Datawhale AI夏令营（逻辑推理）TASK2学习笔记

在TASK1中我跟随大佬的步伐拿下第一次作业后，对Baseline与大语言模型原理有了进一步理解，而接下来在参与AI夏令营逻辑推理TASK2的过程中，我获得了对大型语言模型（LLM）在解决复杂逻辑问题中应用的深刻洞察。以下是我对这一过程的反思和总结。

Baseline与大模型原理理解

深入Baseline

Baseline的搭建是一次对逻辑推理任务全貌的宏观把握。它不仅让我体验了从问题理解到解决方案设计的全过程，还让我认识到了现有解决方案的局限性和改进空间。

大模型原理的启示

通过对大模型原理的学习，我了解到这些模型如何通过预测下一个最可能的词汇来生成连贯文本。这种理解让我认识到，LLM的关键在于其对上下文的敏感性和对语言模式的把握。

框架逻辑与模块功能深化

框架逻辑的深入剖析

我认识到，一个清晰的框架逻辑是解决问题的基石。通过对框架逻辑的深入剖析，学会了如何将复杂问题分解为可操作的模块，并对每个模块进行针对性的设计和优化。

模块功能的细致打磨

在模块功能的实现上，我特别关注了API调用、retry机制、prompt配置和答案抽取等关键环节。虽然自己之前不是很懂，但通过不断地查资料和自己上手实践一下，勉强能够理解其原理

实践中的洞察与调整

多线程处理的实践

在实践过程中，我深入探索了多线程处理对提高程序效率的影响。通过调整线程数和优化任务分配策略，我成功缩短了程序的运行时间，提高了整体的解题速度。

缺失答案的补充策略

面对模型未能回答的问题，我尝试了多种补充策略，包括重新输入、数据预处理和基于上下文的推理。这些策略的探索和应用，提高了答案的完整性和准确性。

结论与未来展望

通过本次学习，我深刻体会到了LLM在逻辑推理任务中的潜力和挑战。我相信，经过不断地学习与实践，一定能够掌握更多技巧。