言模型而異，我們通過參數(shù)化提案超參數(shù)，并在多次試驗(yàn)中學(xué)習(xí)一個(gè)貝葉斯模型，以找到適合給定任務(wù)、程序和語言模型設(shè)置的提案策略。

圖2：引導(dǎo)隨機(jī)搜索。在第1步中，通過將訓(xùn)練輸入在程序Φ中運(yùn)行，并保留根據(jù)度量標(biāo)準(zhǔn)μ判斷能產(chǎn)生足夠高得分輸出的軌跡，來引導(dǎo)演示。在第2步中，使用隨機(jī)搜索對這些引導(dǎo)出的演示集進(jìn)行搜索，并返回性能最佳的集合。

（二）應(yīng)對信用分配挑戰(zhàn)的策略

1. 貪婪策略（Greedy）分別對語言模型程序的單階段變化進(jìn)行提案和評估。雖然這種方法可以避免將錯(cuò)誤錯(cuò)誤地歸因到不正確的階段，但它效率低下，因?yàn)槊看沃荒軕?yīng)用一個(gè)變化，而且某些階段的變化可能要在其他階段先改進(jìn)后才能對程序級性能產(chǎn)生影響。
2. 替代策略（Surrogate）利用貝葉斯學(xué)習(xí)構(gòu)建一個(gè)替代模型，通過學(xué)習(xí)從先前評估中預(yù)測不同參數(shù)組合的質(zhì)量，使我們能夠聚焦于搜索空間中有希望的區(qū)域。這種基于替代的優(yōu)化方法可以有效地優(yōu)化離散的現(xiàn)有參數(shù)提案集，但它的缺點(diǎn)是只能對固定的提案集進(jìn)行優(yōu)化，無法利用過去的評估結(jié)果來改進(jìn)提案本身。
3. 基于歷史的策略（History - Based）假設(shè)給定過去評估的歷史，一個(gè)足夠強(qiáng)大的語言模型可以進(jìn)行信用分配。通過將評估過的指令及其分?jǐn)?shù)包含在上下文中，讓提案語言模型學(xué)習(xí)分配信用并輸出新的指令。

四、算法實(shí)例與實(shí)驗(yàn)

（一）算法實(shí)例

1. 引導(dǎo)隨機(jī)搜索（Bootstrap Random Search）首先通過引導(dǎo)演示過程為每個(gè)模塊引導(dǎo)出一定數(shù)量的少樣本示例，然后使用隨機(jī)搜索在這些引導(dǎo)出的演示集上進(jìn)行搜索，返回性能最佳的集合。
2. 模塊級OPRO（Module - Level OPRO）將模塊級指令和程序分?jǐn)?shù)對的歷史作為輸入提供給提案語言模型，為每個(gè)模塊生成新的指令，然后在程序中評估這些指令，并將結(jié)果分?jǐn)?shù)與每個(gè)模塊的指令一起添加回模塊的歷史中，重復(fù)這個(gè)過程直到達(dá)到最大迭代次數(shù)，最后返回得分最高的程序參數(shù)化。
3. MIPRO（Multiprompt Instruction PRoposal Optimizer）首先通過引導(dǎo)演示和基礎(chǔ)設(shè)定策略為每個(gè)模塊引導(dǎo)出少樣本示例和指令，并初始化潛在的分類變量。然后使用樹結(jié)構(gòu)的Parzen估計(jì)器的采樣規(guī)則選擇用于參數(shù)化Φ的指令和少樣本示例。接著在隨機(jī)選擇的小批量樣本上對參數(shù)化的Φ進(jìn)行評分，并使用這些分?jǐn)?shù)更新估計(jì)器對參數(shù)質(zhì)量的先驗(yàn)。最后，每隔一定步驟，在整個(gè)訓(xùn)練集上評估具有最高平均分?jǐn)?shù)的候選參數(shù)化，返回最優(yōu)的分配。

圖3：模塊級OPRO優(yōu)化器。模塊級指令和程序分?jǐn)?shù)對的歷史作為輸入提供給提案語言模型，以便為每個(gè)模塊生成一條新指令。然后在程序中對這些指令進(jìn)行評估，并將所得分?jǐn)?shù)與每個(gè)模塊的指令一起添加回模塊的歷史記錄中。這個(gè)過程重復(fù)I次。

圖4：MIPRO優(yōu)化器。在第1步中，使用與引導(dǎo)隨機(jī)搜索第1步相同的過程引導(dǎo)演示。在第2步中，使用3.1節(jié)中描述的基礎(chǔ)設(shè)定策略提出指令。在第3步中，使用貝葉斯優(yōu)化來找到指令和演示候選的最佳性能組合。

（二）實(shí)驗(yàn)設(shè)置

1. 基準(zhǔn)測試（Benchmark）開發(fā)了七個(gè)任務(wù)來評估語言模型程序優(yōu)化器，包括四個(gè)多階段程序和兩個(gè)單階段程序，涵蓋了問答、分類、自然語言推理等多種任務(wù)類型。使用500個(gè)示例進(jìn)行訓(xùn)練，500個(gè)用于開發(fā)，2000個(gè)（或更小的完整測試集）用于測試。
2. 方法與模型（Methods & Models）對指令僅優(yōu)化、少樣本優(yōu)化以及指令和少樣本聯(lián)合優(yōu)化三種情況進(jìn)行了評估。在不同的優(yōu)化場景下，比較了多種優(yōu)化器的性能，如Module - Level OPRO、0 - Shot MIPRO、0 - Shot MIPRO++、Bootstrap Random Search、Bayesian Bootstrap等，并使用未優(yōu)化的語言模型程序作為基線。同時(shí)，為了評估基礎(chǔ)設(shè)定的效用，還比較了帶有和不帶有基礎(chǔ)設(shè)定的Module - Level OPRO。在實(shí)驗(yàn)中，使用GPT - 3.5作為提案語言模型，Llama3 - 8B作為任務(wù)模型，并根據(jù)任務(wù)的不同，在引導(dǎo)少樣本演示時(shí)可能會切換使用的模型。

表1：DSPy優(yōu)化器基準(zhǔn)測試和相關(guān)程序。我們在七個(gè)不同的程序上對我們的優(yōu)化器進(jìn)行基準(zhǔn)測試。

（三）實(shí)驗(yàn)結(jié)果與討論

1. 引導(dǎo)演示的重要性對于大多數(shù)任務(wù)，優(yōu)化引導(dǎo)的演示作為少樣本示例對于實(shí)現(xiàn)最佳性能至關(guān)重要。通過實(shí)驗(yàn)證明，即使是簡單的引導(dǎo)隨機(jī)搜索，在除了一個(gè)任務(wù)之外的所有任務(wù)中，都比最佳的僅指令優(yōu)化器表現(xiàn)更好。
2. MIPRO的優(yōu)勢使用MIPRO聯(lián)合優(yōu)化指令和少樣本示例通常能獲得最佳的整體性能。但也存在一些例外情況，對于某些任務(wù)，如HotPotQA和Heart Disease等，可能由于任務(wù)本身的特點(diǎn)，指令優(yōu)化的價(jià)值相對較小。
3. 指令優(yōu)化的適用場景對于具有條件規(guī)則且這些規(guī)則對語言模型不明顯且無法通過有限的少樣本示例表達(dá)的任務(wù)，指令優(yōu)化最為重要。例如在HotPotQA Conditional任務(wù)中，即使是0 - shot指令優(yōu)化也優(yōu)于僅演示優(yōu)化。
4. 基礎(chǔ)設(shè)定的效果基礎(chǔ)設(shè)定對于指令提案總體上是有幫助的，但最佳的提案策略因任務(wù)而異。在某些任務(wù)中，如HotPotQA和HoVer，基礎(chǔ)設(shè)定對性能提升至關(guān)重要，而在ScoNe任務(wù)中，似乎會損害性能。這也促使了像MIPRO++這樣能夠針對給定任務(wù)學(xué)習(xí)自定義提案策略的方法的出現(xiàn)。
5. 進(jìn)一步探索的空間通過比較不同優(yōu)化器的性能，發(fā)現(xiàn)結(jié)果是復(fù)雜的。不同的優(yōu)化器在不同的任務(wù)和場景下各有優(yōu)劣，未來還需要進(jìn)一步研究在不同優(yōu)化預(yù)算下這些優(yōu)化器的性能差異，以及探索如何讓優(yōu)化器在不依賴手寫輸入的情況下學(xué)習(xí)任務(wù)動態(tài)等問題。

表2：5次運(yùn)行的平均結(jié)果，分為僅優(yōu)化指令（即“0 - shot”提示）、僅優(yōu)化演示以及兩者同時(shí)優(yōu)化。每列中性能最佳的值用粗體突出顯示。這些粗體值表示與第二高值相比的最高平均分?jǐn)?shù)，相應(yīng)運(yùn)行平均值之間的威爾科克森符號秩檢驗(yàn)（p <.05）支持其顯著性。如果顯著性未得到確認(rèn)，則多個(gè)結(jié)果用粗體表示它們具有可比的性能。

五、研究貢獻(xiàn)與局限

（一）貢獻(xiàn)

1. 對語言模型程序的提示優(yōu)化問題進(jìn)行了形式化定義，并提出了一個(gè)算法設(shè)計(jì)空間，包括三種應(yīng)對提示提案挑戰(zhàn)的策略和三種解決信用分配問題的策略。
2. 發(fā)布了一個(gè)涵蓋七個(gè)任務(wù)的語言模型程序優(yōu)化器基準(zhǔn)測試套件，為評估不同優(yōu)化器的性能提供了統(tǒng)一的標(biāo)準(zhǔn)。
3. 構(gòu)建并評估了一組可能的提示優(yōu)化算法，其中MIPRO優(yōu)化器在七個(gè)任務(wù)中的五個(gè)任務(wù)上優(yōu)于基線優(yōu)化器，為實(shí)際應(yīng)用提供了有效的優(yōu)化方法。
4. 為從業(yè)者提供了五條關(guān)于優(yōu)化語言模型程序的關(guān)鍵經(jīng)驗(yàn)教訓(xùn)，有助于指導(dǎo)實(shí)踐操作。

（二）局限

1. 研究是在固定預(yù)算下進(jìn)行的，沒有探討在極低或極高預(yù)算場景下優(yōu)化動態(tài)的差異。
2. 在實(shí)驗(yàn)中使用了固定的提案語言模型和任務(wù)語言模型，未來需要評估在使用不同模型時(shí)方法的一致性表現(xiàn)。
3. 優(yōu)化器在推斷復(fù)雜任務(wù)的規(guī)則方面能力有限，尤其是在沒有手寫種子提示的情況下。
4. 雖然建立了一個(gè)涵蓋多種任務(wù)和程序的基準(zhǔn)，但對于日益復(fù)雜的任務(wù)和程序，優(yōu)化器方法的性能還有待進(jìn)一步研究和完善。

總的來說，這項(xiàng)研究在語言模型程序提示優(yōu)化方面取得了重要進(jìn)展，為未來的研究和實(shí)踐提供了有價(jià)值的參考和方向。盡管存在一些局限，但也為進(jìn)一步的探索和改進(jìn)提供了空間。

本文轉(zhuǎn)載自公眾號AIGC最前線   作者：不是小馬哥啊

原文鏈接：??https://mp.weixin.qq.com/s/RF6TeDxJIA0YXRCqz2QX-g??