Li proponuje nową technikę podpowiedzi, aby lepiej pokierować LLM w generowaniu pożądanego podsumowania.
W celu wygenerowania bodźca/podpowiedzi szkolony jest LM o regulowanej polityce. Większe wykorzystanie RL do optymalizacji LLM.
Poniższy rysunek pokazuje, jak Directional Stimulus Prompting wypada w porównaniu ze standardowym podpowiadaniem. Polityka LM może być niewielka i zoptymalizowana pod kątem generowania podpowiedzi, które kierują zamrożonym LLM typu “czarna skrzynka”.
