针对 Claude 2.1 的长篇幅提示技巧 [译]

2023 年 12 月 6 日

Claude 2.1 在处理高达 20 万 Token 的庞大上下文时，检索特定句子的能力令人瞩目。我们通过实验发现，利用精心设计的提示技巧，可以引导 Claude 更准确地回忆出相关信息。

• Claude 2.1 在处理高达 20 万 Token 的庞大上下文时表现卓越
• 不过，它在回答基于文档中某个特定句子的问题时可能会有所保留，特别是当这个句子突兀地插入或者位置不合适时
• 通过微小的提示调整，可以消除这种犹豫，使其在这类任务上表现更加出色

我们最近推出的Claude 2.1是我们的最新产品，它拥有高达 20 万 Token 的上下文窗口，相当于约 500 页文本信息。Claude 2.1 在处理长篇幅上下文的真实世界检索任务中表现非常出色。

Claude 2.1 的训练基于大量的用户反馈，针对的是用户认为重要的长文档任务，例如总结一份 S-1 长度的文件。这包括了在真实文件上执行的真实任务，目的是训练 Claude 更少犯错，避免发表无依据的声明。

正因为受到了这种在真实世界中复杂检索任务的训练，Claude 2.1 与之前的 Claude 2.0 相比，错误回答减少了 30%，错误声称文档支持某一主张的情况也减少了 3 到 4 倍。

此外，Claude 在处理这些极长的上下文时的记忆能力也有所提升：

深入探索长文本理解难题

Claude 2.1 搭载了一项强大的功能——200K Token 的长文本窗口，这不仅展现了其强大能力，同时也意味着在使用时需要精心设计提示语。

一项近期的评估[1] 测试了 Claude 2.1 在长篇文章中回溯特定句子的能力。这篇文章是由 Paul Graham 关于创业的系列文章 构成的。文章中嵌入了这样一句话：“在旧金山，最棒的事莫过于晴朗天气下，在多洛雷斯公园边吃着三明治。”当模型浏览这篇包含上述句子的长文章时，它被询问：“在旧金山最有趣的活动是什么？”

在这次评估中，Claude 2.1 的回应多少有些出人意料。它回答说：“遗憾的是，文章并没有明确指出旧金山最有趣的活动是什么。”换句话说，它倾向于报告文章没有提供足够的信息来回答这个问题，而不是去查找文中嵌入的那个句子。

我们在一次内部实验中也复现了这一现象。我们取了最新的 综合拨款法案，并在其中加入了一句“宣布 11 月 21 日为‘全国寻针日’”。虽然 Claude 识别出了这一引用，但它仍不愿断言“全国寻针日”是一个真实存在的节日：

Claude 2.1 的训练数据混合了多种资料，目的是降低信息不准确性。这包括在文档中没有足够的信息来支持一个回答时，模型就不会基于该文档作出回应。我们认为，这可能是由于一般性或针对特定任务的数据减少了此类错误，使得模型在面对嵌入在更广泛上下文中的不合适句子时，不太可能给出回答。

然而，对于原本就存在于长文档中、因而并不显得突兀的句子，Claude 表现出了更多的灵活性。例如，被提及的长文档一开始就包含了这样一行，来自 Paul Graham 关于 Viaweb 的文章：“在 1998 年 6 月雅虎宣布收购前几小时，我对 Viaweb 网站进行了快照拍摄。”

为了测试 Claude 2.1 的上下文理解能力，我们将一篇文章在 20 万字的上下文窗口中的位置随机变换，并向 Claude 2.1 提出了这样一个问题：“雅虎被收购宣布前几小时，作者做了什么？”

不论这个问题的答案在文本中的具体位置如何变化，Claude 都能准确给出答案，并且这个过程中没有对原实验中使用的提示格式进行任何修改。这表明，Claude 2.1 在面对较长的上下文时，如果某个句子显得格格不入，它就会变得更加谨慎，倾向于表示无法根据所给上下文作出回答。而这种在长文本上下文中的谨慎性，是之前针对现实场景长文本检索任务的评估所未能覆盖到的。

如何高效利用 Claude 2.1 的 20 万 Token 上下文窗口

在处理长篇上下文检索问题时，如果 Claude 显得犹豫不决，用户该如何应对？我们的研究发现，即便在 Claude 能够回答但表现出犹豫的情况下，对提示稍作修改也能产生截然不同的效果。在内部进行的相同评估中，仅仅在提示中加入一句话，就显著提高了 Claude 2.1 在处理 20 万 Token 上下文窗口时的准确度。

在 Claude 的回答开头添加 “这是上下文中最相关的一句话：” 这句话，我们在相同的评估中获得了显著更佳的结果。这个小小的改变就足以将 Claude 2.1 在原始评估中的得分从 27% 提升至 98%。

实际上，通过引导模型优先考虑相关句子，这种提示方式有效克服了 Claude 面对单个可能显得突兀的句子时的回应迟疑。

这种方法也提升了 Claude 对上下文中单句回答（即不显得突兀的句子）的处理效果。为了证明这一点，我们使用修改后的提示在之前分享的 Yahoo/Viaweb 示例上达到了 90-95% 的准确率：

我们正在不断地训练 Claude，使其在这类任务上表现得更加出色，并对社区进行的有趣实验和提出的改进建议表示感谢。