🤖 大语言模型可通过迭代提示优化代码，但提示工程至关重要
一项最新实验表明，大型语言模型（LLMs）可以通过反复提示“改进代码”来提升代码质量。研究使用 Claude 3.5 Sonnet 模型，发现即使没有具体指令，迭代提示也能带来性能提升。一个初始的 Python 代码实现运行耗时 657 毫秒，经过迭代提示优化后，运行速度提升了 100 倍，达到约 6 毫秒。然而，此过程也引入了错误和过度设计的特性。更具针对性的提示工程，包括带有特定优化目标的系统提示，则产生了更快且更一致的结果，初始速度提升了 59 倍，但也引入了细微的错误。研究强调，虽然 LLMs 可以通过迭代提示生成更好的代码，但需要仔细的指导和人工监督，以避免错误和过度设计。Numba 等库用于 JIT 编译，以及 NumPy 的向量化操作是性能提升的关键。实验还揭示，LLMs 可能并不总是能识别明显的优化，例如去重，有时还会产生错误的“幻觉”代码。
(HackerNews)
via 茶馆 - Telegram Channel
一项最新实验表明，大型语言模型（LLMs）可以通过反复提示“改进代码”来提升代码质量。研究使用 Claude 3.5 Sonnet 模型，发现即使没有具体指令，迭代提示也能带来性能提升。一个初始的 Python 代码实现运行耗时 657 毫秒，经过迭代提示优化后，运行速度提升了 100 倍，达到约 6 毫秒。然而，此过程也引入了错误和过度设计的特性。更具针对性的提示工程，包括带有特定优化目标的系统提示，则产生了更快且更一致的结果，初始速度提升了 59 倍，但也引入了细微的错误。研究强调，虽然 LLMs 可以通过迭代提示生成更好的代码，但需要仔细的指导和人工监督，以避免错误和过度设计。Numba 等库用于 JIT 编译，以及 NumPy 的向量化操作是性能提升的关键。实验还揭示，LLMs 可能并不总是能识别明显的优化，例如去重，有时还会产生错误的“幻觉”代码。
(HackerNews)
via 茶馆 - Telegram Channel
