Tree of Thoughts: Deliberate Problem Solving with Large Language Models
PulseAugur coverage of Tree of Thoughts: Deliberate Problem Solving with Large Language Models — every cluster mentioning Tree of Thoughts: Deliberate Problem Solving with Large Language Models across labs, papers, and developer communities, ranked by signal.
-
新框架融合LLM和贝叶斯优化实现AutoML
研究人员开发了CoFEH，一个将大型语言模型（LLM）与贝叶斯超参数优化（HPO）相结合的端到端自动化机器学习新框架。该系统使用具有思维树（Tree of Thought）方法的LLM来生成灵活的特征工程流水线，并使用贝叶斯优化模块进行HPO。CoFEH独特地交织了这些过程，允许在特征工程和超参数调优之间进行知情决策，与现有方法相比，其性能得到了提升。
-
Protein Thoughts 框架通过可解释信号增强 PPI 发现
研究人员开发了一个名为 Protein Thoughts 的新框架，以改进蛋白质-蛋白质相互作用 (PPI) 的发现。该系统将结合证据分解为四个不同的生物信号：序列相似性、结构互补性、界面平衡和化学相容性。通过保留这些单独的信号，Protein Thoughts 提供了一种透明的方法来对潜在相互作用进行排名和审计，超越了不透明的评分系统。该框架利用了假设驱动的思维之树搜索和微调的语言模型来有效地探索候选空间并指导搜索过程。
-
小型语言模型通过预算感知指导和提示消歧实现更好的推理
研究人员正在探索在不增加模型规模或计算成本的情况下增强小型语言模型（SLM）推理能力的方法。一种方法侧重于推理前的提示消歧，识别并解决用户提示中的语义风险，以提高大型语言模型对关键标记的注意力，仅花费0.02美元即可带来2.5个点的性能提升。另一种策略是双轨CoT（Dual-Track CoT），旨在通过采用预算感知分步指导和控制冗余步骤，使小型语言模型能够在严格的标记和计算预算内可靠地执行多步推理。
-
FGDM: 软件错误检测的推理感知多智能体框架，使用思维链和思维树提示
研究人员开发了一个名为FGDM的新框架，用于检测和修复软件错误。这个多智能体系统利用具有思维链和思维树提示的大型语言模型（LLMs）来理解代码依赖关系。该框架将代码转换为流程图，识别错误并生成修复方案，并与FAISS向量数据库集成以检索过去的类似问题。在C和Python的100多个程序上进行的实验表明，FGDM的性能优于现有方法，显著降低了Levenshtein距离并提高了余弦相似度。
-
New research boosts LLM reasoning with speculative methods and physical insights
Recent research explores novel methods to enhance the reasoning capabilities and efficiency of large language models (LLMs). Papers introduce techniques like speculative exploration for Tree-of-Thought reasoning to brea…