ترجمه فارسی مقاله CodePlan: باز کردن پتانسیل استدلال در مدل‌های زبان بزرگ با مقیاس‌گذاری برنامه‌ریزی فرم کد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی CodePlan: Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning
عنوان مقاله به فارسی CodePlan: باز کردن پتانسیل استدلال در مدل‌های زبان بزرگ با مقیاس‌گذاری برنامه‌ریزی فرم کد
نویسندگان Jiaxin Wen, Jian Guan, Hongning Wang, Wei Wu, Minlie Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,محاسبه و زبان ,
توضیحات Submitted 19 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 19 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

Despite the remarkable success of large language models (LLMs) on traditional natural language processing tasks, their planning ability remains a critical bottleneck in tackling complex multi-step reasoning tasks. Existing approaches mainly rely on prompting or task-specific fine-tuning, often suffering from weak robustness and cross-task generalization. To address the limitation, we introduce CODEPLAN, a scalable paradigm that empowers LLMs to generate and follow code-form plans pseudocode that outlines high-level, structured reasoning processes. By leveraging the structured and versatile nature of code, CODEPLAN effectively captures the rich semantics and control flows inherent to sophisticated reasoning. Importantly, CODEPLAN allows the automatic extraction of code-form plans from massive, wide-ranging text corpora without the need for curated, task-specific datasets. This enables it to scale up efficiently and improve reasoning capabilities across diverse scenarios. To train CODEPLAN, we construct a large-scale dataset of 2M examples that integrate code-form plans with standard prompt-response pairs from existing corpora. With minimal computation overhead during both training and inference, CODEPLAN achieves a 25.1% relative improvement compared with directly generating responses, averaged across 13 challenging multi-step reasoning benchmarks, spanning mathematical reasoning, symbolic reasoning, instruction-following, multi-hop QA, and decision-making tasks. Further analysis reveals CODEPLAN's increasing performance gains on more complex reasoning tasks, as well as significant data efficiency thanks to its generalization ability.

چکیده به فارسی (ترجمه ماشینی)

علیرغم موفقیت چشمگیر مدل های بزرگ زبان (LLM) در کارهای سنتی پردازش زبان طبیعی ، توانایی برنامه ریزی آنها یک تنگنا مهم در مقابله با وظایف استدلال چند مرحله ای پیچیده است.رویکردهای موجود عمدتاً به تنظیم دقیق یا تنظیم دقیق کار متکی هستند ، که اغلب از استحکام ضعیف و تعمیم کار متقابل رنج می برند.برای پرداختن به محدودیت ، ما CodePlan را معرفی می کنیم ، یک الگوی مقیاس پذیر که به LLM ها این امکان را می دهد تا برنامه های شبه کد را تولید و دنبال کنند که فرآیندهای استدلال سطح بالا و ساختاری را تشریح می کند.CodePlan با استفاده از ماهیت ساختاری و همه کاره کد ، به طور مؤثر معناشناسی غنی و جریان های کنترل ذاتی استدلال پیشرفته را ضبط می کند.نکته مهم این است که CodePlan اجازه می دهد تا به استخراج خودکار برنامه های مربوط به کد از شرکت های متن گسترده و گسترده و بدون نیاز به مجموعه داده های خاص و خاص کار می شود.این امر باعث می شود تا بتواند به طور کارآمد مقیاس کند و قابلیت های استدلال را در سناریوهای متنوع بهبود بخشد.برای آموزش برنامه Code ، ما یک مجموعه داده در مقیاس بزرگ از 2M نمونه هایی را ایجاد می کنیم که برنامه های فرم کد را با جفت های پاسخ سریع استاندارد از شرکت های موجود ادغام می کنند.با حداقل محاسبات سربار در حین آموزش و استنباط ، برنامه Code به پیشرفت نسبی 25.1 ٪ در مقایسه با پاسخ های مستقیم تولید می شود ، به طور متوسط ​​در 13 معیار استدلال چند مرحله ای چالش برانگیز ، استدلال ریاضی ، استدلال نمادین ، ​​آموزش چند هاپ ، QA چند هاپ ، و QA و چندوظایف تصمیم گیری.تجزیه و تحلیل بیشتر نشان می دهد که افزایش عملکرد CodePlan در کارهای استدلال پیچیده تر و همچنین بهره وری قابل توجه داده ها به لطف توانایی تعمیم آن.

📚 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.