DeepMind：大数学方法又曝重大缺陷，无法自我纠正推理，除非提前得知正确答案

访的GPT-4完成了试验，借此试验OpenAI代数学原理除此以外、最强大的迭代的自我解析能力也。

对于 GPT-3.5，研究者医护人员改用前面提到的完整检验集。对于 GPT-4，为了节省效率，研究者医护人员为每个数据资料集随SP抽取了 200 个极为重要问题（HotpotQA 为 100 个极为重要问题）完成试验。

结果和思考

虽然研究者医护人员在试验中中的并未并用任何内部水资源或辅助工具，但研究者医护人员遵循以后的实习，改用表达式标记来相符何时暂停自我解析可逆。

但是在真实生存环境中的，更是是当研究者医护人员只好用LLM来化解代数学极为重要问题时，大部分时候是不告诉应该应该的。

因此，精度的增强并能更加仔细的再考虑。

为了得出结论这一论述，研究者医护人员所设计了一个基于随SP怀疑的两条线。在此两条线中的，研究者医护人员继续改用表达式标记来相符何时暂停；然而，不对措施不是由LLM采取的，而是根据剩余再考虑的随SP怀疑证明了的。

CommonSenseQA 是一个多项再考虑题数据资料集，为每个极为重要问题发放五个候选再考虑。

如果第k轮（初始转换被选为第0轮）的转换成精度表示为 x，则后续转换成的预期精度去掉 x + （1 − x）/（5 − k）。

诏2列于了该随SP两条线的结果。

2轮后，其精度与自解析颇为甚至更加好，4轮后，其准确度达到100%。

然而，很显着，这样的随SP两条线不能被当作有效率的解析原理。尽管如此，改用标记赢取的结果基本上确实起到启示SP的作用，声称普遍存在可以推论应该应该性的完美试验者。

在字符串转换成等勤务中的，这是行不通的，因为研究者医护人员可以并用执行器和单元试验来相符转换成的字符串究竟成功运转（Chen 等人，2023b）。

然而，对于废话勤务，比如化解代数学极为重要问题，这种分设或许触犯直觉。如果研究者医护人员现在掌握了真相，那么或许就并未无论如何再用LLM来化解极为重要问题。

内在自我简化

对于 GSM8K，确实不普遍存在十分相似的随SP两条线，但原理保持也就是说。

此外，研究者医护人员可以所设计一个两条线，例如每次转换成一个随SP数。经过颇为多的几轮后，它确实时会获得应该的应该，但这样的更改毕竟并未意味。更加反之亦然的无论如何是：如果研究者医护人员现在告诉应该，为什么还要这样做？

试验中分设如前面段落定义的那样。为了实现这一点，研究者医护人员只需删除改用标记来相符何时暂停并通过两轮自我解析来检验精度。

诏3展现了准确度和代数学原理线程次数。研究者医护人员辨别到，经过自我简化后，代数学原理的精度在所有可视试验中的都时会急剧下降。

为什么精度反而急剧下降了？

上图1总结了改用 GPT-3.5 完成两轮自解析后应该变化的结果，图例2中的展现了两个下面。 对于GSM8K，74.7%的随机性下代数学原理留存其初始应该。在其余实例中的，代数学原理更加有确实将应该应该更改为有误应该，而不是将有误应该更改为应该应该。

对于CommonSenseQA，GPT-3.5改变其应该的确实性更加高。造成这种可能会的主要情况是CommonSenseQA中的的有误应该再考虑一般来说有点与极为重要问题有些特别，并且改用自我更加正提醒确实时会使代数学原理特别强调于再考虑另一个再考虑，从而造成较高的‘应该⇒有误’比率。

让研究者医护人员再看一下诏1中的看出的结果。这些结果改用表达式标记来消除代数学原理将应该应该更加换为有误应该。

然而，如何消除这种‘更改有误’的发天和，严格来说是确保安全自我无损成功的极为重要。

一般化的解释是：如果该代数学原理与除此以外的初始提醒正因如此，那么在也就是说提醒和具体的音频算法的前提，初始组织起来理应该现在是最佳的。

转用相理应可以被当作添加额外的提醒，确实使代数学原理特别强调于转换成非常适合该Pop转换的组织起来。

在内在自我不对分设中的，在废话勤务中的，这种补充提醒确实并未为问到极为重要问题发放任何额外的竞争者。

事实上，它甚至确实使代数学原理靠拢对初始提醒造成最佳实际上恢复，从而造成精度急剧下降。

有人确实时会想，研究者医护人员试验的自我简化提醒究竟不期望？

其他提醒能否增加精度？应该是：研究者医护人员实际上有确实找到一个在特定可视上加强代数学原理精度的提醒。然而，这取而代之与本文咨询的内在自我解析分设恰当，十分相似于真正的少抽样分设的咨询。

这种其本质上是并用人类或锻炼下面的相理应。此外，举例来说的方针也可以有效率地理广泛应用优化初始提醒，确实时会赢取更加好的精度，而无需额外的代数学原理线程来完成自我解析。

在参考资料B中的，研究者医护人员试验了不同的提醒，但辨认出精度基本上并未增加。

此外，研究者医护人员并不是第一个辨别到自我不对一般来说能增加LLM废话能力也的人。总而言之，研究者医护人员的近期不是化解诸如‘究竟普遍存在可以增加特定可视试验精度的自我简化提醒？’之类的极为重要问题。这样的查询确实并未特别的意味。

相反，研究者医护人员的目的是化解一个更加基本的极为重要问题——‘大型自然语言代数学原理到底并能仅根据其固有的能力也自我不对其废话吗？’

作为近日提醒的自我不对

在以后的段落中的，研究者医护人员辨别到LLM在自我不对其废话方面面临挑战。

然而，正如以后研究者所证明的那样，在某些前提自我不对现在造成了实在太眼光钦佩的结果。

因此，区分差异并查明所谓至关重要。

要化解这个极为重要问题，重要的是要掌握自我不对的基本性质。根据其表现形式，自我不对可以被当作一种近日提醒。

它与标准规范提醒（这里称之为预先提醒）的差别在于，提醒是在LLM的问到之下完成的。

研究者医护人员将更改此类提醒的真实天和活称为近日提醒工程施工。

因此，当自我不对可以发放预先提醒只能发放的有意思的监督或相理应时，就时会出现自我不对加强代数学原理组织起来的可能会。

例如，当目的是使组织起来更加安全时，监督代数学原理仅改用预先提醒在第一次设法中的转换成实际上套利的组织起来确实很强启发性。在这种前提，自我不对可以作为通过细粒度近日核查来加强组织起来可用性的一种方针。

然而，对于废话勤务来说，可能会确实并非如此。

相理应提醒，例如‘查看您以后的应该并辨认出您的应该普遍存在极为重要问题’。一般来说能为废话发放理应的好处。

此外，即使辨别到自我不对后精度非常大增加，仔细再考虑提醒所设计也是必要性的。

例如，如果组织起来并能保证可以在初始命令中的总能指定的标准规范（例如，可用理应举例来说某些片语、转换成的字符串并能高效、恐惧理应强烈），而不是发放这些要求作为近日提醒中的的相理应，更加具效率效用的替代方针是将这些要求反之亦然（明确地）插入到预先提醒中的。

诏5中的的结果声称，研究者医护人员除此以外的提醒‘标准规范提醒（研究者医护人员的）’要强以后研究者的自我解析后结果。

此外，当研究者医护人员并用他们的提醒来更改研究者医护人员的可用时，精度甚至时会急剧下降。

之后务实，研究者医护人员在这里的意在并不是意见分歧究竟普遍存在近日提醒可以胜于研究者医护人员可任意汇编的提醒。研究者医护人员的主要目的是借此对自我解析试验中完成更加严格的核查。

改用除此以外的近日提醒来监督代数学原理‘自我不对’通过糟糕的预先提醒转换成的组织起来是并未意味的。

为了公平竞争比较，理应在预先和近日提醒上投入同等的努力。

撰文来源不明：新智元，原文标题：《DeepMind：大代数学原理又曝根本性瑕疵，只能自我不对废话，除非提前得知应该应该》

。

吃什么能够有效抗衰老
阳了以后有黄痰怎么办
高血压患者前列腺增生能吃坦洛新吗
再林阿莫西林胶囊服用说明
金笛新冠抗病毒治疗药物