详细内容或原文请订阅后点击阅览
为什么LLMS过度思考简单的难题，但放弃了硬性
人工智能通过大型语言模型（LLM）及其高级同行，大型推理模型（LRMS），重新定义机器如何处理和生成类似人类的文本。这些模型可以写论文，回答问题，甚至解决数学问题。然而，尽管具有令人印象深刻的能力，但这些模型表现出了好奇的行为：它们经常夸大简单的问题，而[...]为什么llms llms过度思考轻松拼图但放弃了硬性问题，这首先出现在unite.ai上。
来源:Unite.AI人工智能通过大型语言模型（LLM）及其高级同行，大型推理模型（LRMS），重新定义机器如何处理和生成类似人类的文本。这些模型可以写论文，回答问题，甚至解决数学问题。然而，尽管具有令人印象深刻的能力，但这些模型表现出了奇怪的行为：它们在与复杂的问题时经常过度地解决简单的问题。苹果研究人员最近的一项研究为这一现象提供了宝贵的见解。本文探讨了为什么LLM和LRMS以这种方式行事以及对AI的未来意味着什么。
大推理模型（LRMS） 研究了解LLM和LRMS
要了解为什么LLM和LRMS以这种方式行事，我们首先需要澄清这些模型是什么。 LLMS（例如GPT-3或BERT）在庞大的文本数据集上进行了训练，以预测序列的下一个单词。这使他们在文本生成，翻译和摘要等任务上都很出色。但是，它们并不是固有的用于推理的设计，它涉及逻辑推论或解决问题。
lrms是一种旨在解决此差距的新型模型。它们结合了诸如《经过思考链》（COT）提示之类的技术，该技术在提供最终答案之前会在其中生成中间推理步骤。例如，在解决数学问题时，LRM可能会像人类一样将其分解为步骤。正如Apple研究所表明的那样，这种方法可以提高复杂任务的性能，但在处理各种复杂性问题时面临挑战。
经营链（COT）研究
方法 河内塔 检查器跳跃 河流关于过度思考和放弃的发现
该研究根据问题复杂性确定了三种不同的绩效制度：