摘要

人类在面对新任务时能够进行组合性推理。先前的研究表明，采用合适的提示（prompting）技术可使大型语言模型（LLMs）解决诸如SCAN等人工设计的组合泛化任务。在本研究中，我们识别出在词汇量更大、更具现实性的语义解析任务中所面临的额外挑战，并对这些提示技术进行了优化以应对这些挑战。我们提出的最佳方法基于“由简至繁”提示策略：首先利用基于提示的句法解析对问题进行分解，随后根据该分解结果选择合适的示例，并逐步生成语义解析。该方法在CFQ基准上取得了新的最优性能，同时仅需传统方法所用训练数据的1%。由于本方法具有较强的通用性，我们预期其在其他任务和领域中亦可带来类似突破，尤其在知识密集型应用中具有广阔前景。