【LLM 论文】背诵增强 LLM：Recitation-Augmented LM

本文主要是介绍【LLM 论文】背诵增强 LLM：Recitation-Augmented LM，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文：Recitation-Augmented Language Models
⭐⭐⭐
ICLR 2023, Google Research, arXiv:2210.01296
Code：github.com/Edward-Sun/RECITE

论文速读

论文的整体思路还是挺简单的，就是让 LLM 面对一个 question，首先先背诵（recitation）一遍自己知道的相关段落，然后再回答答案，如下图所示（最右边的是 Recitation-augmented Generation）：

实现的方式就是通过 in-context learning，为 LLM 提供几个带有 recitation 的 few-shot exemplars。

这种 two-step 的范式，将原来的知识密集型任务分解为了两个子任务：knowledge-recitation 和 task-execution，前者可以视为一种中间的知识获取步骤（从 LLM 的内部参数中）。

论文还举了一个例子来说明为什么这种方法可行。比如问题是“$\pi$ 的第十位小数是什么”，也许 LLM 的训练资料中没有关于这个问题的直接回答，但是它可能可以背出“$\pi$ 的前面的数字是 3.1415926535”，这样他就可以回答出答案是 5。

另外，论文还尝试与 self-consistency 和 multi-hop 多轮背诵的方法进行结合来解决更加复杂的问题，如下图：

这篇关于【LLM 论文】背诵增强 LLM：Recitation-Augmented LM的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---