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。
