网站的表格参数怎么做,用c 做一个小网站怎么做,中国网站建设新闻,合肥网站到首页排名论文#xff1a;Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models ⭐⭐⭐⭐ Google DeepMind, ICLR 2024, arXiv:2310.06117 论文速读
该论文受到的启发是#xff1a;人类再解决一个包含很多细节的具体问题时#xff0c;先站在更高的层次上解… 论文Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models ⭐⭐⭐⭐ Google DeepMind, ICLR 2024, arXiv:2310.06117 论文速读
该论文受到的启发是人类再解决一个包含很多细节的具体问题时先站在更高的层次上解决一些更加抽象的问题可以拓展一个更宽阔的上下文环境从而辅助解决这个具体的问题。
反应到 LLM 中就是当问 LLM 一个具体的物理题目时先让 LLM 解决一个更加高层次的抽象问题 这个问题背后用得到物理定律或法则是什么 然后再让 LLM 去解决那个包含了很多细节的具体的物理题目可能效果就会更好准确率更高。
因此本论文提出了 Step-Back 的 prompting 思路示例如下 如上图所示上半部分中original question 是一个具体的物理问题Step-Back Prompting 先让 LLM 进行抽象得到一个 StepBack Question也就是“这个物理问题背后的物理定律是什么”然后再去检索这个 StepBack Question 得到相关事实然后基于以上信息去让 LLM 做 reasoning 得到 final answer。
简而言之Step-Back Prompting 包含两个简单的步骤
Abstraction先让 LLM 根据 original question 提出一个更高层次概念的 step-back question并检索这个 step-back question 的相关事实Reasoning基于高层次概念或原则的事实LLM 就可以去推理原始问题的解决方案了。
分析讨论
StepBack Prompting 思路中的“抽象”通过去除不相关的细节和提炼高级概念或原则来指导具体问题的解决。
通过实验分析abstraction 对于 LLM 来说是一个简单的任务通过一些 few-shot exemplar 即可使用 in-context learning 来学会但 reasoning 对于 LLM 来说仍然是最难学会的任务在多个 error cases 上做分析推理仍然是主要的错误来源。
