角色切换：在解码过程中混合不同的视角

角色扮演提示通过向提示中注入角色信息来引导语言模型的行为，从而提升其零样本推理能力。然而，这种改进在不同任务或实例中表现不一致。这表明零样本提示和角色扮演提示可能具有互补的优势，而非某一种方法普遍更优。基于这一洞察，我们提出了一种新的解码方法Persona Switch，该方法通过逐步比较两种提示策略的输出置信度（以logit gap衡量），动态地选择更优的输出结果。实验表明，Persona Switch在多个广泛使用的大型语言模型上均优于现有基线方法，最高可提升5.13%的准确率。此外，我们还证明了输出置信度可以作为选择更可靠输出的有效指标。