企业网站优化排名,如何让百度收录网站,如何做微信商城网站建设,建网站为什么每年都要续费本文是LLM系列文章#xff0c;针对《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》的翻译。 思维图#xff1a;用大语言模型解决复杂问题 摘要1 引言2 背景与符号3 GoT框架4 系统架构和扩展性5 用例示例6 延迟量权衡7 评估8 相关工作9 结论 …本文是LLM系列文章针对《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》的翻译。 思维图用大语言模型解决复杂问题 摘要1 引言2 背景与符号3 GoT框架4 系统架构和扩展性5 用例示例6 延迟量权衡7 评估8 相关工作9 结论 摘要
我们介绍了思维图GoT这是一个框架它将大型语言模型LLM中的提示能力提升到思维链或思维树ToT等范式之外。GoT的关键思想和主要优势是能够将LLM生成的信息建模为任意图其中信息单元“LLM思想”是顶点边对应于这些顶点之间的依赖关系。这种方法能够将任意LLM思想组合成协同结果提取整个思想网络的本质或使用反馈循环增强思想。我们说明了GoT在不同任务上比现有技术具有优势例如与ToT相比排序质量提高了62%同时成本降低了31%以上。我们确保GoT可以通过新的思想转换进行扩展从而可以用于引导新的提示方案。这项工作使LLM推理更接近人类思维或大脑机制如复现两者都形成了复杂的网络。
1 引言
2 背景与符号
3 GoT框架
4 系统架构和扩展性
5 用例示例
6 延迟量权衡
7 评估
8 相关工作
9 结论
提示工程是大型语言模型LLM研究的核心新领域之一。它能够有效地使用LLM而无需任何模型更新。然而设计有效的提示是一项具有挑战性的任务。 在这项工作中我们提出了思维图GoT这是一种新的范式使LLM能够在没有任何模型更新的情况下有效地解决不同的任务。关键思想是将LLM推理建模为任意图其中思想是顶点思想之间的依赖关系是边。 这使得思想能够进行新颖的转换例如聚合。人类的任务解决通常是非线性的它包括将中间解决方案组合成最终解决方案或者在发现新的见解时改变推理流程。GoT通过其图形结构反映了这一点。 GoT优于其他提示方案例如确保排序质量比ToT提高62%同时降低成本31%。我们还为提示方案提出了一个新的度量即思维量以指示给定LLM输出可以携带的信息范围其中GoT也很出色。这为更具原则性的提示工程迈出了一步。
