AIGC動態(tài)歡迎閱讀

原標題：Deepmind最新研究：一個技巧，思維鏈不再需要提示詞激發(fā)了！
關鍵字：模型,路徑,提示,任務,能力
文章來源：夕小瑤科技說
內(nèi)容字數(shù)：9526字

內(nèi)容摘要：

夕小瑤科技說 原創(chuàng)作者 | 松果、Python引言：探索無需特定提示的LLM推理能力在人工智能領域，大語言模型（LLMs）已經(jīng)在各種復雜的推理基準測試中展現(xiàn)出了令人矚目的性能。傳統(tǒng)上，這些推理能力是通過精心設計的提示技術(shù)來激發(fā)的，例如少量示例提示（few-shot prompting）或零示例提示（zero-shot prompting）。然而，這些方法往往涉及到手動密集的提示工程，限制了它們在不同任務中的通用性。
本項工作探索了一個不同的視角，提出了一個關鍵的問題：LLMs能否在沒有特定提示的情況下有效地進行推理？研究發(fā)現(xiàn)一令人驚訝的結(jié)果，通過簡單地改變解碼過程，可以從預訓練的LLMs中自然地激發(fā)出鏈式推理（CoT）路徑。這種解碼修改繞過了CoT提示，并且是完全無監(jiān)督的，不需要模型調(diào)整。
研究還揭示了預訓練語言模型固有的推理能力，這一發(fā)現(xiàn)與之前側(cè)重于改進提示以促進推理的研究形成了鮮明對比。研究發(fā)現(xiàn)，當模型在其解碼路徑中存在CoT時，對其最終答案的信心增加。利用這種增加的信心，研究者提出了CoT解碼方法，以選擇更可靠的解碼路徑，從而在各種推理基準測試中顯著提高了模型性能。
實驗結(jié)果表明

原文鏈接：Deepmind最新研究：一個技巧，思維鏈不再需要提示詞激發(fā)了！

聯(lián)系作者

文章來源：夕小瑤科技說
作者微信：xixiaoyaoQAQ
作者簡介：更快的AI前沿，更深的行業(yè)洞見。聚集25萬AI一線開發(fā)者、互聯(lián)網(wǎng)中高管和機構(gòu)投資人。一線作者來自清北、國內(nèi)外頂級AI實驗室和大廠，兼?zhèn)湫袠I(yè)嗅覺與報道深度。