摘要
我阅读了普林斯顿大学和谷歌大脑研究人员的《REACT：在语言模型中协同推理和行动》。该论文发表在 ICLR 2023 上，讨论了一种 LLM 提示方法，该方法帮助 LLM 在需要推理和行动的复杂环境中表现良好。
人类可以轻松地将以任务为导向的行动与口头推理结合起来。行动和推理之间的这种协同作用使人类能够快速学习新任务，并针对看不见的情况做出稳健的决策。
一、目前存在的问题：
诸如"思维链"之类的提示方法是黑匣子，这意味着模型使用内部表示来生成思想，而不是使用外部世界。这可能导致幻觉，正如本文后面所见。
预训练模型以前曾用于在交互式环境中进行规划和行动。他们将多模态观察结果转换为文本，并使用语言模型生成作（WebGPT、作为零样本规划器的语言模型、保持冷静和探索）。确实会出现一些问题。这些预训练模型尚未利用语言模型来执行抽象推理。他们缺乏工作记忆，这对于长期任务很重要。最后，他们缺乏对复杂环境的探索。
二、提出的解决方案：ReAcT（推理 + 行动）
ReAcT 提示 LLM 生成与任务相关的口头推理跟踪和作，以便模型显示高级推理。ReAcT 为行动（行动的理由）以及与环境交互以检索推理的附加信息（行动到理由）创建高级计划。该论文对以下内容进行了测试：
• 问答（HotputQA 数据集）
• 事实验证（FEVER数据集）
• 基于文本的游戏（ALFWorld）
• 网页导航（Webshop）
三、技术实现：
在每个时间步长 t 上，代理都会收到一个 O o_t ∈观察。代理执行 B a_t ∈作，其中 B = A ∪ L。
• A：与外部环境相互作用的行动空间。
• L：用于推理思想的语言空间。
代理根据策略行事（ π（a_t | c_t） ）：
• c_t = （o_1， a_1， ... ， o_t-1， a_t-1） 是时间 t 的上下文。
• a_t要么是推理，要么是行动。
该策略使用冻结的 LLM（论文中的 PaLM）来实现。LLM 会提示一些人工注释的上下文演示。然后模型将生成下一个自回归的标记，无论是想法还是行动。
行动a_t∈A 会在上下文中引起新的 o_t+1，而思想 （a_t∈L） 则不会。
优势：
• 直观且易于设计的 ReAcT 提示。
• 通用和灵活
• 健壮，可以很好地推广到新任务。
四、实验设计与结果
1、在 ReAcT 上测试的任务：知识密集型推理任务：
• 使用HotPotQA和FEVER数据集。
作者设计了一个具有 3 个功能的维基百科 API：
• search[unity]：返回前 5 个 wiki 页面或 5 个类似的 wiki 页面。
• lookup[string]：返回包含字符串的页面中的下一个句子。
• finish[answer]：使用答案完成当前任务。
• 目的是模拟人类如何与维基百科互动。
对于少量学习，他们从 HotPotQA 中获取了 6 个示例，从 FEVER 中获取了 3 个示例，每个示例包含多个动作观察步骤。
消融部分：
用于通过删除某些组件来针对 ReAcT 进行计算的基线模型。
• 标准提示：基本提示（无思想、无行动、无观察）。
• 思维链：删除动作和观察，只保留推理。CoT-SC：生成 21 种不同的推理路径并进行多数投票，这有利于减少幻觉。
• 仅行动提示 （ACT）：在删除想法的同时保留行动和观察。
当 ReAcT 未能在给定步骤内返回时，使用 CoT-SC。如果来自 n 个 CoT-SC 样品的大多数答案出现少于 n/2 次，则再次使用 ReAcT，这表明存在一定的不确定性。
结果：
• ReAcT 的表现始终优于 ACT。
• 幻觉是 CoT 的一个问题。
• 通过搜索检索知识对于 ReAcT 来说很重要。
• ReAcT + CoT-SC 在微调方面表现最佳。
2 在 ReAcT 上测试的任务：决策任务：
用于决策任务的数据集：ALFWorld 和 Webshop。
ALFWorld：模拟基于文本的家务。
• 一个任务实例最多可以有 50 个不同的家庭位置，这会导致 50 个步骤。
• 作者从训练数据中随机选择了 3 个任务，并包括稀疏的思想（关键推理步骤）来指导智能体。他们通过要求智能体分解目标、跟踪子目标完成情况、确定下一个子目标和常识性推理来做到这一点。
• 3 个随机任务作为少量示例，以便代理可以推广到新情况。
结果：
• 使用 ReAcT 提示的最佳跟踪导致 71% 的成功率，最差的跟踪导致 48% 的成功率。
• ReAcT 的表现优于 ACT（47%）和 BUTLER（37%）
• ACT 无法分解复杂的目标，而 ReAcT 则使用思考和推理。
