该框架为中山大学和香港中文大学在论文 「DQ-LORE: DUAL QUERIES WITH LOW RANK APPROXIMATION RE-RANKING FOR IN-CONTEXT LEARNING」中提出的。
在本研究中，团队引入了一个框架，利用「双重查询 (DQ) 和低秩近似重排 (LoRe)」自动选择上下文学习示例。实验表明，DQ-LoRe 在自动选择 GPT-4 示例方面超越了之前的方法，准确率从 92.5% 提升至 94.2%，为 LLMs 解决复杂推理问题开辟了新道路。研究团队的综合分析进一步表明，DQ-LoRe 在性能和适应性方面始终优于基于检索的方法，特别是在以分布变化为特征的场景中。 DQ-LoRe 突破了情境学习的界限，并为解决复杂推理挑战开辟了新途径。