Example-Guided Prompting for Document-Level Text Simplification
本文表明，通过检索到的文档简化示例来增强提示词，可以显著提升大语言模型在文档级文本简化方面的质量，使其在无需进行特定任务微调的情况下，实现与专门的监督式系统相媲美甚至更优越的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个机器人如何重写一个复杂的故事，以便让年幼的孩子能够理解。这就是**文本简化（text simplification）的世界——在这个领域中，计算机科学家教机器如何将深奥的、成人水平的写作转化为清晰易读的内容，且不丢失原意。长期以来，实现这一目标的最佳方法是让机器人学习数以千计的具体案例，直到它记住了规则。但最近，一种被称为大语言模型（LLM）**的新型“超级聪明”机器人出现了。这些模型就像是聪明的学生，可以通过阅读提示词来遵循指令并学习新技巧，而无需从头开始重新训练。然而，即使是这些聪明的机器人，在被要求一次性重写整本书或整篇文章时，有时也会感到困惑。它们可能会改变原意、破坏故事的连贯性，或者在某些部分改得太简单，而在另一些部分又显得太难。研究人员提出的核心问题是：我们如何给这些机器人提供最好的引导，让它们完美地完成任务？
这篇论文介绍了一种被称为**示例引导提示（Example-Guided Prompting, EGP）**的巧妙解决方案。你可以这样理解：如果你要求一名学生写一篇复杂科学文章的摘要，你只需给他一套书面规则（即“提示词”）。但如果，你还同时递给他几份其他学生成功简化类似文章的范例呢？研究人员发现，给机器人这些包含真实世界案例的“参考表”会产生奇妙的效果。他们使用了一个名为 OneStopEnglish 的教育新闻文章语料库来测试这个想法。他们选取了复杂的文档，并要求五种不同的尖端机器人对其进行简化。在一组实验中，机器人只得到了书面指令；而在另一组实验中，机器人得到了指令，外加三个已经正确简化的类似文档示例。
结果非常具有启发性。当机器人看到这些示例时，它们的表现通常有了显著提升。具体而言，名为 Claude Haiku 4.5 的机器人的性能得分从 40.78 跳升至 44.84，并且比之前更好地保留了原文的含义。像 Gemini 2.0 Flash 和 Sonar 这样的其他机器人也取得了显著进步。事实上，这种展示示例的小技巧，使得这些机器人的表现能够超越或匹配那些专门针对此任务进行了多年训练的旧型专业系统。然而，论文也发现这个技巧并不适用于所有的机器人。其中一个模型 Llama 3.2 在看到示例后表现反而下降了，这表明并非所有的机器人都能有效地利用“参考表”。研究表明，虽然展示示例有助于机器人保持对原意的忠实，但有时会让文本比它们自己“盲猜”时稍微降低一点“易读性”，这在保持故事准确性与实现简化之间创造了一种微妙的平衡。最终，作者表明，对于许多强大的机器人来说，观察他人是如何解决类似问题的，比仅仅阅读一份规则清单是更好的老师。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。