यह शोधपत्र बड़े पैमाने के भाषा मॉडल (एलएलएम) के प्रदर्शन को बेहतर बनाने के लिए समृद्ध संदर्भ प्रदान करने के तरीकों पर विचार करता है। लंबे प्रॉम्प्ट की बढ़ी हुई गणना लागत और एलएलएम के सीमित इनपुट आकार को संबोधित करने के लिए, हम पार्टप्रॉम्प्ट का प्रस्ताव करते हैं, जो एक नवीन चयनात्मक संपीड़न विधि है जो मौजूदा जनरेटिव और चयनात्मक संपीड़न विधियों की सीमाओं को दूर करती है। पार्टप्रॉम्प्ट प्रत्येक नोड की सूचना एन्ट्रॉपी की गणना करने के लिए एक भाषाई नियम-आधारित वाक्यविन्यास वृक्ष का उपयोग करता है और इसके आधार पर, एक वैश्विक वृक्ष का निर्माण करता है जो पदानुक्रमित संरचना (वाक्यों, अनुच्छेदों और अनुभागों के बीच निर्भरता) को ध्यान में रखता है। यह वैश्विक वृक्ष पर नीचे से ऊपर और ऊपर से नीचे प्रसार के माध्यम से नोड मानों को समायोजित करता है, और फिर समायोजित नोड मानों पर आधारित एक पुनरावर्ती एल्गोरिथ्म का उपयोग करके वृक्ष की छंटाई करके प्रॉम्प्ट को संपीड़ित करता है। प्रायोगिक परिणाम दर्शाते हैं कि पार्टप्रॉम्प्ट विविध डेटासेट, मूल्यांकन मीट्रिक, संपीड़न अनुपात और एलएलएम में अत्याधुनिक प्रदर्शन प्राप्त करता है। यह संपीड़ित प्रॉम्प्ट की सुसंगतता और अत्यंत लंबे प्रॉम्प्ट परिदृश्यों में भी श्रेष्ठता प्रदर्शित करता है।
