ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-top:8px;padding-bottom:8px;margin:1em 4px;line-height:26px;color:black;">百度终于整了点大活！ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-top:8px;padding-bottom:8px;margin:1em 4px;line-height:26px;color:black;">他们最近搞出了一个叫"自推理"的框架，号称能ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;color:#35b378;">让RAG系统更靠谱、更易追踪。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-top:8px;padding-bottom:8px;margin:1em 4px;line-height:26px;color:black;">说白了，就是让大模型ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;color:#35b378;">自己问自己答，自己给自己出题还自己改卷，这操作也是没谁了！ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-top:8px;padding-bottom:8px;margin:1em 4px;line-height:26px;color:black;">![]() ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin: 0px auto;width: auto;max-width: 100%;height: auto !important;" width="auto" src="https://api.ibos.cn/v4/weapparticle/accesswximg?aid=86921&url=aHR0cHM6Ly9tbWJpei5xcGljLmNuL3N6X21tYml6X3BuZy9NM1ByaFNVSUNuRUxzU0dnSjZDM29kNUtkczBsMzN5aWFqMGZJcGxaN3JlaG5mMmZoZHRRdzRSZW9jdmJIUDhra2xXQzBpYVZIczdHeUwxNnBLa29LSkl3LzY0MD9mcm9tPWFwcG1zZw=="/>ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-top:8px;padding-bottom:8px;margin:1em 4px;line-height:26px;color:black;">这个框架主要分三步走：
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin-bottom:8px;padding-left:25px;color:black;list-style-type:decimal;" class="list-paddingleft-1">ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;margin-top:-10px;">相关性判断：让模型自己判断检索到的文档和问题是否相关。 证据提取：模型自己挑选相关文档，然后从中提取关键句子作为证据。轨迹分析：模型根据前两步生成的推理轨迹，给出最终答案。听起来好像很高大上？ 其实就是让模型自己当自己的老师，自己教自己怎么思考。可以说是既当爹又当妈了！ 离谱的是，这玩意儿只用了2000个训练样本（还是GPT-4生成的），就能和GPT-4打个平手。 Lihua(@yZHxkVi1aTjSJmJ) 对百度这波操作表示赞叹： 这种利用大模型自身推理轨迹的方法很有意思。它可以提高模型的透明度和可解释性，让我们更好地理解模型是如何得出结论的。
这种让模型自己解释自己的做法，可以说是非常鸡贼了。不仅能提高准确率，还能让我们更好地理解模型的思考过程。 还有网友Zoe Wang(@zoewangai)更是直接上手研究了一波，她总结道： 作者提出的"自推理"框架包括三个关键过程： 相关性感知过程（RAP）：指导语言模型判断检索文档与问题的相关性。 证据感知选择过程（EAP）：引导语言模型选择和引用相关文档，并从中选取关键句子作为"证据"。 轨迹分析过程（TAP）：要求语言模型基于前两个过程中的自推理轨迹生成简明分析，并给出最终答案。
|
