Self-Polish: Enhance Reasoning in Large Language Models via Problem Refinement

相关文章

• 

  《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》【大模型思维链】

  思维链，是一系列中间推理步骤，可以显著提高大语言模型执行复杂推理的能力。 思维链：一种简单的提示方法，通过一系列的中间推理步骤，可以大大提高大语言模型执行复杂推理的能力。 下图为使用标准提示词和使用思维链提示词的输出的区别： 与传统Prompt的区别：

  2024年04月23日

  浏览(30)

• Fine-tuning Large Enterprise Language Models via Ontological Reasoning

  本文是LLM系列文章，针对《Fine-tuning Large Enterprise Language Models via Ontological Reasoning》的翻译。 大型语言模型（LLM）利用特定任务的训练数据，将微调作为一种适应不同目标的技术。任务特异性应该与领域定向齐头并进，即LLM的专业化，以准确地处理给定感兴趣领域的任务。然

  2024年02月09日

  浏览(47)
• 

  Bring Your Data！Self- supervised Evolution of Large Language Models

  这篇论文提出了一种自监督的评估方式来衡量大型语言模型的能力和局限性。常规的基于数据集的评估方式存在一些缺点: 需要不断新建数据集。 存在数据集和模型训练数据交叉的问题,影响评估结果。 难以评估模型在实际部署中的表现。为了弥补这些缺点,论文提出了自监督

  2024年02月16日

  浏览(46)
• 

  论文阅读之Multimodal Chain-of-Thought Reasoning in Language Models

  本文主要对2023一篇论文《Multimodal Chain-of-Thought Reasoning in Language Models》主要内容进行介绍。 大型语言模型（LLM）通过利用思想链（CoT）提示生成中间推理链作为推断答案的基本原理，在复杂推理方面表现出了令人印象深刻的性能。然而，现有的CoT研究主要集中在语言模态上。

  2024年03月14日

  浏览(51)

• EVALUATING HALLUCINATIONS IN CHINESE LARGE LANGUAGE MODELS

  本文是LLM系列文章，针对《EVALUATING HALLUCINATIONS IN CHINESE LARGE LANGUAGE MODELS》的翻译。 在本文中，我们建立了一个名为HalluQA (Chinese Hallucination question - answers)的基准来测量中文大型语言模型中的幻觉现象。HalluQA包含450个精心设计的对抗性问题，跨越多个领域，并考虑到中国的历

  2024年02月07日

  浏览(41)

• Secrets of RLHF in Large Language Models Part I: PPO

  本文是LLM系列文章，针对《Secrets of RLHF in Large Language Models Part I: PPO》的翻译。 大型语言模型（LLM）为通用人工智能的发展制定了蓝图。它的主要目标是作为一个以人为本（乐于助人、诚实无害）的助手。与人类保持一致具有至关重要的意义，人类反馈强化学习（RLHF）成为支

  2024年02月07日

  浏览(137)
• 

  Making Large Language Models Perform Better in Knowledge Graph Completion论文阅读

  原文链接： Making Large Language Models Perform Better in Knowledge Graph Completion 基于大语言模型（LLM）的知识图补全（KGC） 旨在利用 LLM 预测知识图谱中缺失的三元组 ，并丰富知识图谱，使其成为更好的网络基础设施，这可以使许多基于网络的自动化服务受益。然而，基于LLM的KGC研究有

  2024年01月23日

  浏览(48)
• 

  [论文阅读笔记] TRACE: A Comprehensive Benchmark for Continual Learning In Large Language Models

  TRACE: A Comprehensive Benchmark for Continual Learning In Large Language Models arXiv2023 复旦大学 Benchmark、Continual Learing、LLMs 已经对齐过的大模型 (Aligned LLMs )能力很强，但持续学习能力缺乏关注； 目前CL的benchmark对于顶尖的LLMs来说过于简单，并且在指令微调存在model的potential exposure。(这里的

  2024年01月18日

  浏览(61)
• 

  论文解读：Siren’s Song in the AI Ocean: A Survey on Hallucination in Large Language Models

  核心要点 针对大模型幻觉问题进行综述，从detection、explanation和mitigation三个方面进行介绍； 对幻觉现象和评估基准进行归纳，分析现有的缓解幻觉的方法，讨论未来潜在的研究发展 相关文献整理：https://github.com/HillZhang1999/llm-hallucination-survey 一、什么是大模型的幻觉 大模型

  2024年02月02日

  浏览(53)
• 

  【论文笔记】A Survey of Large Language Models in Medicine - Progress, Application, and Challenges

  将LLMs应用于医学，以协助医生和病人护理，成为人工智能和临床医学领域的一个有前景的研究方向。为此， 本综述提供了医学中LLMs当前进展、应用和面临挑战的全面概述 。 具体来说，旨在回答以下问题： 1）什么是LLMs，如何构建医学LLMs？ 2）医学LLMs的下游表现如何？ 3）

  2024年02月03日

  浏览(46)