?約翰?霍普金斯大學發布 EGO-Prompt 框架，助力小型 AI 模型實現大模型性能提升

　　近日，約翰?霍普金斯大學推出了一種名為 EGO-Prompt 的框架，該框架顯著提高了小型語言模型在專業領域任務中的表現，性能提升近50%，同時將成本降低了83%。這一創新的框架主要用于解決專業領域任務，如醫療診斷和交通管理，使得小型 AI 模型能夠媲美大型推理模型。

　　在實際應用中，設計合適的提示詞是一個挑戰，這不僅需要融入專業領域知識，還要確保 AI 能有效推理并提煉關鍵信息。EGO-Prompt 框架的核心在于它能自動生成優化的提示詞，并結合因果邏輯幫助 AI 像人類一樣分步思考。

　　該框架從專家提供的簡單提示和因果關系圖開始，經過自動優化，生成具體推理指引，使 AI 的思考更為清晰。這一過程通過真實數據反復調整因果圖和提示詞，直到達到最佳效果。此外，EGO-Prompt 還能提升模型的可解釋性，讓用戶更容易理解 AI 的判斷依據。

　　與之前的最佳方法相比，EGO-Prompt 的 F1分數平均提高了7.32% 到12.61%。使用這一框架的小型 AI 模型，能夠在成本低至原有的20% 下，達到大型 AI 模型的效果。這種動態的知識進化方式，使得專家知識不再是靜態的，而是與模型共同成長。

　　EGO-Prompt 的創新之處在于將專家知識從靜態圖譜轉變為語義因果圖（Semantic Causal Graph， SCG），并允許初始圖譜存在一定的不完美。這種容錯設計使得優化過程更為靈活，從而避免了模型在生成過程中可能出現的語義漂移。

　　EGO-Prompt 通過精巧的兩階段推理機制，將推理過程分解為指導生成和條件推理兩個步驟，極大降低了模型的認知負荷，使其在處理復雜的專業領域數據時更加高效。