知识星球 | 深度连接铁杆粉丝，运营高品质社群，知识变现的工具

来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231134_9703560.6951000905984461.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_0789550.4322847814017934.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231134_9785780.22572619421138163.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_1172040.4495080382730974.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231134_9804680.17314978033209416.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_1587610.19557947296552614.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231134_9819590.8274163352229665.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_1440590.6309377215868245.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231134_9916080.2023796547092358.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_2517600.363726048821405.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_0406410.7909855697715898.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_1911480.7715796478542233.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_0757560.561599052386557.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_2468000.9314124726551507.jpeg)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_0821570.3158562618381553.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://images.zsxq.com/FkOKyGMuBa0PDIHLSnSW4PdAa3vL?imageMogr2/auto-orient/thumbnail/750x/format/jpg/blur/1x0/quality/75&e=1714492799&s=jtvmyvvymvvttyv&token=kIxbL07-8jAj8w1n4s9zv64FuZZNEATmlU_Vm6zD:da3rofeO8kflidoUvp80ECKL3gw=)

arXiv论文

LLM应用

开放领域问答

多跳推理来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231135_0647650.4657274468816205.jpeg)

HuggingAI

2024-03-23 02:20

Dr3 提议，在处理开放领域多跳问题回答时，应引导大语言模型避免提供与主题无关的答案。 开放领域多跳问答（ODMHQA）对于借助外部知识源检索信息并经过多阶段推理以解答复杂问题的NLP至关重要。近期，得益于强大的规划、推理及运用工具能力，大型语言模型（LLMs）在解决此类问题上展现出卓越成果。然而，在处理ODMHQA时，LLMs有时会产生偏离主题的答案，这类答案与原问题并无关联，且占据约三分之一的错误答案比例，却尚未得到深入探讨。为此，我们创新性地设计了“判别-重构-重解-再分解”（Dr3）机制。该机制中的判别组件会利用LLMs自身特性鉴别答案是否跑题，一旦发现跑题答案，校正组件就会沿着逆向推理链条逐步调整（重构-重解-再分解），直至得出切题的最终答案。实验证明，在HotpotQA和2WikiMultiHopQA两个数据集上，我们的Dr3机制成功将ODMHQA中偏离主题答案的发生率降低了接近13%，相较于无Dr3机制的基准方法，精确匹配（EM）指标提升了近3%。 原文链接:[\[2403.12393\] Dr3: Ask Large Language Models Not to...](https://arxiv.org/abs/2403.12393 "[2403.12393] Dr3: Ask Large Language Models Not to...") #arXiv论文# #LLM应用# #开放领域问答# #多跳推理#

展开全部

![](https://images.zsxq.com/FkOKyGMuBa0PDIHLSnSW4PdAa3vL?imageMogr2/auto-orient/thumbnail/750x/format/jpg/blur/1x0/quality/75&e=1714492799&s=jtvmyvvymvvttyv&token=kIxbL07-8jAj8w1n4s9zv64FuZZNEATmlU_Vm6zD:da3rofeO8kflidoUvp80ECKL3gw=)

arXiv论文

LLM应用

开放领域问答

多跳推理