ترجمه فارسی مقاله به CoT یا نه به CoT؟ زنجیره فکر عمدتاً به ریاضیات و استدلال نمادین کمک می کند

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning
عنوان مقاله به فارسی به CoT یا نه به CoT؟ زنجیره فکر عمدتاً به ریاضیات و استدلال نمادین کمک می کند
نویسندگان Zayne Sprague, Fangcong Yin, Juan Diego Rodriguez, Dongwei Jiang, Manya Wadhwa, Prasann Singhal, Xinyu Zhao, Xi Ye, Kyle Mahowald, Greg Durrett
فرمت مقاله انگلیسی PDF
تعداد صفحات 45
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Artificial Intelligence,Machine Learning,محاسبه و زبان , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Chain-of-thought (CoT) via prompting is the de facto method for eliciting reasoning capabilities from large language models (LLMs). But for what kinds of tasks is this extra ``thinking'' really helpful? To analyze this, we conducted a quantitative meta-analysis covering over 100 papers using CoT and ran our own evaluations of 20 datasets across 14 models. Our results show that CoT gives strong performance benefits primarily on tasks involving math or logic, with much smaller gains on other types of tasks. On MMLU, directly generating the answer without CoT leads to almost identical accuracy as CoT unless the question or model's response contains an equals sign, indicating symbolic operations and reasoning. Following this finding, we analyze the behavior of CoT on these problems by separating planning and execution and comparing against tool-augmented LLMs. Much of CoT's gain comes from improving symbolic execution, but it underperforms relative to using a symbolic solver. Our results indicate that CoT can be applied selectively, maintaining performance while saving inference costs. Furthermore, they suggest a need to move beyond prompt-based CoT to new paradigms that better leverage intermediate computation across the whole range of LLM applications.

چکیده به فارسی (ترجمه ماشینی)

زنجیره ای از فکر (COT) از طریق درخواست ، روش de facto برای انتخاب قابلیت های استدلال از مدل های بزرگ زبان (LLMS) است.اما برای چه نوع کارها این "تفکر" اضافی واقعاً مفید است؟برای تجزیه و تحلیل این موضوع ، ما یک متاآنالیز کمی را پوشش دادیم که بیش از 100 مقاله را با استفاده از COT پوشش داد و ارزیابی های خود را از 20 مجموعه داده در 14 مدل انجام دادیم.نتایج ما نشان می دهد که COT مزایای عملکرد قوی را در درجه اول در کارهایی که شامل ریاضی یا منطق است ، با سود بسیار کمتری در انواع دیگر کارها می دهد.در MMLU ، تولید مستقیم پاسخ بدون COT منجر به دقت تقریباً یکسان مانند COT می شود ، مگر اینکه سؤال یا پاسخ مدل حاوی یک علامت برابر باشد ، که نشانگر عملیات و استدلال نمادین است.پس از این یافته ، ما با جدا کردن برنامه ریزی و اجرای و مقایسه در برابر LLM های ابزار و تنظیم ، رفتار COT را بر روی این مشکلات تجزیه و تحلیل می کنیم.بخش عمده ای از سود COT از بهبود اجرای نمادین ناشی می شود ، اما نسبت به استفاده از یک حل کننده نمادین ، ​​تحت تأثیر قرار می گیرد.نتایج ما نشان می دهد که COT می تواند به صورت انتخابی اعمال شود و عملکرد خود را ضمن صرفه جویی در هزینه های استنتاج ، حفظ می کند.علاوه بر این ، آنها نیاز به انتقال فراتر از COT مبتنی بر سریع به پارادایم های جدید را نشان می دهند که از محاسبات میانی بهتر در کل برنامه های LLM استفاده می کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.