DSPY: COMPILING DECLARATIVE LANGUAGE MODEL CALLS INTO SELF-IMPROVING PIPELINES

本文是LLM系列文章，针对《DSPY: COMPILING DECLARATIVE LANGUAGE MODEL CALLS INTO SELF-IMPROVING PIPELINES》的翻译。

摘要

ML 社区正在快速探索促进语言模型 (LM) 并将其堆叠到解决复杂任务的管道中的技术。不幸的是，现有的 LM 管道通常使用硬编码的“提示模板”来实现，即通过反复试验发现的冗长字符串。为了采用更系统的方法来开发和优化 LM 管道，我们引入了 DSPy，这是一种将 LM 管道抽象为文本转换图的编程模型，即通过声明性模块调用 LM 的命令式计算图。 DSPy 模块是参数化的，这意味着它们可以学习（通过创建和收集演示）如何应用提示、微调、增强和推理技术的组合。我们设计了一个编译器，可以优化任何 DSPy 管道以最大化给定的指标。我们进行了两个案例研究，表明简洁的 DSPy 程序可以表达和优化复杂的 LM 管道，这些管道可以推理数学单词问题、处理多跳检索、回答复杂问题和控制代理循环。编译后几分钟内，几行 DSPy 允许 GPT-3.5 和 llama2-13b-chat 自引导管道，其性能优于标准的几次提示（通常分别超过 25% 和 65%）和具有专家创建的演示的管道（分别高达 5-46% 和 16-40%）。最重要的是，为开放且相对较小的 LM（例如 770M 参数 T5 和 llama2-13b-chat）编译的 DSPy 程序与依赖专家编写的专有 GPT-3.5 提示链的方法具有竞争力。 DSPy 可从 https://github.com/stanfordnlp/dspy 获取。

1 引言

2 相关工作

3 DSPY 编程模型

4 DSPY编译器