啊？强大的Reasoning模型仍需好的prompt，性能暴增23%！
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
过去人们认为，像ChatGPT这类“大脑发达”的LLM模型，只需简单指令就能完美执行任务。
但这篇论文通过事件提取任务（例如从新闻中识别“公司破产”“法律诉讼”等事件）证明：即便是最先进的大型推理模型（LRM），也需要精心设计的“说明书”——即Prompt。实验数据显示，经过优化的提示词能让LRM性能提升高达23%！就像给学霸一本更清晰的习题解析，他们解题更快更准。
LLM（大语言模型）：如GPT-4，擅长生成文本，但复杂推理能力有限。
LRM（大型推理模型）：如论文中的DeepSeek-R1，专为逻辑推理训练，类似“理科尖子生”。
两者的核心区别在于：LRM能生成中间思考步骤（比如先拆解问题再解答），而LLM更依赖直觉反应。
论文采用了一种叫蒙特卡洛树搜索（MCTS）的算法，灵感来自围棋AI“AlphaGo”的策略：
试错：让LRM用当前提示词尝试解题
复盘：分析错误，生成改进建议
进化：迭代优化提示词，直到性能稳定
整个过程就像训练运动员：教练（优化器模型）观察运动员（任务模型）的表现，不断调整训练方案。
LRM也需要“外挂”即使是最强的DeepSeek-R1，优化后性能仍大幅提升。这说明：再聪明的模型，也需要人类引导方向。
LRM是“高效教练”当LRM担任提示词优化器时，生成的提示更简短精准。例如，它会添加规则：“去掉‘的’‘这个’等无关词，除非是专有名词”。
稳定性碾压传统模型LRM优化时只需2层搜索就能达到最佳效果，而传统模型需要5层。好比老司机找路，LRM一眼锁定捷径。
错误率直降优化后的提示减少了20%的“幻觉”和15%的指代错误。
别盲目相信“开箱即用”：再强的模型也需定制化提示。
让LRM当“优化顾问”：用它的推理能力反哺提示设计。
小样本也能逆袭：实验中仅用15条数据就实现显著提升，中小企业友好！
论文留下悬念：
长文本处理：当前实验仅针对10类事件，如何扩展？
全自动进化：能否让LRM完全自主优化，无需人类介入？
或许不久的将来，AI能像人类一样“反思—改进—突破”，开启真正的智能进化吧~
备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
