研究提出提示词最小化框架，缩减输入且保输出质量
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把提示压到最小信息密度
这篇论文把「提示最小化」定义为一个可操作的过程：在输出保真度不变的前提下，把提示压缩成信息密度最高的最短形式。作者指出，当前提示设计仍以经验和临时试错为主，缺乏系统方法，因此他们提出三套变体框架，用来识别并评估什么才算最小提示。论文给出的观察是，最小提示往往能产出与更长提示相当的结果。这一结论同时指向两个层面：实践上，缩短输入可以降低计算开销与推理延迟，尤其在把整份文档或整个代码库塞进上下文而并非必要时；理论上，多个不同提示能引出等价输出，说明输入空间存在大量冗余，也让人追问究竟哪些信息才是触发特定模型行为所必需的。论文共 14 页、13 幅图，归类于 cs.AI。
长提示为何反而拖累表现
材料把长提示的问题讲得比较直接：当上下文里包含大量并非必要的内容时，模型不仅要付出更多算力，推理延迟也会上升。更关键的是，作者认为过长的提示可能损害大语言模型的推理能力与准确率，也就是说，输入变长并不等于效果变好。这一判断构成了提示最小化的动机之一——不是单纯为了省钱省时间，而是因为冗余输入本身可能成为干扰项。与之相对，最小提示在实验中经常给出与长版本可比的结果，说明被删掉的那部分内容对最终输出并非不可或缺。作者由此把问题提升到输入压缩的层面：如果等价输出可以由多个提示产生，那么输入空间中就存在可被识别、可被削减的重复部分，而找出这部分正是三套框架要解决的任务。
对写提示的人意味着什么
从适用范围看，这项工作面向的是提示工程实践与对模型输入压缩的理解，而不是某个具体产品的功能发布。作者提出的三套变体框架用于识别和评估最小提示，并以此支撑「最小提示常常与更长提示输出相当」的结论。对日常需要把长文档、代码库等大块内容放进上下文的使用者来说，这意味着可以先追问哪些内容是真正必要的，再决定保留多少，从而在延迟与开销上获得空间，同时避免长输入可能带来的推理与准确率损失。需要留意的是，材料只说明这是探索性项目与框架提案，并未给出可直接套用的压缩比例或通用规则；最小提示是否在具体任务上仍然保真，仍需按框架逐案评估。论文的提交时间为 2026 年 9 月 25 日，作者为 Marius F. R. Juston、Kevin A. Karim、Jonathan Gao、Kevin C. Li 与 Rudhi Bashambu。
为什么值得看
提供缩减提示词冗余的具体框架，能降低推理延迟与计算开销，对优化大模型调用成本有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。