解构思维之链、树与图：我们该如何优化大语言模型的推理能力？

AIGC动态欢迎阅读

原标题：解构思维之链、树与图：我们该如何优化大语言模型的推理能力？
关键字：拓扑,模型,思维,结构,节点
文章来源：夕小瑶科技说
内容字数：12346字

内容摘要：

夕小瑶科技说原创作者 |小戏在浩浩荡荡的生物进化史中，人类的祖先“幸运”的抽中了一张名为“智能”的彩票。智能的出现让人类拥有了思考的权力，而思维的思考所做的工作，无非又是推理二字。
大模型的出现，让人们对智能的人造建构从卷积神经网络、循环神经网络实现的“感知”层面走向“认知”，在认知功能中，大模型展示的最为重要的能力，可能就是推理。在几个月前，上交的张倬胜老师曾为我们带来了一篇“从思维链（CoT）技术到 AI Agent 的综述”
从宏观层面而言，大模型推理能力的实现，是在解决问题的过程中通过构建一系列的推理节点（点）以及这些节点之间的依赖关系（边）来形成一个有助于推理的结构化图谱（这里就让我们叫它推理拓扑，Topologies of Reasoning），这个推理拓扑即可以是链状（CoT）、树状（ToT）结构，又可以是更复杂的图状（GoT）结构。
伴随着大模型的快速发展，通过使用 Prompt 工程叠加这类推理结构图谱的设计范式在提升模型推理能力、解决复杂任务方面展现出了巨大的潜力。为了加深对这一非常有趣又有前景的领域工作的理解，来自苏黎世联邦理工学院的学者们为我们深入细致的讨论了

原文链接：解构思维之链、树与图：我们该如何优化大语言模型的推理能力？