대규모 언어 모델(LLM)은 기계 번역에서 일관되게 강력한 성과를 나타내며, 특히 고품질 프롬프트에 의해 안내될 때 그렇습니다. 소수 샷 프롬프트는 번역 품질을 개선하는 효과적인 기술입니다. 그러나 기존의 대부분 예시 선택 방법은 오로지 질의-예시 유사성에만 집중하고 예시의 품질은 고려하지 않습니다. 본 연구에서는 LLM의 선호도를 학습하여 트리 구조 프레임워크 내에서 고품질의 맥락적으로 관련된 예시를 식별하는 새로운 예시 선택 접근법인 TreePrompt를 제안합니다. 유사성과 품질의 균형을 더 탐구하기 위해 TreePrompt를 K-최근접 이웃(K-NN) 및 적응형 소수 샷 프롬프트(Afsp)와 결합합니다. 영어-페르시아어(MIZAN)와 영어-독일어(WMT19)의 두 언어 쌍에 대한 평가 결과, TreePrompt를 AFSP 또는 임의 선택과 통합함으로써 번역 성능이 향상된 것을 보여줍니다.
Kakavand 외(2023)는 이 질문을 연구했습니다.