研究表明，通过增加大型语言模型（LLM）的实例化代理数量，性能可得到改善，且此方法与现有复杂技术正交。实验揭示了“规模定律”，性能收益与任务难度有关，难度越大，收益可能越高。虽然成本增加是个挑战，但提供了一种优化LLM性能的新途径。
本文是LLM系列文章，针对《More Agents Is All You Need》的翻译。
摘要
我们发现，简单地通过采样和投票方法，大型语言模型（LLM）的性能会随着实例化代理的数量而变化。此外，该方法与现有的复杂方法正交，以进一步增强LLM，而增强程度与任务难度相关。我们在广泛的LLM基准上进行了全面的实验，以验证我们的发现的存在，并研究有助于其发生的特性。我们的代码公开在：Git。
1 引言
2 相关工作
3 方法
4 实验设置
5 实验结果
6 理解性能收益
7 结论和未来工作
在本文中，我们报告说，您只需要更多的代理，即，只需添加更多的实例化LLM代理，就可以在处理复杂任务时获得更好的LLM性能，而不需要麻烦复杂的方法，
已下架不支持订阅
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
