本文是LLM系列文章,针对《LARGE LANGUAGE MODEL AS AUTONOMOUS DECISION MAKER》的翻译。
作为自主决策者的大语言模型
- 摘要
- [1 引言](#1 引言)
- [2 前言](#2 前言)
- [3 任务形式化](#3 任务形式化)
- [4 方法](#4 方法)
- [5 实验](#5 实验)
- [6 相关工作](#6 相关工作)
- [7 结论](#7 结论)
摘要
尽管大型语言模型(LLM)表现出令人印象深刻的语言理解和上下文学习能力,但在解决现实世界任务时,它们的决策能力仍然严重依赖于特定任务专家知识的指导。为了释放LLM作为自主决策者的潜力,本文提出了一种JUDEC赋予LLM自我判断能力的方法,使LLM能够实现自主判断和决策探索。具体来说,在JUDEC中,基于Elo的自我判断机制被设计为将Elo分数分配给决策步骤,通过两个解决方案之间的成对比较来判断其价值和效用,然后相应地引导决策搜索过程走向最优解决方案。ToolBench数据集的实验结果表明,JUDEC优于基线,在不同任务上的通过率提高了10%以上。它提供更高质量的解决方案并降低成本(ChatGPT API调用),突出了其有效性和效率。
1 引言
2 前言
3 任务形式化
4 方法
5 实验
6 相关工作
7 结论
在这项工作中,我们引入了一种新的方法JUDEC,使大型语言模型(LLM)能够在不同的现实世界任务中作为自主决策者,而不需要特定任务的专家知识。基于Elo的自我判断机制的引入增强了LLM对决策步骤的自我判断,并指导决策探索过程。在ToolBench数据集上进行的大量实验已经证实了JUDEC的有效性,它通过显著提高通过率和产生更高质量的解决方案而优于基线方法。此外,LLM API调用的减少显示了我们方法的效率提高。通过赋予LLM自主决策能力,我们的工作为其在现实世界场景中的更广泛应用铺平了道路,消除了对特定任务知识的依赖。