Prompt Engineering

Prompt Engineering (deutsch sinngemäß Aufforderungs-Gestaltung oder Prompt-Entwicklung) bezeichnet die anwendungsorientierte Praxis und Forschungslinie der systematischen Gestaltung von Eingabe-Prompts für große Sprachmodelle, mit dem Ziel, das gewünschte Modellverhalten ohne Änderung der Modellgewichte zuverlässig zu erreichen.

Der Begriff entstand 2020/2021 mit der Verbreitung der GPT-3-API und beschreibt eine Klasse von Techniken, die zwischen reinem Anwender-Verhalten und systematischem Fine-Tuning verortet sind.

Prompt Engineering umfasst zum einen handwerkliche Praktiken (Formulierung von Instruktionen, Bereitstellung von Beispielen, Festlegung von Rollen und Formaten). Zum anderen umfasst es eine wachsende Forschungsliteratur, die Verfahren wie Chain-of-Thought Prompting (Wei u. a. 2022), Self-Consistency (Wang u. a. 2023), Tree of Thoughts (Yao u. a. 2023) und Automatic Prompt Optimization (DSPy, Promptbreeder, OPRO) hervorgebracht hat.

Mit den seit Ende 2024 etablierten Reasoning Models hat sich die Diskussion über Notwendigkeit, Methode und langfristige Bedeutung von Prompt Engineering verschoben. Zentral bleibt es dabei; in seiner ursprünglichen Form als handwerklicher Hauptzugang zu LLMs wird es jedoch zunehmend durch automatisierte Verfahren ergänzt.

Zusammenfassung

Prompt Engineering ist das anwenderseitige Komplement zum In-Context Learning: Während ICL das Phänomen beschreibt, dass LLMs aus Beispielen im Prompt lernen können, beschreibt Prompt Engineering die Praxis, diese Eigenschaft systematisch zu nutzen.

Die historisch zentrale Beobachtung – dass die Leistung großer Sprachmodelle erheblich von Details der Prompt-Formulierung abhängt – geht auf die GPT-3-Veröffentlichung (Brown u. a. 2020) zurück und wurde mit der breiten Verfügbarkeit von ChatGPT (November 2022) zu einer praktisch relevanten Disziplin.

Drei Schichten lassen sich unterscheiden: erstens grundlegende Techniken (Zero-Shot, Few-Shot, Role Prompting, Format Specification); zweitens mehrstufige Verfahren (Chain-of-Thought, Self-Consistency, Tree of Thoughts, Least-to-Most); drittens automatisierte Verfahren (DSPy, OPRO, Promptbreeder, automatische Prompt-Optimierung).

Mit dem Aufkommen von Reasoning Models (OpenAI o1/o3, DeepSeek R1, Claude mit Extended Thinking) seit Ende 2024 hat sich ein Teil dieser Praxis verschoben. Viele klassische Prompt-Engineering-Tricks – insbesondere explizites „Let’s think step by step” – sind weniger nötig, weil die Modelle internes Reasoning selbständig durchführen; andere Praktiken (klare Aufgabenformulierung, Kontextbereitstellung, Tonfall-Steuerung) bleiben weiterhin relevant.

Die Disziplin hat zugleich eine sicherheitsbezogene Schwester-Disziplin hervorgebracht: Prompt Injection und Jailbreaking beschreiben Verfahren, die durch geschickt gestaltete Prompts Sicherheitsmechanismen der Modelle umgehen – ein Spiegelbild der konstruktiven Prompt-Engineering-Praxis.

Begriffsgeschichte

Vorgeschichte: GPT-2 und Prompt-Programmierung (2019)

Erste Beobachtungen, dass Sprachmodelle Aufgaben aus Prompts ableiten können, datieren auf die GPT-2-Veröffentlichung (Radford u. a., OpenAI 2019). In den darauffolgenden Monaten experimentierten Forschende mit der Steuerung des Modellverhaltens durch sorgfältig formulierte Prompts – eine Praxis, die zunächst informell als Prompt Programming bezeichnet wurde.

GPT-3-Wende und die Etablierung des Begriffs (2020–2021)

Mit der Veröffentlichung von GPT-3 (Brown u. a., NeurIPS 2020) und insbesondere mit dem Start der OpenAI-API im Sommer 2020 wurde Prompt Engineering zur praktischen Notwendigkeit für eine wachsende Entwicklergemeinde.

Frühe einflussreiche Arbeiten und Online-Texte – darunter Gwern Branwens „GPT-3 Creative Fiction” (2020) und Ethan Perez’ systematische Studien zur Prompt-Sensitivität – etablierten die Praxis im informellen Sinne. Der Begriff Prompt Engineering selbst verbreitete sich im Verlauf von 2021.

Wissenschaftliche Konsolidierung (2021–2022)

Eine wissenschaftliche Konsolidierung begann 2021 mit mehreren Arbeiten:

Prefix-Tuning (Li/Liang, Stanford 2021) und Prompt Tuning (Lester u. a., Google 2021) untersuchten die Beziehung zwischen handgemachten und gelernten Prompts.

Reynolds und McDonell (2021, Prompt Programming for Large Language Models, CHI) lieferten eine erste systematische Taxonomie von Prompt-Mustern.

Liu, Pengfei u. a. (2023, Pre-train, Prompt, and Predict, ACM Computing Surveys) etablierten Prompt-Based Learning als Rahmen.

ChatGPT und die breite öffentliche Wahrnehmung (November 2022)

Die Veröffentlichung von ChatGPT am 30. November 2022 verschob Prompt Engineering von einer entwicklerorientierten Fachpraxis in die breite öffentliche Wahrnehmung. Im Verlauf der Jahre 2023 und 2024 entstand eine umfangreiche Sekundärliteratur, eine Berufsbezeichnung Prompt Engineer (mit teilweise hochbezahlten Stellenanzeigen), Online-Kurse, Zertifizierungsprogramme und kommerzielle Beratungspraxis.

Chain-of-Thought und mehrstufige Verfahren (2022)

Zentral war die Arbeit Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei u. a., Google, NeurIPS 2022). Sie zeigte, dass das Einfügen schrittweiser Lösungswege in Few-Shot-Beispiele die Leistung auf mehrstufigen Aufgaben substantiell verbessert.

Kojima u. a. (2022, Large Language Models are Zero-Shot Reasoners) demonstrierten, dass bereits das einfache „Let’s think step by step” einen vergleichbaren Effekt auslösen kann. Diese Befunde prägten die folgende Prompt-Engineering-Praxis maßgeblich.

Automatische Prompt-Optimierung (2023–2024)

Eine zweite Linie verschiebt Prompt Engineering vom handwerklichen Optimieren zur algorithmischen Optimierung. DSPy (Khattab u. a., Stanford 2023, DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines) etablierte ein Framework, das Prompts und Few-Shot-Beispiele automatisch optimiert.

Promptbreeder (Fernando u. a., DeepMind 2023) nutzt evolutionäre Algorithmen zur Prompt-Optimierung. OPRO (Yang u. a., DeepMind 2024, Large Language Models as Optimizers) lässt LLMs selbst als Prompt-Optimierer fungieren.

Reasoning Models und die Verschiebung der Praxis (ab September 2024)

Mit den seit September 2024 etablierten Reasoning Models hat sich ein Teil der klassischen Prompt-Engineering-Praxis verschoben. Modelle wie OpenAIs o1/o3, DeepSeek R1 oder Claude mit Extended Thinking führen ihr Reasoning intern aus; die explizite Anweisung „Let’s think step by step” ist bei ihnen weitgehend unnötig oder kontraproduktiv.

OpenAI hat in offiziellen Dokumentationen empfohlen, bei Reasoning-Modellen kürzere und direktere Prompts zu verwenden als bei klassischen LLMs. Diese Verschiebung hat in der Sekundärliteratur die Frage aufgeworfen, ob Prompt Engineering als eigenständige Disziplin langfristig bestehen bleibt oder durch Modellverbesserungen zunehmend obsolet wird.

Context Engineering als Anschlusskonzept (2025)

Im September 2025 veröffentlichte Anthropic mit Effective Context Engineering for AI Agents (Anthropic Engineering Blog, 29. September 2025) einen vielzitierten Beitrag, der Context Engineering als Weiterentwicklung des klassischen Prompt Engineering positioniert.

Während Prompt Engineering primär die Formulierung einzelner Instruktionen betrifft, umfasst Context Engineering nach dieser Darstellung mehr. Es bezeichnet die systematische Verwaltung der gesamten Menge an Tokens, die einem Sprachmodell bei der Inferenz zur Verfügung steht – System-Prompts, Werkzeugbeschreibungen, Beispiele, Nachrichtenverlauf und dynamisch abgerufene Informationen eingeschlossen.

Der Begriff reagiert auf die Praxis agentischer Systeme, die über viele Interaktionsschritte hinweg wachsende Mengen potenziell relevanter Information erzeugen und verwalten müssen. In der Fachöffentlichkeit wird Context Engineering seit Ende 2025 zunehmend als Sammelbegriff für die Weiterentwicklung der Prompt-Engineering-Praxis im Kontext agentischer KI-Systeme verwendet, ohne dass klassisches Prompt Engineering dadurch obsolet würde.

Methodische Verfahren

Grundlegende Techniken

Zero-Shot Prompting: Das Modell erhält nur eine Aufgabenbeschreibung, ohne Beispiele.

Few-Shot Prompting: 2 bis 32 Beispiele werden in den Prompt eingebettet, um die gewünschte Antwortform zu demonstrieren (vgl. Eintrag In-Context Learning).

Role Prompting: Die Modellrolle wird explizit vorgegeben – etwa „Du bist ein erfahrener Jurist” oder „Du bist ein Expertenlektor für wissenschaftliche Texte”. Empirisch verbessert dies die Konsistenz und den Tonfall der Antworten; ob die Modellleistung dadurch sachlich verbessert wird, ist methodisch weniger eindeutig.

Format Specification: Die gewünschte Ausgabeform wird explizit vorgegeben – JSON-Schema, Markdown-Struktur, Tabellenformat. Mit Structured Output-APIs (OpenAI seit 2024, Anthropic Tool Use) wird Format-Steuerung zunehmend programmatisch.

Delimiter und XML-Tags: Klare Begrenzungen zwischen Anweisung, Beispielen, Eingabe und Output durch spezielle Trenner oder XML-artige Tags. Anthropic empfiehlt für Claude explizit den Einsatz von XML-Tags zur Strukturierung komplexer Prompts.

Mehrstufige Verfahren

Chain-of-Thought (CoT) (Wei u. a. 2022): Schrittweise Lösungsdarlegung in Few-Shot-Beispielen oder als Aufforderung.

Zero-Shot CoT (Kojima u. a. 2022): Die einfache Aufforderung „Let’s think step by step” genügt häufig, um schrittweise Lösungswege auszulösen.

Self-Consistency (Wang u. a. 2023, ICLR): Mehrere CoT-Lösungspfade werden gesampelt; die häufigste Endantwort wird gewählt.

Tree of Thoughts (ToT) (Yao u. a. 2023, NeurIPS): Hierarchische Suche durch verschiedene Lösungspfade mit Bewertung von Zwischenständen.

Least-to-Most Prompting (Zhou u. a. 2023, ICLR): Schrittweise Zerlegung in Teilprobleme von einfach zu komplex.

Reflexion / Self-Critique (Shinn u. a. 2023): Das Modell bewertet eigene Antworten und produziert verbesserte Versionen.

Chain-of-Verification (Dhuliawala u. a. 2024): Generation, automatische Verifikation und Revision in einer einzigen Pipeline.

System Prompts und Konstitutionen

In Chat-orientierten Modellen wird typisch zwischen System Prompt (Instruktionen an das Modell, vor der eigentlichen Nutzeranfrage) und User Prompt unterschieden.

System Prompts dienen der Festlegung von Persönlichkeit, Domäne, Stilrichtlinien, Sicherheitsregeln und Beschränkungen. Anthropics Constitutional Prompting in Claude (eng verwandt mit Constitutional AI) verwendet System Prompts als operationalisierte Konstitutionen – explizite Wertekataloge, an denen sich das Modell orientiert.

Anwendung in agentischen Systemen

In agentischen Systemen übernehmen System Prompts und Tool-Beschreibungen zentrale Rollen: Sie legen Verhaltensregeln, Werkzeugnutzung und Aufgabenkontext fest. Skills (Anthropic-Konzept, ab 2025) bündeln domänenspezifische Prompts, Tools und Ressourcen in wiederverwendbare Module.

Automatische Prompt-Optimierung

Mehrere Verfahren automatisieren die Prompt-Erstellung und -Optimierung:

APE (Zhou u. a., ICLR 2023, Large Language Models Are Human-Level Prompt Engineers): Automatische Prompt-Generierung durch LLMs selbst.

DSPy (Khattab u. a., Stanford 2024, ICLR): Deklaratives Framework, das Prompts, Few-Shot-Beispiele und Pipeline-Komponenten algorithmisch optimiert.

Promptbreeder (Fernando u. a., DeepMind 2023): Evolutionäre Optimierung von Prompts durch Mutations- und Selektionsoperatoren.

OPRO (Yang u. a., DeepMind 2024, Large Language Models as Optimizers): LLMs werden als Optimierer für ihre eigenen Prompts eingesetzt.

TextGrad (Yuksekgonul u. a., Stanford 2024): Backpropagation-analoge Optimierung textueller Prompts.

Prompt Injection und Sicherheits-Aspekte

Prompt Engineering hat eine sicherheitsbezogene Schwester-Disziplin hervorgebracht. Prompt Injection (Perez/Ribeiro 2022; Greshake u. a. 2023) bezeichnet das Einschleusen schadhafter Anweisungen in Inhalte, die ein LLM verarbeitet. Das geschieht direkt durch den Nutzer (Direct Prompt Injection) oder indirekt durch von außen geladene Inhalte (Indirect Prompt Injection, etwa in einer abgerufenen Website, einem PDF-Anhang oder einer Datenbank).

Jailbreaking bezeichnet das gezielte Umgehen der Sicherheitsmechanismen eines Modells durch geschickte Prompt-Formulierung – etwa durch hypothetische Szenarien, Rollenspiele oder mehrstufige Strategien.

Diese sicherheitsbezogenen Verfahren sind das Spiegelbild der konstruktiven Prompt-Engineering-Praxis: Beide nutzen die hohe Sensitivität von LLMs gegenüber Prompt-Details.

Die Forschung zu Jailbreak-Robustheit (Wei u. a. 2023, Jailbroken; Zou u. a. 2023, Universal and Transferable Adversarial Attacks) hat substantielle Aufmerksamkeit erregt, weil sie zeigt, dass selbst nach umfangreichem Sicherheitstraining systematische Schwachstellen bleiben.

Berufsbild und Markt

Mit der ChatGPT-Veröffentlichung 2022 entstand eine kurzfristige Berufs-Konjunktur für Prompt Engineers. Stellenanzeigen mit Gehältern von bis zu 335.000 US-Dollar (Anthropic, Mai 2023) sorgten für mediale Aufmerksamkeit. Zugleich entstand eine Beratungs- und Bildungsindustrie um Prompt-Engineering-Kurse, Zertifizierungen und Beratungsangebote.

Im Verlauf der Jahre 2024 und 2025 hat sich dieser Markt teilweise stabilisiert, teilweise korrigiert. Mit besseren Modellen ist der Marginalwert handwerklichen Prompt-Engineerings für viele Standardaufgaben gesunken; gleichzeitig hat sich Prompt Engineering als integraler Bestandteil von Software-Engineering, UX-Design und KI-Anwendungs-Entwicklung etabliert.

Die isolierte Berufsrolle Prompt Engineer ist seltener geworden; Prompt-Engineering-Kompetenzen werden zunehmend als Standardanforderung in technischen, gestaltenden und analytischen Berufen erwartet.

Anbieter-Dokumentation und Best Practices

Die Frontier-Anbieter publizieren mittlerweile ausführliche Prompt-Engineering-Dokumentation:

OpenAI Cookbook und OpenAI Prompt Engineering Guide dokumentieren Best Practices für GPT-Modelle.

Anthropic Prompt Engineering Documentation (claude.com/docs) liefert detaillierte Anleitungen für Claude, einschließlich der Empfehlung zu XML-Tag-Strukturierung, Constitutional Prompting und Long-Context-Strategien.

Google AI Studio und die Gemini-Dokumentation publizieren analoge Anleitungen für Gemini.

The Prompt Report (Schulhoff u. a. 2024) bietet eine systematische akademische Übersicht über 58 verschiedene Prompt-Techniken aus über 1.500 untersuchten wissenschaftlichen Arbeiten.

Kritik

Substantielle Kritik richtet sich auf mehrere Linien:

Sensitivität und Reproduzierbarkeit: Empirische Untersuchungen (Lu u. a. 2022, Fantastically Ordered Prompts and Where to Find Them; Zhao u. a. 2021, Calibrate Before Use; Sclar u. a. 2024) zeigen, dass die Modellleistung erheblich von Details der Prompt-Formulierung abhängt. Dazu zählen Reihenfolge der Beispiele, Whitespace und Wortwahl.

Diese Sensitivität limitiert sowohl die Reproduzierbarkeit wissenschaftlicher Befunde als auch die Verlässlichkeit produktiver Anwendungen.

Pseudo-Wissenschaft: In der Sekundärliteratur wird kritisiert, dass viele populäre Prompt-Engineering-Empfehlungen (etwa: dem Modell einen Tip zu versprechen, höfliche Anrede, emotional manipulative Anweisungen) auf Anekdoten beruhen statt auf systematischer Evidenz. Prompt-Engineering-Tipps verbreiten sich häufig viral, ohne empirische Überprüfung.

Modell-Spezifität: Prompts, die für ein Modell gut funktionieren, funktionieren häufig für andere Modelle nicht oder anders. Die Verallgemeinerbarkeit von Prompt-Engineering-Befunden ist begrenzt.

Becoming obsolescent: Eine wiederkehrende Vermutung lautet, dass Prompt Engineering mit zunehmender Modellqualität an Bedeutung verlieren wird – Modelle würden in der Lage sein, vage formulierte Anfragen kompetent zu interpretieren. Die Reasoning-Modelle der jüngeren Generation stützen diese These teilweise; ob sie sich vollständig bestätigt, ist offen.

Anthropomorphisierende Praxis: Manche Prompt-Engineering-Empfehlungen – „motiviere das Modell”, „drohe Konsequenzen an”, „setze emotionale Anker” – können die Sicht des Modells als quasi-menschliche Entität verstärken. Die Frage, ob solche Empfehlungen sachlich begründet sind oder anthropomorphisierende Heuristiken darstellen, ist Gegenstand laufender Diskussion.

Risiko-Asymmetrie zu Jailbreaking: Dieselben Techniken, die konstruktives Prompt Engineering ausmachen – sorgfältige Formulierung, Rollenkonstruktion, mehrstufige Strategien –, werden für Jailbreak-Angriffe genutzt. Die Trennung zwischen legitimer und illegitimer Prompt-Gestaltung ist nicht immer trennscharf.

Stand 2025/2026

Prompt Engineering bleibt im Verlauf der Jahre 2024 bis 2026 eine relevante Praxis und Forschungslinie, hat aber seine ursprüngliche Form substantiell verändert.

Vier Verschiebungen prägen diese Entwicklung: Erstens nimmt die Automatisierung durch Verfahren wie DSPy, TextGrad und Promptbreeder zu. Zweitens verschmilzt die Praxis mit Agentic AI und Constitutional Prompting, in denen Prompts modular und systematisch in größere Architekturen integriert werden.

Drittens verschiebt sich die Praxis bei Reasoning-Modellen, bei denen klassische „Let’s think step by step”-Tricks weitgehend obsolet sind und kürzere, direktere Prompts empfohlen werden. Viertens etablieren sich Skills (Anthropic) und vergleichbare modulartige Konzepte als Standardisierungsformat.

Auf der Berufsmarkt-Seite hat sich die isolierte Rolle Prompt Engineer weitgehend in breitere KI-Anwendungs-Rollen integriert. Auf der Sicherheits-Seite bleibt die Spannung zwischen konstruktivem Prompt Engineering und Jailbreaking ein zentrales Spannungsfeld; Anthropic, OpenAI, Google und Apollo Research investieren substantiell in die Robustheit-Forschung.

Die akademische Forschung dokumentiert weiterhin neue Techniken – The Prompt Report (Schulhoff u. a. 2024) listet 58 verschiedene Methoden – bei gleichzeitig zunehmender Kritik an unzureichend empirisch belegten Praktiken.

Quellenangaben

Anthropic, 2025. Effective Context Engineering for AI Agents. Anthropic Engineering Blog, 29. September 2025.
Brown, Tom B. u. a., 2020. Language Models are Few-Shot Learners. In: Advances in Neural Information Processing Systems 33 (NeurIPS 2020), S. 1877–1901. arXiv: 2005.14165.
Dhuliawala, Shehzaad u. a., 2024. Chain-of-Verification Reduces Hallucination in Large Language Models. In: Findings of the Association for Computational Linguistics: ACL 2024. arXiv: 2309.11495.
Fernando, Chrisantha u. a., 2024. Promptbreeder: Self-Referential Self-Improvement Via Prompt Evolution. In: Proceedings of the 41st International Conference on Machine Learning (ICML 2024). arXiv: 2309.16797.
Greshake, Kai u. a., 2023. Not What You’ve Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection. In: Proceedings of the 16th ACM Workshop on Artificial Intelligence and Security (AISec 2023), S. 79–90. DOI: 10.1145/3605764.3623985.
Khattab, Omar u. a., 2024. DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines. In: Proceedings of the International Conference on Learning Representations (ICLR 2024). arXiv: 2310.03714.
Kojima, Takeshi / Gu, Shixiang Shane / Reid, Machel / Matsuo, Yutaka / Iwasawa, Yusuke, 2022. Large Language Models are Zero-Shot Reasoners. In: Advances in Neural Information Processing Systems 35 (NeurIPS 2022). arXiv: 2205.11916.
Liu, Pengfei u. a., 2023. Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. In: ACM Computing Surveys 55 (9), Artikel 195. DOI: 10.1145/3560815.
Lu, Yao u. a., 2022. Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. In: Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (ACL 2022), S. 8086–8098. DOI: 10.18653/v1/2022.acl-long.556.
Perez, Fábio / Ribeiro, Ian, 2022. Ignore Previous Prompt: Attack Techniques For Language Models. arXiv: 2211.09527.
Reynolds, Laria / McDonell, Kyle, 2021. Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm. In: Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems Extended Abstracts (CHI EA 2021), Artikel 314. DOI: 10.1145/3411763.3451760.
Schulhoff, Sander u. a., 2024. The Prompt Report: A Systematic Survey of Prompting Techniques. arXiv: 2406.06608.
Sclar, Melanie u. a., 2024. Quantifying Language Models’ Sensitivity to Spurious Features in Prompt Design. In: Proceedings of the International Conference on Learning Representations (ICLR 2024). arXiv: 2310.11324.
Shinn, Noah / Cassano, Federico / Berman, Edward / Gopinath, Ashwin / Narasimhan, Karthik / Yao, Shunyu, 2023. Reflexion: Language Agents with Verbal Reinforcement Learning. In: Advances in Neural Information Processing Systems 36 (NeurIPS 2023). arXiv: 2303.11366.
Wang, Xuezhi u. a., 2023. Self-Consistency Improves Chain of Thought Reasoning in Language Models. In: Proceedings of the International Conference on Learning Representations (ICLR 2023). arXiv: 2203.11171.
Wei, Jason u. a., 2022. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. In: Advances in Neural Information Processing Systems 35 (NeurIPS 2022). arXiv: 2201.11903.
Wei, Alexander / Haghtalab, Nika / Steinhardt, Jacob, 2023. Jailbroken: How Does LLM Safety Training Fail? In: Advances in Neural Information Processing Systems 36 (NeurIPS 2023). arXiv: 2307.02483.
Yang, Chengrun u. a., 2024. Large Language Models as Optimizers. In: Proceedings of the International Conference on Learning Representations (ICLR 2024). arXiv: 2309.03409.
Yao, Shunyu u. a., 2023. Tree of Thoughts: Deliberate Problem Solving with Large Language Models. In: Advances in Neural Information Processing Systems 36 (NeurIPS 2023). arXiv: 2305.10601.
Zhao, Tony Z. / Wallace, Eric / Feng, Shi / Klein, Dan / Singh, Sameer, 2021. Calibrate Before Use: Improving Few-Shot Performance of Language Models. In: Proceedings of the 38th International Conference on Machine Learning (ICML 2021), S. 12697–12706. arXiv: 2102.09690.
Zhou, Denny u. a., 2023. Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. In: Proceedings of the International Conference on Learning Representations (ICLR 2023). arXiv: 2205.10625.
Zhou, Yongchao u. a., 2023. Large Language Models Are Human-Level Prompt Engineers. In: Proceedings of the International Conference on Learning Representations (ICLR 2023). arXiv: 2211.01910.
Zou, Andy / Wang, Zifan / Carlini, Nicholas / Nasr, Milad / Kolter, J. Zico / Fredrikson, Matt, 2023. Universal and Transferable Adversarial Attacks on Aligned Language Models. arXiv: 2307.15043.

← Zurück zur Lexikon-Übersicht