COSTAR-A：增强大型语言模型在观点问题性能的提示框架
计算与语言
2025-10-15 v1
摘要
大型语言模型(LLM)对提示设计高度敏感，优化提示技术对于生成一致且高质量的输出至关重要。本研究引入 COSTAR-A，一种新颖的提示工程框架，用于增强现有 COSTAR 方法的性能。COSTAR 意为 Context、Objective、Style、Tone、Audience 与 Response，通过在末尾添加“Answer”组件得以实现扩展。我们展示，尽管原始 COSTAR 框架在提高提示清晰度和对大型 LLM 输出的一致性方面有所改善，但其在较小的本地优化模型上表现较不稳定，尤其是在需要更具指令性或受限输出的任务中。通过一系列受控的提示-输出评估，我们发现 COSTAR-A 在较小(最多 80 亿参数)的微调模型中，能够增强局部 LLM 的输出结构和果断性，尽管其效果在不同模型和使用场景之间存在差异。值得注意的是，Llama 3.1-8B 模型在使用 COSTAR-A 提示时表现出性能提升，优于仅使用 COSTAR。这些发现凸显了 COSTAR-A 作为提示框架的可适应性和可扩展性，尤其在资源受限硬件上的计算效率 AI 部署方面。
引用
@article{arxiv.2510.12637,
title = {COSTAR-A: A prompting framework for enhancing Large Language Model performance on Point-of-View questions},
author = {Nzubechukwu C. Ohalete and Kevin B. Gittner and Lauren M. Matheny},
journal= {arXiv preprint arXiv:2510.12637},
year = {2025}
}
备注
20 pages, 2 figures