Техники рассуждения

Разбивает сложные задачи на пошаговые промежуточные шаги рассуждения

Исследует несколько путей рассуждения за счёт ветвления и возврата назад

Нелинейное рассуждение с мыслями в качестве узлов и зависимостями в качестве рёбер

Сочетает рассуждение с действием через использование внешних инструментов

Генерирует несколько деревьев рассуждения для повышения разнообразия и устойчивости

Самоосознание и мониторинг качества рассуждения и уверенности в нём

Динамически распределяет вычислительные ресурсы в зависимости от сложности задачи

Усовершенствованный MCTS с контрастивной рефлексией для более эффективного исследования

Постепенное разбиение задачи от простых компонентов к сложным

Решает задачи, находя и применяя схожие закономерности из известных областей

Устанавливает явные причинно-следственные связи и следует им

Выводит наиболее вероятное объяснение из неполных наблюдений

Сначала переходит к принципам более высокого уровня, а затем берётся за конкретные задачи

Поддерживает динамический буфер повторно используемых шаблонов мышления для рассуждения по аналогии

Формирует скелетный план, а затем параллельно раскрывает каждый пункт, снижая задержку и сохраняя структуру

Итеративные рассуждения в непрерывном латентном пространстве без явной генерации токенов

Сэмплирует несколько разнообразных цепочек рассуждений при ненулевой температуре, а затем агрегирует их итоговые ответы большинством голосов или голосованием с учётом уверенности. Поскольку к правильному ответу обычно приводят многие различные пути рассуждения, тогда как отдельные ошибки рассеиваются, консенсусный ответ гораздо надёжнее любого единичного жадного декодирования.

Снижает галлюцинации за счёт того, что сначала составляется черновой базовый ответ, затем планируется набор проверочных вопросов к нему, на каждый из которых даётся ответ независимо, чтобы проверки не были смещены черновиком, а итоговый ответ пересматривается с использованием только подтверждённых фактов. Факторизованная проверка, при которой проверки выполняются в отдельных контекстах, превосходит вариант, когда модель перепроверяет собственный черновик, поскольку в этом случае она склонна повторять свои же ошибки.

Прежде чем планировать недоспецифицированный запрос или действовать по нему, агент сначала решает, стоит ли вообще задавать вопрос (обнаружение неоднозначности), затем формирует максимально информативный уточняющий вопрос (представленный как ожидаемый прирост информации по правдоподобным интерпретациям) и только после этого фиксирует план. Готовые LLM распознают неоднозначность, когда их об этом прямо просят, но в подавляющем большинстве случаев по умолчанию молча выдают ответ на основе единственной догадки, поэтому задавать вопрос представляет собой поведение, которому обучают явно или которое задаётся промптом. Это отличается от паттернов интерфейса со смешанной инициативой, которые касаются переключения управления UI, и от human-in-the-loop, который одобряет уже выбранное действие, а не устраняет неоднозначность намерения.