Razonamiento Fiel Usando Modelos de Lenguaje Grandes

Aunque los modelos de lenguaje grandes (LMs) contemporáneos demuestran impresionantes capacidades de respuesta a preguntas, sus respuestas son típicamente el producto de una sola llamada al modelo. Esto conlleva un grado indeseable de opacidad y compromete el rendimiento, especialmente en problemas que son inherentemente de múltiples pasos. Para abordar estas limitaciones, mostramos cómo los LMs pueden ser capaces de realizar un razonamiento fiel de múltiples pasos a través de un proceso cuya estructura causal refleja la estructura lógica subyacente del problema. Nuestro enfoque funciona encadenando pasos de razonamiento, donde cada paso resulta de llamadas a dos LMs ajustados, uno para la selección y otro para la inferencia, para producir una traza de razonamiento válida. Nuestro método realiza una búsqueda en haz a través del espacio de trazas de razonamiento para mejorar la calidad del razonamiento. Demostramos la efectividad de nuestro modelo en deducción lógica de múltiples pasos y en respuesta a preguntas científicas, mostrando que supera las líneas base en precisión de la respuesta final y genera trazas de razonamiento comprensibles para los humanos cuya validez puede ser verificada por el usuario.