Becoming an Expert in a Complex Human System Through Behavior Simulation

本文是LLM系列文章，针对《Large Language Models Need Consultants for Reasoning: Becoming an Expert in a Complex Human System Through Behavior Simulation》的翻译。

摘要

大型语言模型（LLM）与各种推理强化方法相结合，在数学、法律、编码、常识和世界知识等领域表现出了与人类相当的非凡能力。在本文中，我们深入研究了LLM在复杂人类系统中的推理能力。我们利用基于生成代理的仿真技术，提出了一种新的推理框架，称为“马赛克专家观察墙”（MEOW）。在MEOW框架中，模拟数据用于训练专家模型，在每个独立的模拟时间内集中关于特定任务的“经验”。正是通过模拟积累的“经验”使专家能够在复杂的人类系统中完成任务。我们在一个反映真实世界安全场景的通信游戏中进行实验。结果表明，我们提出的方法可以与现有的方法相结合，提高LLM在复杂人类系统中的推理能力。

1 引言

2 相关工作

3 交际游戏中的行为模拟

4 结构和方法

5 实验

6 讨论

7 结论

在本文中，我们提出了一种新的方法，旨在通过模拟提高LLM解决复杂人类系统问题的推理能力。它带来了前所未有的人类行为模拟，并有可能解决特殊场景中出于隐私、安全等原因的数据收集挑战。利用模拟数据，我们提出了MEOW，这是一个使用ML模型从这些数据中学习并生成专家观察结果的框架。通