Raisonnement selon l'arbre des pensées
L'Arbre de Pensées permet à un modèle d'explorer plusieurs chemins de raisonnement en parallèle, comme les branches d'un arbre, au lieu de s'engager dans une seule ligne de pensée.
Aperçu
It can look ahead, evaluate partial solutions, and backtrack from dead ends.
Plongée profonde
Introduit par Yao et al. en 2023, Tree-of-Thoughts (ToT) généralise l’incitation à la chaîne de pensée. Là où la chaîne de pensée produit une seule séquence linéaire d'étapes de raisonnement, ToT structure le problème comme un arbre : chaque nœud est une solution partielle (une « pensée ») et le modèle génère plusieurs pensées suivantes candidates à partir de chaque nœud. Une étape d'évaluation distincte évalue le potentiel de chaque branche, et un algorithme de recherche tel que la recherche en largeur ou en profondeur décide quelles branches développer et lesquelles élaguer. Cela permet au modèle d'explorer délibérément, d'anticiper quelques étapes et de revenir en arrière lorsqu'un chemin semble peu prometteur. ToT a brillé sur des tâches qui battent le raisonnement gourmand à chemin unique, le plus célèbre étant le Jeu des 24, où GPT-4 avec chaîne de pensée a résolu environ 4 % des énigmes, mais ToT a poussé le succès à environ 74 %.
Aperçu technique
ToT comprend trois éléments : un générateur de pensées qui propose aux candidats les prochaines étapes, un évaluateur d'état (souvent le même LLM invité à évaluer ou à voter sur des solutions partielles comme « sûr / peut-être / impossible ») et une procédure de recherche (BFS, DFS ou recherche par faisceau) qui parcourt l'arborescence. Étant donné que le modèle évalue les états partiels et élimine les branches faibles, il alloue le calcul aux régions prometteuses de l'espace de solutions, échangeant ainsi des appels d'inférence supplémentaires contre une précision nettement plus élevée sur les problèmes difficiles.
Impact stratégique
Coût et budget
Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
Décisions plus claires
La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
Contrôle qualité
De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
L'avenir du raisonnement par arbre de pensées
L'Arbre des Pensées influence la manière dont le temps de calcul d'inférence est utilisé : plutôt que d'effectuer une seule grande avancée, les systèmes recherchent de plus en plus de chemins de raisonnement et choisissent le meilleur. Les travaux futurs visent à savoir quand le branchement vaut son coût symbolique élevé, à utiliser des fonctions de valeur entraînées au lieu d'une auto-évaluation basée sur des invites et à intégrer la recherche arborescente dans des modèles de raisonnement afin que la délibération soit plus efficace. Attendez-vous à une intégration plus étroite avec les outils et les vérificateurs afin que l'évaluation des succursales repose sur des retours réels plutôt que sur les conjectures du modèle.
Mise en œuvre dans le monde réel
Résoudre le jeu des 24 en branchant sur quels deux nombres combiner en premier et en éliminant les chemins arithmétiques qui ne peuvent pas atteindre 24.
Écriture créative avec un plan cohérent, où le modèle rédige plusieurs grandes lignes de l'intrigue, les évalue et développe les plus fortes avant d'écrire de la prose.
Des puzzles de contraintes comme des mini mots croisés, où chaque mot rempli est une pensée et les branches incompatibles sont abandonnées.
Problèmes mathématiques ou de planification en plusieurs étapes dans lesquels le modèle explore des étapes intermédiaires alternatives et revient sur celles qui violent les contraintes.
Risques et garde-fous
L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Feuille de route de mise en œuvre
Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
Benchmark dans des conditions de charge et de données réalistes.
Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Tree-of-Thoughts Reasoning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Arbre des pensées
Questions fréquemment posées
What is Tree-of-Thoughts Reasoning?
L'Arbre de Pensées permet à un modèle d'explorer plusieurs chemins de raisonnement en parallèle, comme les branches d'un arbre, au lieu de s'engager dans une seule ligne de pensée. Il peut anticiper, évaluer des solutions partielles et revenir en arrière après des impasses.
En quoi l’Arbre des Pensées diffère-t-il de l’incitation à la chaîne de pensée ?
La chaîne de pensée produit une seule séquence linéaire, tandis que l'arbre des pensées se divise en de nombreux chemins candidats qui peuvent être évalués et élagués.
Dans l'Arbre des Pensées, que représente généralement un seul nœud ?
Chaque nœud est une solution partielle (une pensée), et le modèle développe plusieurs pensées suivantes candidates à partir de chaque nœud.
Quel rôle l’évaluateur d’État joue-t-il dans Tree-of-Thoughts ?
L'évaluateur, souvent le même LLM, évalue ou vote sur des états partiels (par exemple, bien sûr/peut-être/impossible) afin que la recherche puisse se concentrer sur les branches prometteuses.
Sur le benchmark Game of 24, ToT a considérablement surperformé la chaîne de pensée, à peu près de quel saut ?
GPT-4 avec chaîne de pensée a résolu environ 4 % des énigmes du Jeu des 24, tandis que l'Arbre des pensées a atteint environ 74 %.
Quelles stratégies de recherche sont couramment utilisées pour naviguer dans l’arbre à pensées ?
ToT associe la génération et l'évaluation de pensées à des procédures de recherche classiques telles que BFS, DFS ou la recherche par faisceau pour décider quelles branches développer.