.png){kind=icon}
返回
Eliciting problem specifications for LLM-Modulo cognitive systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cogsys.2025.101409.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）提供了前所未有的自然语言理解和生成能力。然而，对其展示其他认知功能能力的评估，尤其是各种推理类别的评估，充其量是喜忧参半。LLM可靠且稳健的能力范围有限，由此产生了一类新的AI系统——LLM-Modulo AI，其中LLMs被用于为智能系统的整体能力做出贡献。在本文中，我们探讨了LLMs在一种特定能力中的适用性，这种能力在大多数认知系统中严重缺失：问题构建。认知系统通常需要人类将问题定义翻译成某种规范，该规范可供认知系统用来尝试解决问题或执行任务。我们探索了大型语言模型（LLMs）如何被用来将一个以自然语言定义的问题类别映射到一个半形式化规范，该规范随后可被现有的推理和系统用来解决该问题类别中的实例。结果是产生了一个Modulo-LLM认知系统，其中LLM大致充当认知任务分析的角色，生成一个可被典型认知系统用来解决特定问题的规范。该代理使用源自AI文献中问题空间定义和通用问题解决策略（Polya的《如何解题》）的提示。我们提供了初步证据，说明了基于LLM的问题规范的潜力。这种自动问题规范能够通过取消问题构建的中介环节来加速认知系统的研究，同时保留认知系统的核心能力，如稳健推理和在线学习。
Keyword:
LLM-Modulo AI
Cognitive system
Problem formulation
Problem solving
期刊
IF:
2.4
论文数:
48
被引数:
2.0K
机构
暂无机构信息
引用论文
Strips: A new approach to the application of theorem proving to problem solving条带: 将定理证明应用于问题解决的新方法
.png){kind=icon}
PREAI
分享收藏分享收藏
分享收藏
查看更多内容