大型语言模型（LLMs）在使用诸如思维链（CoT）和检索增强生成（RAG）等技术回答问题方面表现出了显著的能力。CoT 通过逐步推理提高准确性，而 RAG 则用相关的外部信息来补充 LLM。检索增强思维（RAT）结合了 CoT 和 RAG，以提供更为稳健的事实基础和推理链条的连贯性。然而，RAT 在处理不确定性方面存在局限性，并且缺乏重规划，常常导致不必要的检索、低效和全局不一致的推理。为了解决这些局限，我们提出了 iRAT，这是一个通过检索控制和重规划来增强 RAT 的新颖推理框架。iRAT 动态评估初始响应中的不确定性，采用控制和过滤的检索以获取最相关的上下文，修正思维以与新内容对齐，并使用重规划来纠正先前的思维。评估表明，iRAT 在 HumanEval、MBPP 和 GSM8K 数据集上的表现优于 RAT，同时显著减少了检索次数。源代码可在 github.com/prane-eth/iRAT 获取。用于重规划的微调模型可在 huggingface.co/zeeshan5k/iRATReasoningChainEvaluatorv2 获取。
Ali 等（周二）研究了这个问题。