欢迎关注我的公众号“ NLP前沿 ”，日更最新论文/博客速读，周更AI领域近一周发生的那些事儿 。欢迎投稿！ 行文仓促，有理解错误，欢迎指正 ！
这篇文章的初衷，是笔者近期在做一个结构化问答的任务，其中一个部分是nl2dsl，将用户query转换成 elastic search 的 dsl 查询语句。初体验如下
主要使用模型包括Qwen14b、CodeQwen7b、llama3 8b，举例使用的索引为简历知识库
1.幻觉C1 (输出了不存在的筛选条件，在3个模型均会出现)
query:帮我找中山大学硕士以上的简历
dsl:
{"query": {"bool": {"must": [{"match": {"school\_level": "985"}}, {"match": {"degree": "硕士"}}]}}, "\_source": ["name", "jiaoyu\_record"], "size": 10}
2. 幻觉C2 (字段对应错误，在7b规模的模型上更容易出现)
杨x与梁xx企业工作经验谁更丰富？
{"size": 2, "\_source": ["name", "work\_record"], "query": {"bool": {"should": [{"nested": {"path": "work\_record", "query": {"match": {"work\_record.company": "杨x"}}}}, {"nested": {"path": "work\_record", "query": {"match": {"work\_record.company": "梁xx"}}}}]}}}
整体的指标挺低的，包括用api构造几百条数据微调，效果没有明显的好转（dsl有效率提高，但是准确率不高），api使用gpt4-0313-turbo
通过对llama3 8b的详细的各种修改prompt测试，最终应用提示词技巧+ft获得了巨大幅的效果提升。感觉大模型复杂问题推理方面的知识有一些欠缺。花了一下午，看了10来篇关于大模型知识推理思维链相关的paper之后，写个文档记录一下，尽可能的让知识串起来。
背景
最早的一篇文章《Large Language Models are Zero-Shot Reasoners》，提出了zero-shot模板的方式，来提高大模型的推理能力，原文中是一个2阶段的流程，reasoning extraction -> answer extraction，如下图所示
第一阶段会在生成之前拼接"Let's think step by step."，这里instruct gpt还没发，应该还是纯粹的补全的时候？所以不会类似chatml一样有明显的角色区分标识。通过这个特殊句子，可以让模型自动的去补全解决答案的思考过程。当然这个句子在这个工作中做了一些测试，现在流传的最广的"Let's think step by step."，是效果最好的。
通过这一个小小的trick，就可以让llm在推理任务上的指标大幅提升，如下图：
上述工作被后人成为zero-shot-cot，但是最早用cot的论文是这个《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》，比上一篇工作早了几个月，使用的是few-shot的形式，在后来的文章有挺多叫法，本文统一称few shot cot。原理没啥好说的，就是给例子，给什么样的例子，输出什么样的格式。但是例子怎么设计，后面有一篇论文有更详细的研究。
这个开山之作的结论是1.cot 提示词对小模型的性能没有很大影响，仅在与∼100B参数的模型一起使用时产生性能增益
2.cot 对于更复杂的问题有更大的性能提升 3.对于gpt 3 175B和palm 540B 在一些数据集上刷到了最高的分数。
到这里，背景铺垫基本就结束了，然后大佬们开始各个环节的改造表演了。打开思路~
思路一：大模型生成本来就是个概率事件，随机采样一波cot结构，投票一波看看呢
论文是《Self-Consistency Improves Chain of Thought Reasoning in Language Models》，在tree of though文章中有一张图很直观，如下图，作者的观点是：不同的人有不同的思维方式，并且，一个问题很多时候也有不同的解法。所以可以通过从语言模型的解码器中采样，在语言模型中模拟这种过程。尽管模型也可能产生不正确的推理路径或在推理步骤之一中犯错误，但这样的错误的推理，不太可能得到相同的答案。也就是说，假设正确的推理过程，即使它们是多样化的，但是也往往比不正确的过程在最终答案中具有更大的一致性。
这个工作对标的是zero shot cot，采样40次，除了开销比较大，效果提升明显，如下图：
思路二：在few-shot cot中，例子是人工编写的，突然有一天，人工不想编写了，能自动吗？
论文是《Automatic Chain of Thought Prompting in Large Language Models》，在few shot cot中，例子是人工编写的，但是有个小实验发现，使用不同的标注人员的例子，最高会出现28.2％的准确率差，如果变换例子的顺序，差距不到2%。
回到这个工作，先看个基础思路，从一个问题库中通过向量搜索相似的问题，用zero shot cot的方式生成例子，称为retrieval-q-cot，还有一种对比就是随机抽，称为random-q-cot，baseline效果如下图：上图可以看到第一个数据集MultiArith，retrieval的效果不如random的。那为什么呢？作者通过一些数据分析发现，zero-shot-cot的错误是具备相似性的，也就是一个类型的n条数据，可能会大批量的出现错误。错误的例子从而误导了真实问题的答案解码。而random是多样性，多样性可以减少相似带来的误导。
到这里，铺垫就结束了，文章的核心思路是，对问题库聚类，每个类选一个离簇心最近的代表性问题，生成zero-shot cot，作为few-shot的例子
附带一张效果如下：
思路三：好像有了思维链之后，大模型推理也这么牛皮了。但是实际场景一些场景，用户的输入意图可能是混杂在一大片文本中的，就很乱，很容易误导模型的生成，例如RAG场景。
2个论文，都是跟微软占点关系，第一个论文是《Thread of Thought Unraveling Chaotic Contexts》，作者写道，这个是模仿人在面对复杂信息时使用的认知策略，将其分解为可消化的片段，提取关键点，并持续专注地浏览材料。这种增量方法促进了更结构化和更连贯的推理，被证明在混乱环境中特别有利。
Let's think step by step. -> Walk me through this context in manageable parts step by step, summarizing and analyzing as we go.在检索增强生成数据上效果提升
另外一篇为《System 2 Attention (is something you might need too)》 ，2阶段，第一阶段让模型重新生成上下文，第二阶段使用新上下文生成答案。用到的改写提示词如下：
思路四 ：链在形成的过程中，因为clm的结构问题，导致某一步骤的推理/思考 出现错误，将会影响到后续所有的步骤的生成。那能不能在生成完，校验一下看看推理的对不对？有问题再重新生成
论文是《RCOT: Detecting and Rectifying Factual Inconsistency in Reasoning by Reversing Chain-of-Thought》，这个文章的步骤有点多，但是他的一些思想可以指导日常的很多工作。
- step1: zero/few shot cot不变，生成一个问题的一连串的推理
- step2: 重构，作者提到，就像人一样，看到一些推理过程/解题步骤，可以还原出真实的用户问题是什么。这里编辑区分一下，原始问题使用P，重构问题使用Q
下一步之前小小铺垫一下，P和Q的关系，这里会出现3种情况，1.条件幻觉（Q中出现了P中没有的条件） 2.条件忽略 （Q中忽略了P中提到的某些条件）3. 模型理解错误 （Q、P表达的不是一个意思，例如：P是，小明在睡觉，他早上有10块钱，中午买了个热狗，花了三块，小明在干啥？ 模型的思维链可能去计算小明还有几块钱了，实际上跟问题Q冲突了）。那如果直接让模型比较P和Q，可能会得到次优的结果，因为P和Q包含很多信息，粗粒度的比较，必然可能忽略细粒度信息。
- step3: 问题拆解. P -> Lp = [p1, p2, ...pm] Q -> Lq=[q1, q2, ...,qn]
- step4: 问题比较，让llm判断Lp能否推出来每一个qi，以及每Lq能否推出来每一个pi，如果推不出，这分别对应了条件幻觉和条件忽略。这会比较mXn次，第三个情况是比较P和Q是否是一个意思。
- step5：反馈修改，有不一致就修改，没有就跳过，论文附录有具体的提示词。
这样折腾下来，对比前面提到的投票方案Self-Consistency，也是有提升的，如下图
思路五 ：链在形成的过程中，因为clm的结构问题，导致某一步骤的推理/思考 出现错误，将会影响到后续所有的步骤的生成。不想等生成完了，能不能生成过程中，就校验一下呢？考虑到这点，逻辑链出来了，引入自我完善的机制。
论文是《Enhancing Zero-Shot Chain-of-Thought Reasoning in Large Language Models through Logic》
cot的图对比lot（logical thought），绿色的表示实际路线，蓝色的节点表示抉择胜利的节点。
假如，cot的链可以表示成{prompt,T1,T2...Tn}，一般Tn会包含最终的答案。lot，原文的逻辑如下：假如有2个命题P，Q，如果存在一个证据，在前提P下断言结论Q，那可以表示为，要证明这个关系成立，用反证法，也就是说取Q的反命题，验证 是否为真。对应到cot中，就是验证下式如果验证失败，则说明前提不能推导出Ti，则需要对Ti及以后的节点进行修改。
要获取到，通过提示词让llm生成即可，例如“It is false to say Ti” 或者 “Negate Ti”。因为Ti本省就是一句话，可能会跨越多个句子。为了获取更可靠的结果，引入一个事后分析的概念E，他的获取方式是用提示词，例如“Ti is true because” 或者 “Ti is false because”， 最终，cmps-lot的方式就是每个节点比较下图的伪代码很好的描述了上面这些文字：
在一些数据集上对比cot的表现如下：
思路六：链已经满足不了，能不能生成树呢？
论文是《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》
与链的差异如下图，前面提到的多词投票得到的cot-sc策略，就类似于只在根节点分叉的树，后面一直走到叶子节点。tree ot thoughts(tot)，则是在每一层都可能有不同的选择。在每一步会存在一个value函数，来决策每个节点到当前的路径价值。这个价值函数可以通过投票或者提示词模板生成来实现。最后就是通过dfs，或者bfs来搜索了。
通过定制模板分类的价值函数，来完成24点游戏、以及通过投票模板来做节点选取的价值函数，来完成创意写作的价值函数，如下图：
思路七+：思维链的场景衍生
在《Chain-of-Symbol Prompting Elicits Planning in Large Langauge Models》中，来让思维链完成需要空间感的任务，比如几个字母，变换顺序之后，排序的结果。
在《Chain-of-table: Evolving tables in the reasoning chain for table understanding》中，让思维链完成复杂的表格推理任务。
。。。（别的没看了）