Graph of Thoughts: Solving Elaborate Problems with Large Language Models

本文是LLM系列文章，针对《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》的翻译。

摘要

我们介绍了思维图（GoT）：这是一个框架，它将大型语言模型（LLM）中的提示能力提升到思维链或思维树（ToT）等范式之外。GoT的关键思想和主要优势是能够将LLM生成的信息建模为任意图，其中信息单元（“LLM思想”）是顶点，边对应于这些顶点之间的依赖关系。这种方法能够将任意LLM思想组合成协同结果，提取整个思想网络的本质，或使用反馈循环增强思想。我们说明了GoT在不同任务上比现有技术具有优势，例如，与ToT相比，排序质量提高了62%，同时成本降低了31%以上。我们确保GoT可以通过新的思想转换进行扩展，从而可以用于引导新的提示方案。这项工作使LLM推理更接近人类思维或大脑机制，如复现，两者都形成了复杂的网络。

1 引言

2 背景与符号

3 GoT框架

4 系统架构和扩展性

5 用例示例

6 延迟量权衡

7 评估

8 相关工作

9 结论

提示工程是大型语言模型（LLM）研究的核