Einleitung
Was wäre, wenn Sprachmodelle komplexe Probleme mit derselben schrittweisen Herangehensweise wie Menschen lösen könnten? Im Bereich der großen Sprachmodelle (LLMs) bietet die Strategie des Least-to-Most Prompting eine vielversprechende Lösung. Dieser Blogbeitrag bezieht sich auf das Papier „Least-To-Most Prompting Enables Complex Reasoning in Large Language Models“ und untersucht, wie diese innovative Methode die Denkfähigkeiten von LLMs verbessert. Durch die Zerlegung komplizierter Aufgaben in handhabbare Teilprobleme führt Least-to-Most Prompting LLMs durch eine progressive Sequenz von Einfachheit zu Komplexität.
Was ist Least-to-Most Prompting?
Least-to-Most Prompting ist eine innovative Strategie, die in dem Papier „Least-To-Most Prompting Enables Complex Reasoning in Large Language Models“ vorgestellt wurde, um die Denkfähigkeiten großer Sprachmodelle (LLMs) zu verbessern. Diese Methode soll LLMs helfen, komplexe Probleme zu bewältigen, indem sie in eine Reihe einfacherer, besser handhabbarer Teilprobleme zerlegt werden. Der Prozess umfasst zwei Hauptphasen:
- Zerlegung: Das komplexe Problem wird in eine Liste einfacherer Teilprobleme zerlegt. Diese Phase verwendet konstante Beispiele, die den Zerlegungsprozess demonstrieren, gefolgt von der spezifischen Frage, die zerlegt werden muss.
- Lösung der Teilprobleme: Das Modell wird dann aufgefordert, diese Teilprobleme nacheinander zu lösen. Die Lösung jedes Teilproblems wird durch die Antworten auf zuvor gelöste Teilprobleme erleichtert. Diese Phase enthält Beispiele, wie Teilprobleme gelöst werden, eine Liste zuvor beantworteter Teilfragen und deren Lösungen sowie die nächste zu behandelnde Frage.
Die Prompts werden so konstruiert, dass sie das Modell durch eine progressive Sequenz führen, von den einfachsten Aspekten des Problems zu den komplexesten – daher der Name „least-to-most“ (vom Einfachsten zum Komplexesten).
Warum brauchen wir Least-to-Most Prompting?
Die Notwendigkeit für Least-to-Most Prompting ergibt sich aus den Einschränkungen bestehender Prompting-Techniken, insbesondere des Chain-of-Thought Prompting.
Chain-of-Thought Prompting ist ein Ansatz, der große Sprachmodelle dazu ermutigt, ihren Denkprozess Schritt für Schritt zu artikulieren, ähnlich wie ein Mensch ein Problem durchdenken würde. Bei dieser Methode gibt das Modell explizit jeden logischen Schritt an, den es unternimmt, um vom Verständnis der Frage zur endgültigen Antwort zu gelangen. Durch die Zerlegung des Problems in eine Reihe von Zwischenschritten liefert das Modell einen transparenten und nachvollziehbaren Lösungspfad.
Obwohl Chain-of-Thought Prompting für verschiedene natürliche Sprachverarbeitungsaufgaben deutliche Leistungsverbesserungen gezeigt hat, hat es oft Schwierigkeiten, wenn es darum geht, auf Probleme zu verallgemeinern, die komplexer sind als die in den Prompts gegebenen Beispiele.
Wie kann Least-to-Most Prompting komplexes Denken in LLMs ermöglichen?
Das Experimentdesign in dem Papier „Least-to-Most Prompting Enables Complex Reasoning in Large Language Models“ lässt sich wie folgt in einem schrittweisen Prozess zusammenfassen:
Forschungsziel identifizieren
Ziel ist es, großen Sprachmodellen die Durchführung komplexer Denkaufgaben zu ermöglichen, die das Lösen von Problemen erfordern, die schwieriger sind als die in den Trainingsbeispielen gezeigten.
Aufgaben auswählen
Die Forscher wählten Aufgaben aus, die repräsentativ für verschiedene Denkweisen sind, darunter symbolische Manipulation, kompositionelle Generalisierung und mathematisches Denken.
Aufgabe 1: Symbolische Manipulation (Aufgabe zur Verkettung des letzten Buchstabens):
- Problem: Gegeben eine Liste von Wörtern, soll die Verkettung der letzten Buchstaben jedes Wortes in der Liste ausgegeben werden.
- Beispiel: Für die Eingabe „think, machine, learning“ ist die korrekte Ausgabe „keg“.
- Least-to-Most Prompting:
- Zerlege das Problem: Unterteile die Liste in sequenzielle Teillisten („think“, „think, machine“, „think, machine, learning“).
- Löse Teilprobleme: Verkette die letzten Buchstaben der Wörter in jeder Teilliste („think“ ergibt „k“, „machine“ ergibt „e“ und „learning“ ergibt „g“).
- Kombiniere Lösungen: Verwende die Lösungen der Teilprobleme, um die endgültige Antwort zu konstruieren („k“ + „e“ = „ke“ und „ke“ + „g“ = „keg“).
Aufgabe 2: Kompositionelle Generalisierung (SCAN-Benchmark):
- Problem: Übersetze natürliche Sprachbefehle in Aktionssequenzen. Die Herausforderung besteht darin, auf längere Aktionssequenzen zu generalisieren, als sie während des Trainings gesehen wurden.
- Beispiel: Der Befehl „look opposite right thrice after walk“ soll in die Aktionssequenz „TURN RIGHT, TURN RIGHT, LOOK, WALK“ übersetzt werden.
- Least-to-Most Prompting:
- Zerlege den Befehl: Teile den komplexen Befehl in einfachere Teile („look opposite right thrice“ und „walk“).
- Ordne Aktionen zu: Übersetze jeden Teil in Aktionen („look opposite right thrice“ wird zu „TURN RIGHT, TURN RIGHT, LOOK“ dreimal wiederholt, und „walk“ bleibt „WALK“).
- Kombiniere Aktionen: Führe die Aktionen sequenziell aus, um die endgültige Sequenz zu bilden.
Aufgabe 3: Mathematisches Denken (GSM8K- und DROP-Datensätze):
- Problem: Löse mathematische Textaufgaben, die mehrere Denkschritte erfordern können.
- Beispiel: „Elsa hat 5 Äpfel. Anna hat 2 Äpfel mehr als Elsa. Wie viele Äpfel haben sie zusammen?“
- Least-to-Most Prompting:
- Zerlege das Problem: Identifiziere die Teilprobleme (Wie viele Äpfel hat Anna? Wie viele Äpfel haben sie zusammen?).
- Löse Teilprobleme: Berechne Annas Äpfel (5 + 2 = 7) und dann die Gesamtzahl (5 + 7 = 12).
- Endgültige Antwort: Schließe, dass Elsa und Anna zusammen 12 Äpfel haben.
Prompting-Strategien entwerfen
Zwei Haupt-Prompting-Strategien werden verglichen:
- Chain-of-Thought Prompting: Dabei werden dem Modell Beispiele gegeben, die einen schrittweisen Denkprozess zur Lösung eines Problems demonstrieren.
- Least-to-Most Prompting: Diese neuartige Strategie beinhaltet die Zerlegung eines komplexen Problems in einfachere Teilprobleme und deren sequenzielle Lösung, wobei die Lösungen früherer Teilprobleme die Lösung des nächsten erleichtern.
Prompt-Beispiele erstellen
Für jede Prompting-Strategie erstellten die Forscher Beispiele, die zeigen, wie die Aufgaben angegangen werden. Für Least-to-Most Prompting umfasst dies Beispiele sowohl für die Problemzerlegung als auch für die Lösung von Teilproblemen.
Implementierung des Prompting im Modell
Das Sprachmodell erhält diese Prompts als Eingabe. Für Least-to-Most Prompting umfasst dies zwei Phasen:
- Zerlegungsphase: Das Modell wird gebeten, das ursprüngliche Problem in eine Reihe einfacherer Teilprobleme zu zerlegen.
- Phase zur Lösung von Teilproblemen: Das Modell wird dann aufgefordert, diese Teilprobleme nacheinander zu lösen, wobei die Antworten früherer Teilprobleme zur Lösung des nächsten verwendet werden.
Testsätze konstruieren
Für jede Aufgabe erstellten die Forscher Testsätze mit unterschiedlichen Schwierigkeitsgraden.
Aufgabe 1: Symbolische Manipulation (Aufgabe zur Verkettung des letzten Buchstabens):
- Der Testsatz für diese Aufgabe bestand aus der Generierung von Wortlisten mit variierenden Längen, um die Fähigkeit des Modells zu testen, die letzten Buchstaben jedes Wortes in der Liste zu verketten.
- Die Forscher verwendeten eine Liste der 10.000 häufigsten englischen Wörter aus Wiktionary, ohne vulgäre Wörter, was zu einer Liste von 9.694 Wörtern führte.
- Für jede gewünschte Listengröße (von 4 bis 12 Wörtern) generierten sie 500 zufällige Sequenzen dieser Wörter. Jede Sequenz diente als Eingabe, und die entsprechende Ausgabe war die Sequenz der letzten Buchstaben der Wörter.
Aufgabe 2: Kompositionelle Generalisierung (SCAN-Benchmark):
- Der SCAN-Benchmark besteht aus natürlichen Sprachbefehlen, die Aktionssequenzen zugeordnet werden müssen. Der Testsatz fordert das Modell heraus, von kürzeren auf längere Aktionssequenzen zu generalisieren.
- Die Forscher verwendeten die vorhandenen Aufteilungen des SCAN-Datensatzes, insbesondere die Längenaufteilung, die Aktionssequenzen enthält, die länger sind als die im Trainingssatz.
- Sie stellten auch sicher, dass der Testsatz eine Reihe von Befehlen abdeckt, um die Fähigkeit des Modells zu bewerten, verschiedene Arten der kompositionellen Generalisierung zu bewältigen.
Aufgabe 3: Mathematisches Denken (GSM8K- und DROP-Datensätze):
- Für mathematisches Denken verwendeten die Forscher Textaufgaben aus dem GSM8K-Datensatz und die numerische Denkaufgabe aus dem DROP-Datensatz.
- Der Testsatz enthielt Probleme, die eine unterschiedliche Anzahl von Denkschritten zur Lösung erforderten, sodass die Forscher bewerten konnten, wie gut das Modell von einfacheren auf komplexere Probleme generalisieren kann.
- Die Probleme wurden so ausgewählt, dass sie eine Reihe von Schwierigkeitsgraden repräsentieren und sicherstellen, dass einige Probleme mehr Schritte erforderten als die in den Prompts gezeigten.
Durch die Erstellung von Testsätzen auf diese Weise konnten die Forscher die Least-to-Most-Prompting-Strategie rigoros evaluieren und ihre Wirksamkeit mit Standard-Prompting-Techniken bei verschiedenen Denkaufgaben vergleichen.
Experimente durchführen und Ergebnisse sammeln
Die Forscher führten Experimente mit dem GPT-3-Modell (insbesondere der Version code-davinci-002) mit beiden Prompting-Strategien durch. Sie zeichneten die Genauigkeit der Modellantworten auf den Testsätzen auf.
Ergebnisse analysieren
Die Forscher verglichen die Leistung des Modells mit verschiedenen Prompting-Strategien. Sie betrachteten die Gesamtgenauigkeit und unterteilten die Ergebnisse auch nach der Anzahl der erforderlichen Denkschritte zur Lösung der Probleme.
Fehleranalyse
Bei Least-to-Most Prompting führten die Forscher eine detaillierte Fehleranalyse durch, um häufige Fehler zu verstehen, wie z. B. falsche Zerlegung von Problemen oder falsche Lösung von Teilproblemen.
Wie viel besser ist die Leistung von LLMs mit Least-to-Most Prompting?
Das Papier „Least-To-Most Prompting Enables Complex Reasoning in Large Language Models“ zeigt die Wirksamkeit von Least-to-Most Prompting bei verschiedenen Aufgaben und vergleicht seine Leistung mit Chain-of-Thought Prompting und Standard-Prompting-Methoden. Hier ist eine Zusammenfassung der Leistungsverbesserungen für jede Aufgabe, wie im Papier detailliert beschrieben:
Symbolische Manipulation (Aufgabe zur Verkettung des letzten Buchstabens):
Least-to-Most Prompting übertraf Chain-of-Thought Prompting deutlich, insbesondere wenn die Länge der Wortlisten zunahm.
Für Listen mit Längen von 4 bis 12 Wörtern lag die Genauigkeit von Least-to-Most Prompting mit dem GPT-3-Modell code-davinci-002 zwischen 74,0 % und 94,0 %, was wesentlich höher war als die Genauigkeit von Chain-of-Thought Prompting, die zwischen 31,8 % und 84,2 % lag.
Kompositionelle Generalisierung (SCAN-Benchmark):
Least-to-Most Prompting erreichte eine Genauigkeit von 99,7 % unter der Längenaufteilungsbedingung mit nur 14 Beispielen, was ein bemerkenswertes Ergebnis ist, wenn man bedenkt, dass spezialisierte neuronal-symbolische Modelle, die auf dem gesamten Datensatz mit über 15.000 Beispielen trainiert wurden, oft mit dieser Aufgabe zu kämpfen haben.
Im Gegensatz dazu erreichte Chain-of-Thought Prompting mit demselben Modell unter der Längenaufteilungsbedingung nur 16,2 % Genauigkeit.
Mathematisches Denken (GSM8K- und DROP-Datensätze):
Auf dem GSM8K-Datensatz verbesserte Least-to-Most Prompting die Leistung geringfügig gegenüber Chain-of-Thought Prompting, mit einer Gesamtgenauigkeit von 62,39 % gegenüber 60,87 % für Chain-of-Thought Prompting.
Bei Problemen, die mindestens 5 Schritte zur Lösung erforderten, zeigte Least-to-Most Prompting jedoch eine deutliche Verbesserung mit einer Genauigkeit von 45,23 % gegenüber 39,07 % für Chain-of-Thought Prompting.
Auf dem DROP-Datensatz übertraf Least-to-Most Prompting Chain-of-Thought Prompting deutlich, mit Genauigkeiten von 82,45 % bzw. 74,77 % für die Nicht-Football- und Football-Teilmengen, verglichen mit 58,78 % und 59,56 % für Chain-of-Thought Prompting.
Diese Ergebnisse zeigen, dass Least-to-Most Prompting besonders effektiv bei Aufgaben ist, bei denen das Modell von einfacheren Beispielen auf komplexere Probleme generalisieren muss. Die Strategie, komplexe Probleme in eine Reihe einfacherer Teilprobleme zu zerlegen und diese sequenziell zu lösen, ermöglicht es dem Modell, bei verschiedenen Denkaufgaben höhere Genauigkeitsraten zu erzielen.
Wie integriere ich Least-to-Most Prompting in mein eigenes LLM?
Basierend auf den Ansätzen der Autoren von „Least-To-Most Prompting Enables Complex Reasoning in Large Language Models“ haben wir diese Schritt-für-Schritt-Anleitung für Sie erstellt:
Schritt 1: Holen Sie sich eine LLM-API
Zuerst benötigen Sie Zugriff auf ein LLM, das Sie für Ihre Aufgabe verwenden können. Novita AI LLM API bietet Entwicklern viele kostengünstige LLM-Optionen, darunter Llama3–8b, Llama3–70b, Mythomax-13b usw.
Hier ist ein Beispiel für einen Chat Completion API-Aufruf mit der Novita AI LLM API:
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
# Get the Novita AI API Key by referring: https://novita.ai/get-started/Quick_Start.html#_3-create-an-api-key
api_key="<YOUR Novita AI API Key>",
)
model = "Nous-Hermes-2-Mixtral-8x7B-DPO"
stream = True # or False
max_tokens = 512
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": "Act like you are a helpful assistant.",
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
Schritt 2: Bereiten Sie den Prompt für die Zerlegung vor
Erstellen Sie eine Reihe von Beispiel-Prompts, die zeigen, wie ein komplexes Problem in eine Reihe einfacherer Teilprobleme zerlegt wird. Die Beispiele sollten die Struktur der Zerlegung zeigen, aber nicht unbedingt den spezifischen Inhalt der Teilprobleme.
Schritt 3: Bereiten Sie den Prompt für die Lösung von Teilproblemen vor
Erstellen Sie eine Reihe von Beispiel-Prompts, die zeigen, wie die einzelnen Teilprobleme gelöst werden. Diese Beispiele sollten den Prozess des schrittweisen Aufbaus der Lösung unter Verwendung der Ergebnisse zuvor gelöster Teilprobleme demonstrieren.
Schritt 4: Implementieren Sie den Least-to-Most Prompting-Algorithmus
Die wichtigsten Schritte im Least-to-Most Prompting-Algorithmus sind: a. Übergeben Sie das ursprüngliche Problem an den Zerlegungsprompt und erhalten Sie die Liste der Teilprobleme. b. Erstellen Sie für jedes Teilproblem einen Prompt, der die vorherigen Teillösungen (falls vorhanden) und das aktuelle Teilproblem enthält, und übergeben Sie ihn an das LLM, um die Lösung zu erhalten. c. Kombinieren Sie die Lösungen der Teilprobleme, um die endgültige Lösung des ursprünglichen Problems zu erhalten.
Schritt 5: Integrieren Sie es in Ihre Anwendung
Integrieren Sie den Least-to-Most Prompting-Algorithmus in den Arbeitsablauf Ihrer Anwendung. Dies kann die Vorverarbeitung der Eingabe, die Konstruktion der Prompts, den Aufruf der LLM-API und die Nachbearbeitung der Ausgaben umfassen.
Schritt 6: Evaluieren und iterieren
Testen Sie Ihre Implementierung an einer Vielzahl von Aufgaben und Problemschwierigkeiten. Analysieren Sie die Fehler und verfeinern Sie Ihr Prompt-Design oder den Prompting-Algorithmus nach Bedarf.
Dies ist ein von LLM erstelltes allgemeines Beispiel, das Sie möglicherweise an Ihren spezifischen Anwendungsfall und Ihr LLM anpassen müssen.
import openai
# Set the Novita AI API key
openai.api_key = "<YOUR Novita AI API Key>"
openai.base_url = "https://api.novita.ai/v3/openai"
def decomp_prompt(original_problem):
"""
Generates a prompt to decompose the original problem into a series of subproblems.
Args:
original_problem (str): The original problem to be decomposed.
Returns:
str: The prompt for decomposing the problem.
"""
return f"""
Please decompose the following problem into a series of subproblems that can be solved step-by-step:
{original_problem}
Subproblems:
{{{decomp_steps}}}
"""
def solve_prompt(prev_solutions, subproblem):
"""
Generates a prompt to solve a specific subproblem, given the previously solved subproblems.
Args:
prev_solutions (str): The previously solved subproblems.
subproblem (str): The subproblem to be solved.
Returns:
str: The prompt for solving the subproblem.
"""
return f"""
Given the following previously solved subproblems:
{prev_solutions}
Please solve the following subproblem:
{subproblem}
"""
def solve_problem(original_problem):
"""
Solves the original problem using the Least-to-Most Prompting algorithm.
Args:
original_problem (str): The original problem to be solved.
Returns:
list: A list of solutions for the subproblems.
"""
# Decompose the original problem into subproblems
decomp_result = openai.Completion.create(
engine="text-davinci-002",
prompt=decomp_prompt(original_problem),
max_tokens=1024,
n=1,
stop=None,
temperature=0.7,
)
decomp_steps = decomp_result.choices[0].text.strip()
# Solve the subproblems one by one
solutions = []
for step in decomp_steps.split("\
"):
step = step.strip()
if step:
solve_result = openai.Completion.create(
engine="text-davinci-002",
prompt=solve_prompt("\
".join(solutions), step),
max_tokens=1024,
n=1,
stop=None,
temperature=0.7,
)
solutions.append(solve_result.choices[0].text.strip())
return solutions
# Example usage
original_problem = "Solve a complex math problem step-by-step."
solutions = solve_problem(original_problem)
print("\
".join(solutions))
Was sind die Einschränkungen von Least-to-Most Prompting?
Domänenspezifität:
Zerlegungsprompts sind oft auf bestimmte Domänen zugeschnitten und lassen sich möglicherweise nicht gut auf verschiedene Problemtypen verallgemeinern. Ein Prompt, der für mathematische Textaufgaben gut funktioniert, ist möglicherweise nicht effektiv für Probleme des gesunden Menschenverstands oder in anderen Bereichen.
Herausforderung der domäneninternen Generalisierung:
Selbst innerhalb derselben Domäne kann die Verallgemeinerung des Zerlegungsprozesses schwierig sein. Die Prompts müssen sorgfältig gestaltet werden, um die korrekte Zerlegung zu demonstrieren, damit das Modell eine optimale Leistung erzielt.
Komplexität der Zerlegung:
Einige komplexe Probleme erfordern möglicherweise ein anspruchsvolles Verständnis dafür, wie sie in einfachere Teilprobleme zerlegt werden können. Die Gestaltung von Prompts, die das Modell effektiv durch diesen Prozess führen, kann herausfordernd sein.
Sequenzielle Abhängigkeit:
Die bei Least-to-Most Prompting generierten Teilprobleme sind oft voneinander abhängig und müssen in einer bestimmten Reihenfolge gelöst werden. Diese sequenzielle Anforderung kann den Prompting-Prozess im Vergleich zu unabhängigen Teilproblemen komplexer machen.
Fehlerfortpflanzung:
Wenn das Modell in den frühen Phasen der Problemzerlegung oder der Lösung von Teilproblemen einen Fehler macht, kann sich dieser Fehler durch die nachfolgenden Schritte fortsetzen und zu einer falschen endgültigen Lösung führen.
Modellspezifische Leistung:
Die Leistung von Least-to-Most Prompting kann zwischen verschiedenen Modellen oder Versionen desselben Modells variieren. Einige Modelle sind möglicherweise besser geeignet, um die iterative und rekursive Natur der Aufgabe zu bewältigen.
Prompt Engineering:
Die Effektivität von Least-to-Most Prompting kann stark von der Qualität des Prompt Engineerings abhängen. Das Erstellen effektiver Prompts, die zu einer genauen Zerlegung und Lösungserzeugung führen, erfordert sorgfältige Überlegungen und Fachkenntnisse.
Skalierbarkeit:
Obwohl Least-to-Most Prompting effektiv sein kann, skaliert es möglicherweise nicht so gut auf sehr große oder hochkomplexe Probleme, da die Gestaltung geeigneter Prompts schwieriger wird und die Fehlerfortpflanzung zunehmen kann.
Fehlende bidirektionale Interaktion:
Die Autoren vermuten, dass Prompting im Allgemeinen möglicherweise nicht die optimale Methode ist, um LLMs Denkfähigkeiten beizubringen, da es sich um eine unidirektionale Kommunikationsform handelt. Eine natürlichere Weiterentwicklung könnte die Umwandlung von Prompting in vollständig bidirektionale Gespräche sein, die sofortiges Feedback und effizienteres Lernen ermöglichen.
Fazit
Durch die Zerlegung komplexer Probleme in einfachere Schritte und deren sequenzielle Lösung verbessern LLMs mit Least-to-Most Prompting nicht nur ihr Denkvermögen, sondern zeigen auch bemerkenswerte Leistungen bei verschiedenen Aufgaben – von symbolischer Manipulation über kompositionelle Generalisierung bis hin zu mathematischem Denken.
Es ist jedoch wichtig, die Herausforderungen zu erkennen, die mit dieser Methode einhergehen. Domänenspezifität, domäneninterne Generalisierungsschwierigkeiten und die Komplexität der Zerlegung können Hürden darstellen. Darüber hinaus unterstreichen die sequenzielle Abhängigkeit der Teilprobleme und die potenzielle Fehlerfortpflanzung die Notwendigkeit eines sorgfältigen Prompt Engineerings und modellspezifischer Überlegungen.
Während wir weiterhin neue Grenzen in der KI-Entwicklung erforschen, zeichnet sich Least-to-Most Prompting als zentrale Strategie aus, die LLMs befähigt, die Herausforderungen komplexer Denkaufgaben mit beispielloser Genauigkeit und Effizienz zu bewältigen, und gleichzeitig die laufende Forschung zur Optimierung seiner Anwendung in verschiedenen Problembereichen vorantreibt.
Referenzen
Zhou, D., Schärli, N., Hou, L., Wei, J., Scales, N., Wang, X., Schuurmans, D., Cui, C., Bousquet, O., & Chi, E. (2023). Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. In Proceedings of the International Conference on Learning Representations.
Novita AI ist die All-in-One-Cloud-Plattform, die Ihre KI-Ambitionen unterstützt. Mit nahtlos integrierten APIs, Serverless Computing und GPU-Beschleunigung bieten wir die kosteneffizienten Werkzeuge, die Sie benötigen, um Ihr KI-gesteuertes Unternehmen schnell aufzubauen und zu skalieren. Beseitigen Sie Infrastruktur-Herausforderungen und starten Sie kostenlos – Novita AI macht Ihre KI-Träume zur Realität.
