提高GPT类深度模型的提示效率微调以减少幻觉并改善科学文本生成的可重复性，采用随机优化技术
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对大语言模型在科学文本生成任务中准确性和一致性不足的问题，提出了一种针对GPT类模型的参数高效微调（PEFT）方法，以减少幻觉并提高可重复性，特别是在质谱计算领域。研究结果表明，使用低秩适配器（LoRA）微调的MS-GPT模型在文本连贯性和可重复性方面优于基线GPT-2，表明PEFT在科学环境中优化大语言模型的潜力。
本文探讨了大型语言模型（如GPT-4）在回答复杂问题时面临的挑战，包括错觉和逻辑错误。研究表明，上下文相关性与答案质量之间存在非线性关系，并证明在适当校准下，LLMs能够实现自动评分和自我检验。最后，描述了一个实验平台以验证技术。
