Typed Reformulation

研究表明 LLM 问题重述可提高准确性，但上下文很重要

一篇新的研究论文探讨了问题重述对大型语言模型 (LLM) 的有效性。该研究使用八种不同的 LLM，在各种数学、逻辑和代码基准测试中测试了三种重写类型——分解、类型重述和概念缩减。结果表明，当一个“神谕者”选择最佳重写时，重述可以将准确性显著提高高达 27.6%，但错误的重写可能会适得其反。研究表明，特定类型的重述更适合某些问题类别，而简单的基于规则的方法可以将一些收益转移到新问题上，尽管盲目重写可能会降低性能。