首页
/ LLMLingua项目中的Big Bench Hard提示压缩技术解析

LLMLingua项目中的Big Bench Hard提示压缩技术解析

2025-06-09 12:21:30作者:虞亚竹Luna

在自然语言处理领域,提示工程对大型语言模型的性能表现至关重要。微软开源的LLMLingua项目提供了一种高效的提示压缩技术,本文重点解析其在Big Bench Hard(BBH)基准测试中的应用细节和技术实现。

核心压缩参数配置

LLMLingua对BBH的思维链(CoT)提示进行压缩时,采用了以下关键技术配置:

  1. 目标令牌控制:通过target_token参数设定预期保留的令牌数量,实际压缩结果会略低于设定值。例如在1-shot约束条件下,目标值设为约300时可实现269个令牌的实际压缩效果。

  2. 关键令牌保留:force_tokens参数设置为保留换行符和常见标点符号("\n,!,?,.,Q:,A:,So the answer is"),确保提示的语法结构和关键信息完整性。

  3. 数字处理:force_reserve_digit设为False,允许对数字内容进行压缩。

  4. 上下文级过滤:启用use_context_level_filter并设置context_level_target_token为target_token的两倍,这种设计能智能保留1-2个最具代表性的CoT示例。

技术实现特点

项目采用列表形式传入BBH的3个CoT示例提示,而非拼接为单个字符串。这种处理方式使得上下文级过滤器能够有效工作,根据语义重要性自动选择保留最相关的示例。

值得注意的是,压缩率(ratio)设置为0.33时,实际可能获得超过4倍的压缩效果。这种"超预期压缩"现象源于算法对冗余信息的智能识别和去除能力。

约束条件理解

项目中提到的"1-shot/half-shot约束"是指:

  • 1-shot约束:保留完整的一个示例
  • half-shot约束:保留部分示例内容

这种约束机制通过动态调整压缩强度,在保持提示有效性的同时最大化压缩效率。实际应用中,开发者需要根据目标令牌数适当调高target_token设定值,以补偿算法保守压缩的特性。

实践建议

对于希望复现BBH压缩效果的开发者,建议:

  1. 采用列表形式组织多个CoT示例
  2. 目标令牌数设置应比预期值高10-15%
  3. 优先启用上下文级过滤功能
  4. 保留关键标点和问答标记

LLMLingua的这种提示压缩技术显著提升了大型语言模型处理复杂任务时的效率,为资源受限环境下的模型部署提供了实用解决方案。通过精细的参数调控,开发者可以在提示简洁性和模型性能之间找到最佳平衡点。

登录后查看全文
热门项目推荐

热门内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511