研究人员推出了一种名为长度条件控制的多数投票(LCMV)的新方法,以提高大型语言模型(LLM)的推理准确性。LCMV在标准多数投票的基础上,纳入了一个观察结果,即更长的思维链通常与较低的正确性概率相关。该方法使用逻辑函数对这种偏差进行建模,并使用无标签的测试数据进行调整,而无需对LLM进行微调。实验表明,LCMV在各种LLM和推理基准测试中始终优于现有的聚合策略。 AI
影响 这项研究提供了一种无需广泛重新训练即可提高LLM推理准确性的方法,有可能使LLM在复杂任务中更可靠。
排序理由 该项目描述了研究论文中提出的一种用于改进LLM推理的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- aimagelab/LCMV
- Chain-of-Thoughts
- GitHub
- Hugging Face
- large-language models
- Length-Conditioned Majority Voting
- logistic function
- Majority Voting
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →