LLM 可以约束到过去吗？通过基于回忆的提示改善知识截止

提示知识截止指示 大语言模型 (LLM) 采取行动，就好像超过指定截止日期的信息不可用一样。然而，先前的工作主要依赖于直接答案生成，当没有明确查询后截止知识而仅与问题因果相关时，直接答案生成会遇到困难。为了解决这个限制，我们提出了两种基于回忆的提示策略：自我回忆（SR），它要求模型重申其截止约束；问题回忆（QR），它要求模型回忆在截止下有效的问题相关信息。在三个现有基准中，我们的方法优于直接答案提示和传统的逐步推理基准，尤其是在反事实问题上有显着的改进。为了研究不同截止设置的稳健性，我们进一步构建了多截止历史事件基准（MHEB），该基准在多个截止年份下评估同一问题。结果表明，知识截止性能随截止距离而变化，而将 SR 和 QR 结合起来始终能产生最佳性能。