本文介绍: 本文提出了一种名为ART的框架，可以自动地为大型黑盒语言模型生成多步推理过程，并使用工具库中的外部工具来提高性能。该框架通过检索任务库中与新任务相关的演示文稿，从而实现零样本分解和工具使用。ART提供了一个灵活但结构化的查询语言，使得解析中间步骤、停止生成以调用外部工具以及在包括这些工具输出后继续生成变得容易。此外，用户可以通过更新任务和工具库来修复任何错误或添加新工具，而无需重新训练模型。实验结果表明，ART在多个测试任务上表现优异，特别是在需要算术和算法推理的任务上表现出色。
ART: Automatic multi-step reasoning and tool-use for large language models
本文介绍了一种名为“自动推理和工具使用（ART）”的新框架，用于解决大型语言模型（LLM）在处理复杂任务时需要手动编写程序的问题。该框架可以自动选择任务库中的多步推理和工具使用的演示，并无缝地暂停和恢复生成过程以整合外部工具的输出。实验结果表明，ART比仅使用提示语和自动链式思维（CoT）方法在未见过的任务上表现更好，并且易于人类干预以提高性能。
论文方法
方法描述
本文提出的ART（Arithmetic Reasoning Tool）是一种基于自然语言处理技术的任务分解工具，它能够帮助人类将复杂的任务分解成多个子任务，并且为每个子任务提供相应的解决方案。具体来说，ART包含两个主要部分：任务库和工具库。任务库中存储了多种类型的任务，包括算术、代码生成与执行、搜索和问题分解等；而工具库则包含了各种工具，如搜索引擎、代码生成器以及计算器等。在使用ART时，用户只需要输入一个新任务的描述，然后ART会自动从任务库中找到与之相似的任务，并根据这些任务的程序来生成一个新的程序，该程序可以帮助用户完成新的任务。
方法改进
相比于传统的任务分解方法，ART具有以下优点：
此外，ART还支持用户反馈机制，用户可以通过编辑任务库和工具库来自定义任务分解方案，从而进一步提高性能。
解决的问题
本文提出的方法解决了传统任务分解方法的一些缺点，例如需要大量的人工参与、无法跨任务学习等问题。同时，ART还可以通过用户反馈机制不断优化自身性能，因此可以应用于各种不同领域的任务分解场景。
论文实验
论文总结
文章优点
方法创新点
未来展望
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
