Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind3. Oktober 2023 · Q005421

Large Language Models as Analogical Reasoners

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der Auszug beschreibt einen Ansatz, bei dem Sprachmodelle vor einer Aufgabe selbst passende Beispiele oder Lehren erzeugen. Das Abstract behauptet Leistungsverbesserungen gegenüber Zero-shot- und Few-shot-CoT bei mehreren Aufgaben und nennt durchschnittlich fünf Prozent mehr Genauigkeit; Einzelheiten zu den Experimenten fehlen im Auszug.

Mittel

Der Auszug stellt „analogical reasoning“ vor, einen Prompting-Ansatz, bei dem ein Sprachmodell vor der eigentlichen Aufgabenlösung selbst passende Beispiele oder Lehren im Kontext erzeugt. Laut Abstract soll das den Denkprozess an die jeweilige Aufgabe anpassen und ohne manuell annotierte Denkbeispiele oder externe Datenabfrage auskommen.

Das Abstract berichtet bessere Ergebnisse als Zero-shot- und Few-shot-Chain-of-Thought-Prompting bei Mathematikaufgaben in GSM8K und MATH, Codegenerierung in Codeforces und weiteren Aufgaben aus BIG-Bench. Über diese Bereiche hinweg wird ein durchschnittlicher Genauigkeitszuwachs von fünf Prozent angegeben. Der Bericht liegt hier nur als Auszug mit Abstract sowie Autoren- und Publikationsangaben vor; Versuchsaufbau, Einzelwerte und Unsicherheiten werden darin nicht erläutert. Als Publikationsort nennt der Auszug arXiv.

Ausführlich lesen

Der vorliegende Bericht ist ein Auszug: Er enthält das Abstract sowie Angaben zu Autorinnen und Autoren und zum Publikationsort, aber keine ausführliche Beschreibung der Experimente. Das Abstract stellt einen Ansatz namens „analogical reasoning“ für Sprachmodelle vor. Er soll den Denkprozess vor der Bearbeitung einer Aufgabe automatisch unterstützen: Das Modell erzeugt zunächst selbst passende Beispiele oder Lehren im Kontext und löst anschließend die Aufgabe. Die Idee orientiert sich laut Abstract daran, dass Menschen bei neuen Herausforderungen auf relevante Erfahrungen zurückgreifen.

Als Vorteile nennt der Bericht, dass dafür weder manuell annotierte Denkbeispiele noch eine externe Datenabfrage nötig seien. Die selbst erzeugten Beispiele sollen zudem auf die jeweilige Aufgabe zugeschnitten sein. Dem Abstract zufolge übertraf der Ansatz in mehreren Aufgabenbereichen Zero-shot- und Few-shot-Chain-of-Thought-Prompting. Genannt werden Mathematikaufgaben in GSM8K und MATH, Codegenerierung in Codeforces sowie weitere Schlussfolgerungsaufgaben in BIG-Bench. Über diese Bereiche hinweg berichtet das Abstract einen durchschnittlichen Genauigkeitszuwachs von fünf Prozent.

Der Auszug legt weder Versuchsaufbau und Vergleichsbedingungen noch Einzelwerte oder Unsicherheiten dar. Daher lassen sich die berichteten Leistungsgewinne anhand des vorliegenden Textes nicht näher beurteilen. Als Publikationsort ist arXiv angegeben.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →