Razonamiento Deductivo Estratégico en Modelos de Lenguaje Grandes: Un Enfoque de Doble Agente

Este estudio explora la mejora de las capacidades de razonamiento deductivo en Modelos de Lenguaje Grandes (LLMs) a través de un marco estratégico de doble agente. En este marco, un agente actúa como interrogador y otro como respondedor, empleando ambos procesamiento lingüístico y lógico avanzado para optimizar el intercambio de información. Utilizando un entorno estructurado que limita las oportunidades de consulta, nuestro enfoque enfatiza el desarrollo de LLMs que pueden generar e interpretar preguntas de manera eficiente para deducir información oculta de manera efectiva. Los modelos, que incorporan agentes autodefinidos con una combinación de preentrenamiento y mejoras de llama-3-8b, demuestran una notable capacidad para navegar por las complejidades de la deducción lógica. Las evaluaciones de rendimiento, basadas en una serie de interacciones simuladas, ilustran la precisión mejorada de los agentes y su astucia estratégica para restringir posibles respuestas a través de consultas dirigidas. Estos hallazgos subrayan el potencial de los LLMs en tareas que requieren razonamiento intrincado y colaboración, marcando un paso significativo hacia sistemas más inteligentes y autónomos.