微軟僅憑「提示工程」讓GPT-4成醫學專家！超過一眾高度微調模型，專業測試準確率首次超90%
網友：看來還未觸及極限
西風 發自 凹非寺
量子位 | 公眾號 QbitAI
微軟最新研究再次證明提示工程的威力——
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，不僅適用于醫學，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
少樣本學習可以說是讓模型快速學習上下文的一種最有效的方法。簡單來說，就是輸入一些示例，讓模型快速適應特定領域，并學習遵循任務的格式。
這種用于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制作范例，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。
具體來說，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。然后，對于每個測試樣本，基于向量相似度，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。
在這里，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，于是設置了一個驗證標簽作為過濾器，可以有效減少錯誤。
與在Med-PaLM 2模型中專家手工制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么，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。
然后讓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。
最后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，研究人員采用了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，優于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，用于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，探索了三個組件對于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：
最后，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
- 商湯分拆了一家AI醫療公司，半年融資10億，劍指“醫療世界模型”2025-12-02
- “豆包手機”在二手市場價格都翻倍了……2025-12-05
- OpenAI首席研究員Mark Chen長訪談：小扎親手端湯來公司挖人，氣得我們端著湯去了Meta2025-12-03
- 讓大模型學會“高維找茬”，中國聯通新研究解決長文本圖像檢索痛點｜AAAI 2026 Oral2025-12-01
