微软发现不同prompt模版会导致最大40%性能差距！

这篇文章研究了提示格式对大型语言模型（LLM）性能的影响。通过将相同的上下文格式化为纯文本、Markdown、JSON和YAML等不同模板，并在自然语言推理、代码生成和翻译等任务中使用OpenAI的GPT模型进行评估，发现GPT-3.5-turbo在代码翻译任务中的表现因提示模板而异，最高可达40%。相比之下，较大的模型如GPT-4对这些变化更为鲁棒。研究结果表明，不同的提示格式会显著影响模型性能，提示工程需要重新考虑固定模板的使用。

论文: Does Prompt Formatting Have Any Impact on LLM Performance?
链接: https://arxiv.org/pdf/2411.10541

研究背景

这篇文章探讨了不同提示模板对大型语言模型（LLMs）性能的影响。尽管已有研究探讨了重述提示上下文、使用各种提示技术（如同上下文学习和思维链提示）以及排序少样本示例等方面，但对LLMs对提示模板敏感性的理解仍然有限。

该问题的研究难点包括：如何系统地评估不同提示模板对模型性能的影响，以及如何识别在不同任务中表现最佳的提示格式。

已有研究表明，LLMs对细微的提示修改非常敏感，如分隔符或大小写变化（Sclar et al., 2023），并且现有的评估方法通常使用固定模板，可能导致误导性结论（Voronov et al., 2024）。

研究方法

这篇论文提出了一个系统的方法来评估不同提示模板对LLMs性能的影响。具体来说，

1. 敏感性分析：首先，使用单侧配对t检验比较每种模板的最高分和最低分，以确定模型性能是否因格式变化而显著不同。公式如下：
   其中，表示模板在任务上的得分，和分别表示最高分和最低分。
2. 一致性分析：其次，使用一致性指标量化由于提示变化引起的答案变化。公式如下：
   其中，是测试集大小，表示模型的答案。一致性得分越高，表明不同提示之间的答案越一致。
3. 可迁移性分析：最后，使用交并比（IoU）评估不同模型对顶级模板的可迁移性。公式如下：
   
   其中，和分别表示和模型的顶级模板集合。

实验设计

1. 数据集：实验涵盖了多个任务和数据集，分为三类：自然语言到自然语言（NL2NL）、自然语言到代码（NL2Code）和代码到代码（Code2Code）。具体数据集包括MMLU、NER Finance、HumanEval、FIND、CODEXGLUE和HumanEval-X。
2. 提示设计：使用四种输入格式：纯文本、Markdown、YAML和JSON。提示包括五个部分：人物角色、任务指令、示例、输出格式指令和用户提问。确保不同提示格式下的内容保持一致，仅结构和语法不同。
3. 模型：实验在OpenAI的GPT-3.5和GPT-4模型上进行，分别使用“gpt-35-turbo-0613”、“gpt-35-turbo-16k-0613”、“gpt-4-32k-0613”和“gpt-4-1106-preview”进行测试。

结果与分析

1. 敏感性：实验结果表明，模型性能对提示模板的变化非常敏感，p值大多低于0.01。例如，在FIND数据集中，GPT-35-turbo-0613和GPT-35-turbo-16k-0613在将提示从Markdown切换到纯文本时表现出200%的提升。
2. 一致性：较大模型如GPT-4在不同提示之间的一致性得分较高，表明其输出更可靠。例如，在MMLU数据集中，GPT-4的一致性得分超过0.5，而GPT-3.5-turbo系列的一致性得分低于0.5。
3. 可迁移性：同一系列模型在不同提示模板之间的可迁移性较高，但不同系列模型之间的可迁移性较低。例如，在NER Finance数据集中，同一版本模型（如GPT-4-1106-preview和GPT-4-32k-0613）之间的IoU高于0.7，而跨版本模型（如GPT-3.5-turbo和GPT-4）之间的IoU低于0.2。

总体结论

这项研究表明，提示的格式对基于GPT的模型性能有显著影响，没有一种格式能在所有任务中表现最佳。这一发现质疑了当前评估方法中经常忽略提示结构的趋势，可能误判了模型的真实能力。我们建议在未来的LLM测试中使用多样化的提示格式，以更准确地衡量和提高其性能。此外，研究还发现模型大小对提示变化的响应有影响，较大的模型如GPT-4对提示格式变化的鲁棒性更强，这为进一步研究LLM的可解释性提供了方向。