大语言模型 提示词的少样本案例的 演示选择与排序新突破

提示词中 演示示例的选择与排序

这篇论文《Rapid Selection and Ordering of In-Context Demonstrations via Prompt Embedding Clustering》聚焦于提升大语言模型（LLMs）在自适应上下文学习（ICL）场景中演示示例的选择与排序效率

一、论文要解决的问题

在上下文学习（ICL）中，大语言模型仅依靠少量演示示例就能完成任务，但模型性能对演示示例的顺序极为敏感。然而，目前对于这种顺序敏感性的内在机制尚缺乏清晰的理解。此外，在自适应ICL场景中，若要通过穷举法搜索最优演示顺序，其时间复杂度高达阶乘级别（如n个示例的排列组合为n!），这在实际应用中效率极低，难以实现。

核心挑战：

1. 深入理解演示顺序影响模型性能的内在原因。
2. 找到一种高效的方法，在保证模型性能的前提下&