Rethinking the Role of Prompting Strategies in LLM Test-Time Scaling: A Perspective of Probability Theory
MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；Beijing Wenge Technology Co., Ltd（北京文格科技有限公司）
本文针对LLM测试时计算缩放场景，通过系统实验发现复杂提示策略随采样次数增加性能逐渐落后于简单思维链，提出概率预测方法及性能提升策略，为重新审视提示策略作用提供新视角。
2025-08-02 cs.AI cs.CL cs.LG
Prompting Strategies for Enabling Large Language Models to Infer Causation from Correlation
Google DeepMind（谷歌DeepMind）
本研究提出PC-SubQ提示策略，通过将因果发现PC算法分解为固定子问题逐步引导LLM，在Corr2Cause基准上显著提升了五个LLM从相关推断因果的能力且对查询扰动具有鲁棒性。
2024-12-18 cs.AI cs.CL cs.LG
Hierarchical Prompting Assists Large Language Model on Web Navigation
School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
本文提出分层提示方法，先用SUMMARIZER提示将网页等复杂观测压缩为动作感知的精简表示，再由ACTOR提示预测动作，在网页导航任务成功率上比先前最优提示机制提升6.2%。
2023-10-30 cs.AI cs.CL cs.LG
Temperature-Dependent Performance of Prompting Strategies in Extended Reasoning Large Language Models
Gujarat Technological University（古吉拉特技术大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
研究评估了不同温度下链式思维和零样本提示策略在扩展推理中的表现，发现零样本提示在中等温度下性能最佳，链式思维在极端温度下表现最佳，扩展推理的收益随温度增加而提升。
2026-03-18 cs.AI cs.CL cs.LG
Assessing the Impact of Prompting Methods on ChatGPT's Mathematical Capabilities
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
本文评估了简单、角色和对话式三种提示方法对 ChatGPT-3.5 数学推理能力的影响，发现这些方法均未能持续提升基线表现，部分方法甚至导致性能下降，表明提示策略不一定能跨领域泛化。
2024-02-20 cs.AI cs.CL cs.LG
An Examination on the Effectiveness of Divide-and-Conquer Prompting in Large Language Models
University of Southern California（南加州大学）；Coupang, Inc（Coupang公司）；Microsoft Research, Asia（微软亚洲研究院）
本文通过理论分析考察大语言模型中分而治之提示策略的适用任务类型，并以大整数算术和事实验证两个案例验证了该策略在特定任务上的性能提升。
2024-07-02 cs.AI cs.CL cs.LG
Auto-Demo Prompting: Leveraging Generated Outputs as Demonstrations for Enhanced Batch Prompting
Hong Kong Polytechnic University（香港理工大学）
本文提出Auto-Demo Prompting方法，将批次内早期问答对作为后续推理的演示，以缓解大语言模型批量提示中的性能下降问题，并在五个NLP任务上验证了其有效性。
2024-10-02 cs.AI cs.CL
Venn Diagram Prompting : Accelerating Comprehension with Scaffolding Effect
Palo Alto Networks（帕洛阿尔托网络公司）
本文提出维恩图提示技术，通过单次LLM调用替代多步骤策略，消除位置偏差并提升多文档问答一致性，在四个基准数据集上达到或超过精心设计的指令提示性能。
2024-06-08 cs.AI cs.CL cs.LG
Robustness of Prompting: Enhancing Robustness of Large Language Models Against Prompting Attacks
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）
提出RoP（提示鲁棒性）策略，通过错误校正和引导两个阶段，增强LLM对输入扰动的鲁棒性，在算术、常识和逻辑推理任务上显著提升性能。
2026-05-26 cs.AI cs.CL
FOR-Prompting: From Objection to Revision via an Asymmetric Prompting Protocol
The Pennsylvania State University（宾夕法尼亚州立大学）；Genentech, Inc.（基因泰克公司）
FOR-Prompting通过非对称提示协议实现从反对到修订的推理机制，提升低资源环境下模型的推理能力与任务表现。
2026-03-06 cs.AI cs.CL cs.MA
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Google Research（谷歌研究院）
我们将探讨如何生成一个思维链--一系列中间推理步骤--显著提高大语言模型执行复杂推理的能力。特别是，我们展示了如何自然地出现在足够大的大语言模型，通过一个简单的方法，称为思维链提示，其中一些思维链示范提供了作为范例，提示这样的推理能力。在三个大语言模型上的实验表明，思维链提示提高了一系列算术、常识和符号推理任务的性能。经验上的收获可能是惊人的。例如，仅用8个思维链示例就能提示540 B参数语言模型，在数学应用题的GSM 8 K基准测试中达到最先进的精度，甚至超过了使用验证器的微调GPT-3。
2023-01-10 cs.AI cs.CL
Prompting in the Dark: Assessing Human Performance in Prompt Engineering for Data Labeling When Gold Labels Are Absent
The Pennsylvania State University（宾夕法尼亚州立大学）；GumGum Inc.（GumGum公司）
该研究针对无金标签的大语言模型数据标注场景，开发了PromptingSheet插件开展用户实验，发现黑暗提示模式准确率提升效果差，自动优化工具也受限，为相关工具设计提供参考。
2025-02-16 cs.AI cs.CL cs.HC
Divide and Prompt: Chain of Thought Prompting for Text-to-SQL
Jiangxi University of Finance and Economics（江西财经大学）
针对 Text-to-SQL 中 LLM 推理能力利用不足的问题，提出 Divide-and-Prompt 范式，通过任务分解与 CoT 提示提升 SQL 生成的执行准确率。
2023-04-23 cs.AI cs.CL
Cross-lingual Prompting: Improving Zero-shot Chain-of-Thought Reasoning across Languages
Central South University（中南大学）；Harbin Institute of Technology（哈尔滨工业大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
针对零样本思维链推理局限于单一语言的问题，提出跨语言提示CLP及跨语言自洽提示CLSP，通过跨语言对齐与任务特定求解生成推理路径，在多个基准上达到最先进性能。
2023-10-23 cs.AI cs.CL
Analyzing Chain-of-Thought Prompting in Large Language Models via Gradient-based Feature Attributions
Harvard University（哈佛大学）
本研究利用基于梯度的特征归因方法分析思维链提示对大语言模型的影响，发现其虽不增加语义相关标记的显著性分数幅度，但提高了分数对扰动和输出变化的鲁棒性。
2023-07-25 cs.AI cs.CL
Logic Sketch Prompting (LSP): A Deterministic and Interpretable Prompting Method
University of Pennsylvania（宾夕法尼亚大学）
逻辑草图提示（LSP）通过引入类型变量、确定性条件评估器和规则验证器，提升了大语言模型在需要严格规则遵守、确定性和可审计性任务中的性能和可解释性。
2025-12-24 cs.AI cs.LG cs.LO
Hypothesis Testing Prompting Improves Deductive Reasoning in Large Language Models
Shanghai Jiao Tong University（上海交通大学）；MoE Key Lab of Artificial Intelligence（教育部人工智能重点实验室）；AI Institute（人工智能研究院）；State Key Lab of Advanced Optical Communication System and Network（先进光通信系统与网络国家重点实验室）
针对大语言模型现有提示方法在复杂推理中存在无效推理、路径虚构等问题，提出加入结论假设、逆向推理与事实验证的假设检验提示法，在ProofWriter和RuleTaker数据集上显著提升效果并优化推理过程。
2024-05-09 cs.AI cs.CL
When Does Persona Prompting Actually Help? A Retrieval and Metric Analysis of Expert Role Injection in LLMs
Independent Researchers（独立研究者）
通过对比四种提示条件在1140个开放式问题上的表现，发现角色提示系统性地增加专家深度但降低清晰度，其效果高度依赖于问题类型和领域，且混合检索优于纯嵌入检索。
2026-05-28 cs.AI cs.LG
LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research Asia（微软亚洲研究院）
本文提出LSTPrompt方法，将时间序列预测分解为短期和长期子任务并定制提示，引导大语言模型定期重新评估预测机制，在零样本TSF任务中取得优于现有提示方法且可比肩基础TSF模型的性能。
2024-02-25 cs.AI cs.CL
Automatic Prompt Generation via Adaptive Selection of Prompting Techniques
Spike Studio Inc.（Spike Studio公司）
本研究提出一种自适应选择提示技术的自动提示生成方法，通过构建关联任务簇与对应技术的知识库动态生成提示，在BBEH的23项任务上性能优于现有方法，为非专业用户高效使用大语言模型提供支持。
2025-10-20 cs.AI cs.CL
A Survey on Prompting Techniques in LLMs
George Mason University（乔治梅森大学）
本文对大语言模型的各类提示技术展开综述，梳理现有研究的分类体系，同时指出该领域待解决的问题，为后续研究提供方向。
2024-04-16 cs.AI cs.CL
No Universal Prompt: Unifying Reasoning through Adaptive Prompting for Temporal Table Reasoning
University of Utah（犹他大学）；Arizona State University（亚利桑那州立大学）；University of California Riverside（加州大学河滨分校）；University of Pennsylvania（宾夕法尼亚大学）
本研究针对LLM在时序表格推理中缺乏通用最优提示方法的问题，提出了受人类推理启发的自适应提示框架SEAR，动态适应上下文并整合结构化推理，在各类表格上超越基线方法，并发现统一表格表示能增强模型推理。
2025-08-07 cs.AI cs.CL
Towards Generalist Prompting for Large Language Models by Mental Models
University of Science and Technology of China（中国科学技术大学）
本文提出通用提示概念及 MeMo 方法，通过将多种提示核心提炼为心智模型并由 LLM 自主选择，在零样本多类推理任务上达到或接近最优。
2024-02-28 cs.AI cs.CL
CodeNER: Code Prompting for Named Entity Recognition
Chungnam National University（忠南大学）；Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学）；Institute of Science Tokyo（东京科学大学）
CodeNER通过代码提示提升LLM在命名实体识别中的能力，通过嵌入BIO标注规则改进长距离理解，实验显示在多语言数据集上优于传统文本提示方法。
2026-03-26 cs.AI cs.CL
SimpCue: Cue-Based Prompting for Multilingual Text Simplification
Universitat Pompeu Fabra (UPF)（庞培法布拉大学）
本研究针对加泰罗尼亚语、西班牙语、意大利语的多语言易读性文本简化任务，以Qwen3-8B为模型，对比不同提示方式的效果，发现预测线索提示表现最优但提升有限。
2026-08-31 cs.AI cs.CL
R$^3$ Prompting: Review, Rephrase and Resolve for Chain-of-Thought Reasoning in Large Language Models under Noisy Context
East China Normal University（华东师范大学）；Singapore Management University（新加坡管理大学）；Alibaba Group（阿里巴巴集团）
针对大型语言模型在噪声上下文中推理不准确的问题，提出R$^3$ prompting交互式提示方法，通过关键句提取、变量声明和答案预测三步提升推理准确率，实验证明其鲁棒性与泛化能力。
2023-10-25 cs.AI cs.CL
Least-to-Most Prompting Enables Complex Reasoning in Large Language Models
Google Research（谷歌研究院）
本文提出最少到最多提示策略，通过将复杂问题分解为简单子问题并依次求解，使大型语言模型能够泛化到比提示示例更难的任务，在 SCAN 等基准上显著超越思维链提示。
2023-04-16 cs.AI cs.CL
Prompting LLMs with content plans to enhance the summarization of scientific articles
Singular Research Center on Intelligent Technologies (CiTIUS)（智能技术单一研究中心（CiTIUS））；University of Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
针对科学文章摘要生成难的问题，提出向摘要系统提供文章关键词列表的提示技术，实验显示该方法可提升摘要性能，尤其对小模型分章节摘要效果更显著，开辟了提示辅助小模型的新研究方向。
2023-12-15 cs.AI cs.CL
Stress Testing Chain-of-Thought Prompting for Large Language Models
Johns Hopkins University（约翰斯·霍普金斯大学）
本文通过扰动CoT顺序、数值和算子对GPT-3进行压力测试，发现数值错误对推理准确率影响最大，而算子和顺序错误影响较小。
2023-09-28 cs.AI cs.CL
Metacognition-Enhanced Few-Shot Prompting With Positive Reinforcement
Institute of AI for Education, East China Normal University（华东师范大学教育人工智能研究院）；School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）；Shanghai Changning Mental Health Center（上海市长宁区精神卫生中心）
提出元认知增强的少样本提示方法，结合正强化反馈，引导大语言模型反思思维过程以更好学习演示示例，在真实数据集上分类准确率和宏F1优于传统方法。
2023-12-24 cs.AI cs.CL
Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting
University of Pennsylvania（宾夕法尼亚大学）；WHU–Otto Beisheim School of Management（WHU-奥托·拜斯海姆管理学院）；Glowforge
本报告通过严格测试评估CoT提示，发现其收益高度依赖任务与模型，对具备内置推理能力的新模型价值有限，却显著增加token与时间成本。
2025-06-08 cs.AI cs.CL
Deliberate then Generate: Enhanced Prompting Framework for Text Generation
Northeastern University（东北大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft Azure Translation（微软Azure翻译部门）；NiuTrans Research（小牛翻译研究院）
本文提出“先深思后生成”（DTG）提示框架，通过错误检测指令和含错候选项促使大语言模型先审视再生成，在20多个数据集和7类文本生成任务上一致超越现有方法并达到最先进性能。
2023-05-31 cs.AI cs.CL
Talk Less, Call Right: Enhancing Role-Play LLM Agents with Automatic Prompt Optimization and Role Prompting
SCBX R&D（SCBX研发部）；SCB 10X R&D（SCB 10X研发部）
针对角色扮演对话代理中过度发言和工具调用失效的问题，本文提出基于规则的角色提示（RRP）方法，通过角色卡/场景契约设计和严格函数调用约束，显著提升了代理性能与可靠性。
2025-10-12 cs.AI cs.CL cs.HC
Tutorials on Stance Detection using Pre-trained Language Models: Fine-tuning BERT and Prompting Large Language Models
本文介绍两个立场检测教程，分别讲解BERT微调与LLMs提示技术，通过实践代码与评估揭示few-shot ChatGPT和FLAN-T5优于微调BERT的优势。
2023-07-28 cs.AI cs.CL
Prompting is not a substitute for probability measurements in large language models
Kempner Institute（坎普纳研究所）；Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
本研究比较了元语言提示与直接概率测量在评估LLMs语言知识时的效果，发现提示方法在一致性和准确性上均不如直接测量，并指出依赖提示的负面结果不能证明模型缺乏语言概括能力，同时强调了封闭API限制概率访问带来的价值损失。
2023-10-23 cs.AI cs.CL
Diverge to Induce Prompting: Multi-Rationale Induction for Zero-Shot Reasoning
Department of Computer Science and Information Engineering, National Taiwan University, Taiwan（国家台湾大学计算机科学与信息工程系）；Institute of Information Science, Academia Sinica, Taiwan（学术院信息科学研究所）；AI Research Center (AINTU), National Taiwan University, Taiwan（国家台湾大学人工智能研究中心（AINTU））
本研究提出DIP框架，通过生成多个多样化的高层理由并诱导最终计划，以提升零样本推理的准确性，克服了传统链式思考提示中推理路径不稳定的问题。
2026-02-08 cs.AI cs.CL
CardiffNLP at CLEARS-2025: Prompting Large Language Models for Plain Language and Easy-to-Read Text Rewriting
Cardiff University（卡迪夫大学）
本文介绍CardiffNLP团队在CLEARS-2025西班牙语文本适配任务中，采用LLM提示方法，使用Gemma-3模型，在子任务1和2中分别获得第三和第二名。
2025-08-05 cs.AI cs.CL
Batch Prompting: Efficient Inference with Large Language Model APIs
Shanghai Jiao Tong University（上海交通大学）；University of Washington（华盛顿大学）；University of Hong Kong（香港大学）
提出 batch prompting 方法，通过批次推理显著降低 LLM 的 token 和时间成本，在十个数据集上验证了其有效性和广泛适用性。
2023-10-24 cs.AI cs.CL
Legal Prompting: Teaching a Language Model to Think Like a Lawyer
Thomson Reuters Labs（汤森路透实验室）；Ontario Tech University（安大略理工大学）
大语言模型能够实现零次或Few-Shot提示，这引起了提示工程这一新的研究领域。最近的进展表明，例如，思想链（CoT）提示可以显着改善算术或常识任务。我们探讨了这种方法如何与法律推理任务，并采取了COLIEE蕴涵任务的基础上，日本律师考试测试zero-shot/Few-Shot和微调的方法。我们的研究结果表明，虽然CoT提示和微调与解释方法显示出改善，最好的结果是由来自特定的法律推理技术，如IRAC（问题，规则，应用，结论）的提示。根据我们的实验，我们将2021年的最佳结果从0.7037精度提高到0.8148精度，并以0.7431的精度击败了2022年的最佳系统0.6789精度。
2022-12-08 cs.AI cs.CL
Not the Example, but the Process: How Self-Generated Examples Enhance LLM Reasoning
KAIST AI（韩国科学技术院人工智能研究所）；Applied Artificial Intelligence, Sungkyunkwan University（成均馆大学应用人工智能系）
本研究通过对比不同提示策略，发现自动生成例子的过程增强了LLM推理性能，而非例子本身。
2026-01-26 cs.AI cs.CL
Will It Blend? Mixing Training Paradigms & Prompting for Argument Quality Prediction
Leiden University（莱顿大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文介绍了我们对第九届论证挖掘研讨会（2022）的共同任务的贡献。我们的方法使用大语言模型的论点质量预测的任务。我们使用GPT-3进行提示工程，并研究了多任务学习，对比学习和中间任务训练的训练范式。我们发现，混合预测设置优于单一模型。验证GPT-3最适合预测论点有效性，而论点新颖性最好通过使用所有三种训练范式训练的模型来估计。
2022-10-05 cs.AI cs.CL
LLMs Learn Task Heuristics from Demonstrations: A Heuristic-Driven Prompting Strategy for Document-Level Event Argument Extraction
Nanyang Technological University（南洋理工大学）；Future Resilient Systems, Singapore-ETH Centre（未来韧性系统中心（新加坡-ETH中心））
本文提出启发式驱动的类比链接提示策略HD-LoA，通过显式构建任务启发式演示和类比推理，提升大语言模型在文档级事件论元抽取及多种NLP任务上的少样本性能。
2024-08-08 cs.AI cs.CL
A Systematic Analysis of Large Language Models with RAG-enabled Dynamic Prompting for Medical Error Detection and Correction
George Mason University（乔治·马歇尔大学）；University of Washington（华盛顿大学）
本文提出基于RAG动态提示的医疗错误检测与纠正方法，通过对比不同提示策略，发现RDP在准确率、召回率和纠错可靠性方面表现更优。
2025-11-26 cs.AI cs.CL
Automatic Chain of Thought Prompting in Large Language Models
Shanghai Jiao Tong University（上海交通大学）；Amazon Web Services（亚马逊云科技）
大语言模型（LLM）可以通过生成中间推理步骤来执行复杂的推理。提供这些提示演示的步骤被称为思想链（CoT）提示。CoT提示有两个主要范例。一个是利用一个简单的提示，比如“让我们一步一步地思考”，在回答问题之前促进一步一步的思考。另一种是使用几个逐个手动演示，每个演示由一个问题和一个推理链组成，推理链导致答案。第二范式的卓越表现取决于逐个手工制作特定任务的演示。我们表明，这种手动工作可以通过利用LLM与“让我们一步一步地思考”提示来逐个生成演示的推理链来消除，即，我们不仅要一步一步来想，还要一个一个来想。然而，这些生成的链经常会出现错误。为了减轻这种错误的影响，我们发现，多样性的自动构建演示的事项。我们提出了一种自动CoT提示方法：Auto-CoT。它对具有多样性的问题进行采样，并生成推理链来构建演示。在使用GPT-3的10个公共基准推理任务中，Auto-CoT始终匹配或超过需要手动设计演示的CoT范例的性能。代码可在https://github.com/amazon-research/auto-cot上获得
2022-10-07 cs.AI cs.CL
Agent-Centric Projection of Prompting Techniques and Implications for Synthetic Training Data for Large Language Models
University of North Carolina, Charlotte（北卡罗来纳大学夏洛特分校）
该研究提出LLM系统的线性与非线性上下文概念，构建提示技术的智能体中心投影框架，提出三大关联猜想，为提示与多智能体领域交叉及LLM设计训练提供新方向。
2025-01-14 cs.AI cs.CL cs.MA
An Empirical Evaluation of Prompting Strategies for Large Language Models in Zero-Shot Clinical Natural Language Processing
University of Pittsburgh（匹兹堡大学）
本文对GPT-3.5、BARD和LLAMA2在五个零样本临床NLP任务上的提示工程进行了系统评估，提出了启发式和集成提示，并对比零样本与少样本提示，为临床NLP的提示设计提供了新见解。
2023-09-14 cs.AI cs.CL
Metric-Fair Prompting: Treating Similar Samples Similarly
NLM（国家医学图书馆）；Stevens Institute of Technology（史蒂文斯理工学院）；AWS AI（亚马逊人工智能）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
度量公平提示通过促进个体公平性，提高LLM在高风险临床多选问题上的准确性。
2025-12-08 cs.AI cs.CL
Generative Speech Recognition Error Correction with Large Language Models and Task-Activating Prompting
Amazon（亚马逊）
本研究探究大语言模型用于语音识别后处理重打分与纠错的能力，提出任务激活提示方法，验证了冻结LLM上下文学习重打分的竞争力，结合微调实现了低于N-best oracle的错误率。
2023-10-10 cs.AI cs.CL cs.LG
Efficient but Vulnerable: Benchmarking and Defending LLM Batch Prompting Attack
George Mason University（乔治·马歇尔大学）
本研究揭示批量提示存在安全漏洞，构建BATCHSAFEBENCH基准，发现所有大模型易受攻击，并提出探测式防御方法，检测准确率达95%。
2025-06-20 cs.AI cs.CR cs.LG
Empathic Prompting: Non-Verbal Context Integration for Multimodal LLM Conversations
University of Macerata（马切拉塔大学）
提出共情提示框架，通过集成面部表情识别服务将非语言情感线索隐式融入大语言模型对话，实现无需用户显式控制的流畅多模态交互。
2026-05-28 cs.AI cs.CL cs.HC
UNH at CheckThat! 2025: Fine-tuning Vs Prompting in Claim Extraction
University of New Hampshire（新罕布什尔大学）
本研究参与CheckThat!任务2，比较微调与提示方法在社交媒体声明提取中的效果，发现微调FLAN-T5获得最佳METEOR分数，但其他方法可能提取更高质量声明。
2025-09-08 cs.AI cs.CL cs.IR
Harnessing the Power of Adversarial Prompting and Large Language Models for Robust Hypothesis Generation in Astronomy
Australian National University（澳大利亚国立大学）；European Space Agency（欧洲空间局）；Columbia University（哥伦比亚大学）
本研究利用GPT-4结合上下文提示与对抗性提示，从NASA ADS的1000篇论文中提取知识，显著提升天文学假设生成的稳健性与有效性。
2023-06-20 astro-ph.GA astro-ph.IM cs.AI
Dynamic VLM-Guided Negative Prompting for Diffusion Models
KAIST（韩国科学技术院）
我们提出了一种新的方法，利用视觉语言模型（VLM）的动态负提示扩散模型，在去噪过程中自适应地产生负提示。与使用固定否定提示的传统否定去噪方法不同，我们的方法在特定的去噪步骤生成中间图像预测，并查询VLM以生成上下文适当的否定提示。我们在各种基准数据集上评估了我们的方法，并展示了负指导强度和文本图像对齐之间的权衡。
2025-10-30 cs.AI cs.CV
Dynamic Strategy Chain: Dynamic Zero-Shot CoT for Long Mental Health Support Generation
Jiangxi University of Finance and Economics（江西财经大学）
针对零样本思维链提示在心理健康长咨询文本生成中缺乏策略、无法个性化的问题，提出动态策略链方法，通过GPT2动态生成适配策略引导大模型生成回复，性能优于传统零样本思维链方法。
2023-08-21 cs.AI cs.CL cs.HC
