大语言模型本质是预测互联网文本的下一个词。研究提出“目的论方法”，认为任务概率、目标输出概率和输入概率影响其准确性，并用GPT-3.5和GPT-4在十一项任务中验证。结果显示，高概率时准确率更高，低概率时显著下降，如GPT-4解码密码准确率从51%降至13%。因此应把大语言模型视为受特定训练压力塑造的独特系统，而非人类。

论文提出“目的论方法”，认为大语言模型通过预测互联网文本的下一词工作，其准确性受任务概率、目标输出概率和输入概率影响。作者用GPT-3.5和GPT-4测试十一项任务，发现高概率任务更准确，低概率任务明显下降，如GPT-4解码密码准确率从51%降至13%，因此应将其视为受特定压力塑造的独特系统。

文章提出目的论方法，主张从大语言模型的训练任务——互联网文本下一词预测——理解其行为。研究预测任务概率、目标输出概率和输入概率对模型准确性的影响，并用GPT-3.5和GPT-4进行十一项任务验证。结果显示，高概率输出时表现更好，低概率时明显下降，如GPT-4解码密码准确率从51%降至13%。作者建议低概率场景慎用，并将大语言模型视为受特定压力塑造的独特系统。

该文综述大语言模型提示工程研究，涵盖利用元数据先验提升下游任务性能、模型规模与提示捷径利用的关系、恶意提示注入攻击、意见提示与反事实演示增强上下文真实性、贪心搜索优化提示、对话历史压缩降低成本、贝叶斯提示缓解少样本过拟合，并提出目的论方法，指出任务、输出与输入概率影响GPT-3.5和GPT-4的准确性。

本文探讨了大语言模型的优势和局限性，提出了目的论方法来预测其成功或失败。作者对两个大语言模型进行了评估，发现低概率情况下的失效模式。应谨慎使用大语言模型。

本文探讨了大语言模型的优势和局限性，提出了目的论方法来预测其成功或失败。作者对两个大语言模型进行了评估，发现低概率情况下的失效模式。作者认为我们应该把大语言模型看作一类独特的系统，而不是评估为人类。

本文探讨了大语言模型在训练中解决的问题，即互联网文本的下一个词预测，并提出了目的论方法来预测大语言模型的成功或失败。作者通过对两个大语言模型进行评估，发现大语言模型的准确性受到执行任务的概率、目标输出的概率和提供的输入的概率的影响。在低概率情况下，大语言模型的准确性会受到影响，AI 从业者需要谨慎使用。作者认为，我们不应该把大语言模型评估为人类，而应该把它们看作一类独特的系统。

本文探讨了大语言模型的优势和局限性，提出了目的论方法来预测其成功或失败。作者对两个大语言模型进行了评估，发现低概率情况下的失效模式。应该谨慎使用大语言模型。

本文探讨了大语言模型在训练中解决的问题，即互联网文本的下一个词预测，并提出了目的论方法来预测大语言模型的成功或失败。作者通过对两个大语言模型进行评估，发现大语言模型的准确性受到执行任务的概率、目标输出的概率和提供的输入的概率的影响。在低概率情况下，大语言模型的准确性会受到影响，AI从业者需要谨慎使用。作者认为，大语言模型应该被看作一类独特的系统，而不是被评估为人类。