Rephrase and Respond ：让大语言模型为自己提出更优的问题

摘要

误解不仅存在于人际沟通中，也存在于人类与大型语言模型（LLMs）之间。这类偏差可能导致LLMs以出人意料的方式理解看似明确的问题，从而给出错误的回答。尽管人们普遍认为prompt（例如问题）的质量会显著影响LLMs生成的回答质量，但目前仍缺乏一种系统的方法来构造LLMs更容易理解的问题。本文提出了一种名为“Rephrase and Respond”（RaR）的方法，允许LLMs在单个prompt中对人类提出的问题进行改写和扩展，并基于此作答。这种方法是一种简单而有效的提示方式，能够提升模型表现。

我们还提出了一种两步变体的RaR方法，先由一个改写型LLM对问题进行重述，再将原始问题与改写后的问题一并传递给另一个负责回答的LLM。这种机制可以促进不同LLM之间对改写问题的有效利用。

我们的实验表明，该方法能在多种任务中显著提升多个模型的性能。我们进一步将RaR方法与当前流行的Chain-of-Thought（CoT）方法进行了全面讨论，并展示RaR与CoT具有互补性，能够结合使用以获得更佳效果。我们的工作不仅有助于高效提升LLM的表现，也有助于更公平地评估LLM的能力。

1 引言

大型语言模型（LLMs），如GPT系列（Radford等，2019；Brown