2.1 优化特定问题准确度：排除不需要的内容
GPT-4 等语言模型在训练时，数据集主要包含正面内容，即肯定句子多于否定句子。这是因为日常生活和大部分文本中，我们通常表达肯定观点和信息。因此，模型更善于理解和生成正向内容。
另外，模型训练过程中的人工微调和标签通常以正向为主，这也加强了模型对正面内容的倾向。尽管如今开发者在模型训练中已有意识地控制正负样本的比例，但在最终生成内容上还是难免受到一定程度的影响。
这里说句题外话，在人工智能出现后，样本导致的模型偏见成为了一个严重问题。例如，谷歌的图像识别模型曾将黑猩猩与黑人混淆（真实的地狱笑话），结果不出所料地引来抨击，使其模型受到冷遇。有兴趣的朋友可以搜索「人工智能歧视」或「bias in machine learning」以了解更多相关信息。
正向表述与否定表述
首先，我们来看看什么是正向表述和否定表述。如果我们想要模型生成一个人物资料，但我们不希望模型生成该人物喜欢的颜色或他的工作经历，我们通常可能会这样询问：
你现在是……请生成一个人物资料……**不要**生成他喜欢的颜色或工作经历这是一个典型的否定表述，我们直接明确了我们不希望得到的内容。然而，由于模型对正向内容的偏向，这样的表述可能会影响生成结果的质量。
相反，如果我们改变表述方式，变成：
你现在是……请生成一个人物资料……**排除**生成他喜欢的颜色或工作经历这是一个正向表述，我们告诉模型我们希望得到的是一份排除了特定信息的人物资料，而不是简单地告诉它我们不要什么。这样的表述方式更能够引导模型生成我们想要的内容。
可以看到，即使你使用了否定表述告诉 GPT 不要生成工作经历，生成的内容中仍会有涉及使用更加正向的表述，它生成的内容就会更加遵守你想要排除的内容要求。
为什么正向表述更有效
我们可以将正向表述视为一种更积极、更具建设性的表述方式。当我们使用正向表述，我们更多地关注我们想要得到的东西，而非我们不希望得到的东西。这样可以更好地引导模型关注我们的需求，从而生成更精确的内容。
另外，通过将否定的语气，如「不要」「不可以」，转换为比较「正向」的语气，如「排除」「过滤」等，可以提升这类问题生成的内容准确度。这是因为这样的语气转换可以更清楚地表达我们的需求，让模型更好地理解我们的意图。
运用正向表述的方法并不复杂。我们只需要把我们的需求用肯定的语气表述出来，就像我们在日常生活中一样。例如，我们可以说「我希望你可以……」，而非「我不希望你……」；我们可以说「请排除……」，而非「不要包括……」。这种表述方式可以使我们的需求更清晰，更易于理解，从而使模型生成的内容更准确，更符合我们的需求。
正向表述的优势
正向表述的优势主要体现在以下几点：
提高生成内容的准确性：由于模型对正向内容的偏向，正向表述可以使模型更准确地理解我们的需求，从而生成更准确的内容。
提高生成内容的相关度：正向表述可以使我们的需求更清晰，更具体，使模型更容易关联到相关的内容，从而生成更相关的内容。
更易于理解：正向表述通常更直接，更具体，更易于理解。这对于我们自己，也对于模型来说都是如此。
正向表述适合于任何需要提高生成内容准确性和相关度的情况。无论是生成文章，对话，还是生成其他类型的文本，只要我们希望模型更准确地理解我们的需求，更精确地生成我们想要的内容，我们就可以运用正向表述。
总结
比起前面教的方法比较具体，本章我给大家提供了优化方法，更偏向一种思路和概念，「是道非术」。尽管正向表述的优化效果可能并不显著，但它确实可以在一定程度上提升模型生成内容的准确度和相关度。而且除了跟模型对话时，能够提升生产内容的质量，在现实世界中我们也可以用这种方法，来让自己在他人眼中更加地「正向」。
总的来说，通过运用这样简单的技巧，或者叠加使用更多简单的技巧，我们依然做到很好的优化效果。在下一章我会教大家另一个很常见的问题类型，那就是让 GPT 如何准确在内容中提取我们想要的信息。
最后更新于