जानकारी का पुनर्गठन बड़े भाषा मॉडल में तर्क करने की क्षमता में सुधार करता है

बड़े भाषा मॉडल (LLMs) की तर्क करने की क्षमताओं को सुधारना काफी रुचि आकर्षित कर रहा है। हाल की विधियाँ मुख्य रूप से इस प्रक्रिया में सुधार पर ध्यान केंद्रित करती हैं ताकि अंतिम उत्तर अधिक सटीक हो सके। हालांकि, प्रासंगिक तर्क में शामिल परिवेशों में, ये विधियाँ तर्क के साथ आगे बढ़ने से पहले संदर्भ से तार्किक संबंधों की पहचान करने के महत्व को नजरअंदाज करती हैं। यह चूक संदर्भ के साथ सतही समझ और बातचीत का परिणाम दे सकती है, जो तर्क परिणामों की गुणवत्ता और विश्वसनीयता को कमजोर कर सकती है। इस पेपर में, हम LLMs की तर्क करने की क्षमता को बढ़ाने के लिए तर्क करने से पहले एक सूचना पुनर्गठन (InfoRE) विधि का प्रस्ताव करते हैं। हम पहले संदर्भ सामग्री, जैसे दस्तावेज़ या पैराग्राफ, का पुनर्गठन प्रोसेसिंग करते हैं ताकि तार्किक संबंध प्राप्त किए जा सकें। फिर, हम तर्क प्रक्रिया में पुनर्गठित जानकारी का उपयोग करते हैं। इससे LLMs को तार्किक संबंधों को स्पष्ट रूप से समझ कर संदर्भ सामग्री को गहराई से समझने में मदद मिलती है। तर्क करने की क्षमता में सुधार के लिए हमारे दृष्टिकोण की प्रभावशीलता को प्रदर्शित करने के लिए, हम Llama2-70B, GPT-3.5, और GPT-4 का उपयोग करते हुए विभिन्न प्रासंगिक मल्टी-हॉप तर्क कार्यों पर प्रयोग करते हैं। केवल शून्य-शॉट सेटिंग का उपयोग करते हुए, हमारी विधि सभी कार्यों में 3\% के औसत सुधार को हासिल करती है, जो LLMs की तर्क प्रदर्शन को सुधारने की क्षमता को उजागर करती है। हमारा स्रोत कोड उपलब्ध है https://github.com/hustcxx/InfoRE पर।