研究人员进一步揭示了思维链和思维树技术在AI模型中的角色

近期研究人员结合机器学习理论中的样本复杂度和计算复杂度的概念，进一步揭示了思维链和思维树的运用对于LLM的影响。

相比于跳过中间步骤直接生成问题的答案的方式，思维链可以大大降低推理模型的描述长度，从而降低了问题的样本复杂度。后续研究也证实了通过分解问题来降低推理方式的描述长度具备一定的重要性。

此外，研究员也指出思维树形式的推理未必比思维链形式的推理表现更好——这往往取决于任务的计算复杂度。一方面，当问题本身的计算结构是链式时便无法契合思维树的树结构；另一方面，在思维树的树搜索中，当将自我评价作为搜索启发，并不能带来额外的信息，这可能是因为评估一段解题过程的正确性，并不比生成的难度低。

故研究建议在选择推理方式时，应当考虑任务的计算复杂度，根据其计算复杂度选择合适的推理算法。

麻省理工科技评论

关注频道 @ZaiHuaPd
频道爆料 @ZaiHuabot

via 软件新闻频道📮投稿爆料 - Telegram Channel