ترجمه فارسی مقاله در نمودار اندیشه

چکیده

We introduce Diagram of Thought (DoT), a framework that models iterative reasoning in large language models (LLMs) as the construction of a directed acyclic graph (DAG) within a single model. Unlike traditional approaches that represent reasoning as linear chains or trees, DoT organizes propositions, critiques, refinements, and verifications into a cohesive DAG structure, allowing the model to explore complex reasoning pathways while maintaining logical consistency. Each node in the diagram corresponds to a proposition that has been proposed, critiqued, refined, or verified, enabling the LLM to iteratively improve its reasoning through natural language feedback. By leveraging auto-regressive next-token prediction with role-specific tokens, DoT facilitates seamless transitions between proposing ideas and critically evaluating them, providing richer feedback than binary signals. Furthermore, we formalize the DoT framework using Topos Theory, providing a mathematical foundation that ensures logical consistency and soundness in the reasoning process. This approach enhances both the training and inference processes within a single LLM, eliminating the need for multiple models or external control mechanisms. DoT offers a conceptual framework for designing next-generation reasoning-specialized models, emphasizing training efficiency, robust reasoning capabilities, and theoretical grounding. The code is available at https://github.com/diagram-of-thought/diagram-of-thought.

چکیده به فارسی (ترجمه ماشینی)

ما نمودار فکری (DOT) را معرفی می کنیم ، چارچوبی که استدلال تکراری را در مدل های بزرگ زبان (LLMS) به عنوان ساخت یک نمودار حرکتی کارگردانی (DAG) در یک مدل واحد مدل می کند.بر خلاف رویکردهای سنتی که استدلال را به عنوان زنجیرهای خطی یا درختان نشان می دهد ، DOT گزاره ها ، انتقادها ، اصلاحات و تأیید را به یک ساختار DAG منسجم سازماندهی می کند و به مدل اجازه می دهد ضمن حفظ قوام منطقی ، مسیرهای استدلال پیچیده را کشف کند.هر گره در نمودار مطابق با گزاره ای است که پیشنهاد شده ، نقد ، تصفیه شده یا تأیید شده است و باعث می شود LLM بتواند از طریق بازخورد زبان طبیعی ، استدلال خود را بهبود بخشد.DOT با استفاده از پیش بینی خودکار پیش بینی شده بعدی با نشانه های خاص نقش ، انتقال یکپارچه بین پیشنهاد ایده ها و ارزیابی انتقادی آنها را تسهیل می کند و بازخورد غنی تری نسبت به سیگنال های باینری فراهم می کند.علاوه بر این ، ما چارچوب DOT را با استفاده از تئوری TOPOS رسمیت می دهیم ، و یک پایه ریاضی ارائه می دهیم که قوام و صداقت منطقی را در فرآیند استدلال تضمین می کند.این رویکرد هم فرآیندهای آموزش و استنباط را در یک LLM واحد تقویت می کند و نیاز به چندین مدل یا مکانیسم های کنترل خارجی را از بین می برد.DOT یک چارچوب مفهومی برای طراحی مدل های استدلال خاص نسل بعدی ، تأکید بر کارآیی آموزش ، قابلیت های استدلال قوی و زمینه های نظری ارائه می دهد.این کد در https://github.com/diagram-of-thought/diagram-of-thought در دسترس است.