朋友们，想了解为什么同一模型会带来大量结果的不一致性吗？今天，我们来一起深入分析一下来自微软和麻省理工学院的一项重大发现——不同的Prompt格式如何显著影响LLM的输出精度。这些研究结果对于应用Prompt优化设计具有非常重要的应用价值。

本文将详细介绍该研究的工作过程、研究结果及其在实际应用中的价值。整个研究通过源码分析和实验验证，提供了扎实的证据支持这些结论。

研究背景与意义

微软和麻省理工学院（MIT）的研究团队近期发布了一项开创性研究，首次系统性地探讨了提示词格式对大语言模型（LLM）性能的影响。随着大型语言模型的广泛应用，Prompt工程逐渐成为影响模型性能的关键因素之一。然而，业内对Prompt格式在模型性能中的影响却一直缺乏系统性的研究。

微软和麻省理工学院的研究团队意识到这一问题的重要性，决定对Prompt格式如何影响LLM的表现进行深入分析，以解决LLM输出不一致性和性能波动的问题。这项研究颠覆了以往认为提示词格式无关紧要的观点，为Prompt工程实践带来了重要启示。

核心发现

1.格式影响显著：研究发现，仅仅改变提示词的格式，就能导致模型性能产生高达42%的差异。在国际法相关的多项选择题测试中，使用JSON格式比Markdown格式的准确率提升了42%。

2.模型敏感度差异：

• GPT-3.5系列模型对格式变化特别敏感，性能波动可达40%
• GPT-4系列表现出更强的鲁棒性，对格式变化的敏感度较低
• GPT-4 Turbo展现出最强的格式适应能力

图1：不同提示词格式对GPT-3.5-turbo-16k模型性能的影响

这张图展示了在国际法相关的MMLU基准测试中，JSON格式相比Markdown格式带来的显著性能提升。图中清晰地显示了42%的准确率差异，直观地证明了提示词格式选择的重要性。

研究问题与目标

研究团队明确了几个关键问题：

1. 不同的Prompt格式是否会显著影响LLM的性能？
2. 哪种Prompt格式在不同任务中表现最佳？
3. LLM对于不同Prompt格式的敏感性如何，是否具有普遍性？

通过回答这些问题，研究团队希望为Prompt工程师提供指导，帮助他们选择最优的Prompt格式，以提升模型的性能和稳定性。

实验设计与方法

1. 数据集与任务选择

研究团队使用了多个数据集，涵盖了自然语言理解（NLU）、代码生成（Code Generation）和代码翻译（Code Translation）等任务。主要的数据集包括：

• MMLU：用于测试模型在不同学科（如STEM、人文、社科等）上的理解能力。
• HumanEval：用于评估代码生成任务中模型的表现。
• CODEXGLUE：用于评估代码翻译任务。

这些数据集的选择旨在确保实验结果的广泛适用性，涵盖了自然语言处理和代码任务的不同场景。

2. Prompt格式的设计

研究团队设计了四种不同的Prompt格式：

纯文本（Plain Text）

Markdown

YAML

JSON

每种格式的Prompt内容保持一致，仅在格式和语法上有所区别，以确保实验结果仅反映格式本身对模型性能的影响。Prompt的设计包括五个主要组件：角色设定、任务说明、示例、输出格式指令和用户问题。

3. 实验设置

实验在OpenAI的GPT-3.5和GPT-4模型上进行，使用了Azure OpenAI平台。研究团队选择了多个模型版本，包括“gpt-35-turbo-0613”、“gpt-35-turbo-16k-0613”、“gpt-4-32k-0613”和“gpt-4-1106-preview”，以比较不同模型在Prompt格式上的表现差异。

为确保实验的公平性，所有Prompt在内容上完全相同，唯一的变量是格式的变化。研究团队通过对每个任务的表现进行评分，并使用配对t检验来判断不同格式间的性能差异是否显著。

关键研究结果

1. 模型性能差异

• GPT-3.5-turbo：

• 在代码翻译任务中，不同格式间的性能差异高达40%
• JSON格式在多数任务中表现最佳
• 纯文本格式通常表现最差

• GPT-4：

• 展现出更强的格式适应能力
• 性能波动幅度显著小于GPT-3.5
• 最新的GPT-4-turbo版本表现出最强的格式鲁棒性

图2：不同GPT模型对格式变化的敏感度对比

这张图展示了不同GPT模型在各种任务中的性能表现。从图中可以清楚地看到：

• GPT-4系列（特别是GPT-4-turbo）展现出更稳定的性能曲线
• GPT-3.5系列在不同格式下表现差异显著
• 格式选择对模型性能的影响是系统性的，而非随机现象

2. 任务特性影响

研究发现，格式的影响程度与任务类型密切相关：

1. 推理任务：

• 结构化格式（如JSON）通常能带来更好的性能
• 格式影响最为显著

2.代码生成：

• 格式选择对性能影响较大
• 不同模型对最优格式的偏好不同

3.翻译任务：

• 格式影响相对较小
• 模型表现较为稳定

图3：使用单侧配对t检验评估模型对Prompt格式的敏感性

表中显示了每个数据集/模型的最佳和最差格式（最大值/最小值）以及p值。除GPT-4-1104-preview在HumanEval任务上的p值外，其他所有p值均低于0.05，证实了Prompt格式对模型性能的广泛影响。

• 图表表明了GPT-3.5和GPT-4在不同Prompt格式下的表现，包括最大值、最小值及p值。
• 表格中的p值反映了统计显著性，用于评估不同Prompt格式对模型性能的影响。
• GPT-4在HumanEval任务中的p值为0.055，表明差异不显著，其他情况下的p值均低于0.05，证实了Prompt格式对模型性能的广泛影响。

结果分析

1. Prompt格式对模型性能的影响

实验结果表明，不同的Prompt格式对LLM的性能有显著影响。在代码翻译任务中，JSON格式的Prompt相比Markdown格式提高了42%的准确性。这一发现颠覆了以往对Prompt格式无关紧要的假设。

在具体任务中，JSON格式通常表现最佳，尤其是在代码相关任务中表现尤为突出。而Markdown格式的表现则相对较差，特别是在涉及复杂结构化信息的任务中。

2. 模型对Prompt格式的敏感性

实验还发现，较小的模型（如GPT-3.5系列）对Prompt格式的敏感性更高，而较大的模型（如GPT-4）则表现出更好的稳健性。例如，GPT-4在不同Prompt格式下的性能差异较小，这表明更大的模型在处理不同格式时具有更强的鲁棒性。

3. 一致性与传递性分析

研究团队进一步分析了不同Prompt格式对模型输出一致性的影响。通过一致性指标计算，发现GPT-4的输出一致性显著高于GPT-3.5。这意味着在使用不同Prompt格式时，GPT-4生成的答案更为统一和可靠。

此外，团队还评估了Prompt格式在不同模型之间的可传递性。结果表明，同一系列的模型（如GPT-3.5的不同版本）在最佳Prompt格式上具有较高的一致性，而不同系列的模型在最佳格式上则存在显著差异。这提示我们，Prompt工程需要针对具体的模型进行优化，而不能一概而论。这一点也是我在多篇文章中反复强调的，很多研究都突出了这一点。

实验结论

1. Prompt格式显著影响LLM性能：实验结果表明，JSON格式在多个任务中表现出色，特别是在代码生成和翻译任务中，明显优于Markdown格式。
2. 模型的规模影响Prompt格式敏感性：较大的模型（如GPT-4）对Prompt格式的敏感性较小，表现更加稳定。
3. Prompt优化需针对具体模型：不同模型对于Prompt格式的最佳选择存在差异，Prompt工程师应根据具体模型和任务需求选择合适的格式。

实际应用建议

1. 针对代码任务优先使用JSON格式

对于需要处理代码的任务，例如代码生成和代码翻译，建议优先使用JSON格式的Prompt。这种格式能够更好地帮助模型理解结构化信息，从而提高任务的准确性和一致性。

2. 在自然语言任务中谨慎选择Prompt格式

对于自然语言处理任务，例如文本生成和问答，虽然JSON格式在多数情况下表现较好，但具体任务的需求可能不同，Prompt工程师应根据任务的复杂性和模型的特点选择合适的格式。

3. 针对不同模型进行Prompt优化

实验结果表明，不同的模型对Prompt格式的敏感性存在差异。因此，Prompt工程师在设计Prompt时应充分考虑所使用的模型类型，并进行相应的格式优化。例如，对于GPT-3.5，应更加注重Prompt格式的选择，而对于GPT-4，则可以在格式选择上更加灵活。

探索

尽管本研究揭示了Prompt格式对LLM性能的显著影响，但仍有一些值得进一步探索的方向。如果您对这个实验感兴趣，也可以讲实验扩展到其他类型的LLM（如Claude的Sonnet，LLaMA和Gemini）上，以验证这些发现是否具有普遍性。此外，未来的研究还可以考虑引入更多类型的Prompt格式（如pesudo、SVG、HTML或XML等等），以进一步探究不同格式对模型性能的影响。

微软和麻省理工学院的这项研究向我们揭示了Prompt格式在LLM性能中的重要性。对于正在开发AI产品的读者来说，这些发现具有重要的指导意义。通过合理选择Prompt格式，我们可以显著提高LLM的输出精度和一致性，从而在实际应用中获得更好的性能。希望本文的分析能够为各位在实际工作中提供有价值的参考。

文章来自于“AI修猫Prompt”，作者“AI修猫Prompt”。