[NeurIPS 2022] Chain-of-thought prompting elicits reasoning in large language models

于 2024-08-04 09:54:14 发布
阅读量161 收藏 2
点赞数 6
文章标签： NeurIPS 2022
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42437114/article/details/140901982
版权

Contents

Chain-of-Thought Prompting

  • 作者发现，通过 chain-of-thought prompting 给 LLM 提供 few-shot chain of thought demonstrations 就可以使得 LLM 在推理时生成推理的中间步骤 chain of thought (for sufficiently large LLMs)，从而显著提升 LLM 在复杂推理任务上的能力，此外也提升了 LLM 的可解释性

在这里插入图片描述在这里插入图片描述

References

连理o
关注
  • 6
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
m0_51479543的博客
04-25 1044
这篇论文解释了"思维链提示"（），它是现在各种LLM应用和Prompt Engineering的重要基础，对LLM尤其是大型LLM的提升作用。思维链（Chain of Thought）是一种提示工具，用于帮助语言模型进行复杂的推理和思考过程。它通过引导模型逐步解决问题，以一系列连贯的步骤展示推理的思路和逻辑关系。CoT prompting的基本思想是将推理过程分解为多个步骤，并在每个步骤中指导模型逐步进行推理。每个步骤都通过自然语言描述，使模型能够理解和执行每个推理阶段所需的操作。
[论文笔记]Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
日积月累，天道酬勤
05-21 1246
⭐ 思维链轮笔记：作者提出了通过生成一系列中间推理步骤的思维链，可以显著提升大型语言模型在进行复杂推理时的能力，但是仅限于100B以上的大模型。
文献阅读：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
codename_cys的博客
09-03 724
文献阅读：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》全文翻译
晓野豬
09-09 992
我们探索生成一条思想链（一系列中间推理步骤）如何显着提高大型语言模型执行复杂推理的能力。特别是，我们展示了这种推理能力如何通过一种称为思维链提示的简单方法在足够大的语言模型中自然出现，其中提供了一些思维链演示作为提示的范例。对三种大型语言模型的实验表明，思维链提示可以提高一系列算术、常识和符号推理任务的表现。经验收益可能是惊人的。例如，仅用八个思维链示例来提示 PaLM 540B，即可在数学应用题的 GSM8K 基准上达到最先进的精度，甚至超过带有验证器的微调 GPT-3。
【提示工程】Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
STAR GAME
12-19 1096
探索大语言模型解决推理问题的能力。从头训练或微调模型，需要创建大量的高质量含中间步骤的数据集，成本过大。
（论文阅读）Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Harry的博客
06-04 2071
我们探索如何生成一个思维链——一系列中间推理步骤——如何显着提高大型语言模型执行复杂推理的能力。特别是，我们展示了这种推理能力如何通过一种称为思维链提示的简单方法自然地出现在足够大的语言模型中，其中提供了一些思维链演示作为提示中的示例。对三种大型语言模型的实验表明，思维链提示提高了一系列算术、常识和符号推理任务的性能。实证收益可能是惊人的。例如，仅使用八个思维链范例来提示 PaLM 540B 在数学单词问题的 GSM8K 基准测试中实现了最先进的准确性，甚至超过了带有验证器的微调 GPT-3。
论文翻译 | Chain-of-Thought Prompting Elicits Reasoningin Large Language Models 思维链提示在大型语言模型中引出推理
m0_49651195的博客
07-09 2663
我们探讨了如何生成思维链——一系列中间推理步骤——显著提高大型语言模型执行复杂推理的能力。特别是，我们通过一种称为思维链提示的简单方法，展示了这种推理能力如何在足够大的语言模型中自然出现，其中提供了一些思维链演示作为提示的示例。在三个大型语言模型上的实验表明，思维链提示提高了一系列算术、常识和符号推理任务的性能。经验上的收获可能是惊人的。例如，在GSM8K的数学单词问题基准测试中，仅使用八个思维链示例就可以实现最先进的精度，甚至超过了经过微调的带有验证器的GPT-3。
大模型思维链论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》简要介绍
qq_37261357的博客
04-03 882
本文是关于2022年NIPS论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》的简要技术介绍。论文提出使用思维链提示（Chain-of-thought Prompting）可以有效促进大语言模型的逐步推理能力，进而获得更加准确的效果，尤其对于需要逐步推理的任务。
《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》【大模型思维链】
艰难困苦，玉汝于成。
04-19 1285
思维链，是一系列中间推理步骤，可以显著提高大语言模型执行复杂推理的能力。
【Chain-of-Thought 专题】Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
夏栀的博客
03-15 694
Chain of Thought（CoT）—— a series of intermediate reasoning steps—significantly improves the ability of large language models to perform complex reasoning.
ChatGPT的原理分析
05-01
GPT1~GPT4 Openai 2018 Improving language understanding by generative pre-training - 这篇论文介绍了另一个流行的预训练模型，也...2022 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
chain of thought prompting elicits reasoning in large language models
liguandong
03-19 571
cot需要更多计算量，因为更多的推理过程；
解锁LLMs的“思考”能力：Chain-of-Thought(CoT) 技术推动复杂推理的新发展
丨汀、的博客
06-14 1213
解锁LLMs的“思考”能力：Chain-of-Thought(CoT) 技术推动复杂推理的新发展
CoT-Decoding (Chain-of-Thought Reasoning without Prompting)
m0_73498751的博客
07-08 1659
这篇文章通过优化解码方法，提出了， 提高回答的准确性CoT-Decoding 类似做选择题时的排除法。
使用 MATLAB 基于正弦 PWM 的三相逆变器.rar
09-09
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。
基于直方图的自适应阈值分割、利用聚类技术实现纹理图像分割、模板匹配技术、目标跟踪、背景建模、目标检测+源码（opencv大作业）
09-09
基于python+opencv实现直方图的自适应阈值分割、利用聚类技术实现纹理图像分割、模板匹配技术、目标跟踪、背景建模、目标检测+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python+opencv实现直方图的自适应阈值分割、利用聚类技术实现纹理图像分割、模板匹配技术、目标跟踪、背景建模、目标检测+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python+opencv实现直方图的自适应阈值分割、利用聚类技术实现纹理图像分割、模板匹配技术、目标跟踪、背景建模、目标检测+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python+opencv实现直方图的自适应阈值分割、利用聚类技术实现纹理图像分割、模板匹配技术、目标跟踪、背景建模、目标检测+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~
springboot基于springboot的游戏创意工坊与推广平台的设计与实现 毕业论文.docx
09-09
springboot基于springboot的游戏创意工坊与推广平台的设计与实现 毕业论文.docx
zh.203.535 2.jar
09-09
zh.203.535 2.jar
RTL代码顶层集成工具
最新发布
09-09
windows上，点击exe文件直接使用，附带使用说明文件，工具为1.1版本： 工具相比v1.0版本，具有如下的改动点： 1、增加识别 inout 双向接口； 2、识别 IP 接口时，即使存在wire/reg，将不受影响识； 3、增加umodule tree的视图，方便了解模块层次结构； 4、不支持 module 例化名一样； 5、支持手动增加 umodule / module / 父级 umodule； 6、最顶层的 module 只能为 TOP ，不可更改
分析一下这篇文献Reasoning with Language Model Prompting: A Survey
05-25
这篇文献 "Reasoning with Language Model Prompting: A Survey" 是一篇综述性的论文，主要介绍了近年来在 NLP 领域中，利用语言模型提示（Language Model Prompting）进行推理的技术和方法。该文献的主要贡献在于...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值