Liberando la Sinergia Cognitiva en Modelos de Lenguaje a Gran Escala: Un Agente de Resolución de Tareas mediante la Autocolaboración Multipersonal
Unleashing Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration
July 11, 2023
Autores: Zhenhailong Wang, Shaoguang Mao, Wenshan Wu, Tao Ge, Furu Wei, Heng Ji
cs.AI
Resumen
La inteligencia humana prospera gracias al concepto de sinergia cognitiva, donde la colaboración e integración de información entre diferentes procesos cognitivos produce resultados superiores en comparación con procesos cognitivos individuales aislados. Aunque los Modelos de Lenguaje a Gran Escala (LLMs, por sus siglas en inglés) han demostrado un rendimiento prometedor como agentes generales de resolución de tareas, aún enfrentan dificultades con tareas que requieren un conocimiento intensivo del dominio y un razonamiento complejo. En este trabajo, proponemos el "Solo Performance Prompting" (SPP), que transforma un único LLM en un sinergista cognitivo al involucrarlo en una auto-colaboración de múltiples turnos con varias personalidades. Un sinergista cognitivo se refiere a un agente inteligente que colabora con múltiples mentes, combinando sus fortalezas y conocimientos individuales, para mejorar la resolución de problemas y el rendimiento general en tareas complejas. Al identificar y simular dinámicamente diferentes personalidades basadas en las entradas de la tarea, el SPP libera el potencial de la sinergia cognitiva en los LLMs. Hemos descubierto que asignar múltiples personalidades detalladas en los LLMs desencadena mejores habilidades de resolución de problemas en comparación con el uso de una sola personalidad o un número fijo de ellas. Evaluamos el SPP en tres tareas desafiantes: Escritura Creativa de Trivia, Codenames Colaborativo y Rompecabezas de Lógica, que abarcan tanto tipos intensivos en conocimiento como en razonamiento. A diferencia de trabajos anteriores, como el "Chain-of-Thought", que solo mejoran las habilidades de razonamiento en los LLMs, el SPP efectivamente desencadena habilidades internas de adquisición de conocimiento, reduce las alucinaciones y mantiene fuertes capacidades de razonamiento. El código, los datos y los prompts pueden encontrarse en: https://github.com/MikeWangWZHL/Solo-Performance-Prompting.git.
English
Human intelligence thrives on the concept of cognitive synergy, where
collaboration and information integration among different cognitive processes
yield superior outcomes compared to individual cognitive processes in
isolation. Although Large Language Models (LLMs) have demonstrated promising
performance as general task-solving agents, they still struggle with tasks that
require intensive domain knowledge and complex reasoning. In this work, we
propose Solo Performance Prompting (SPP), which transforms a single LLM into a
cognitive synergist by engaging in multi-turn self-collaboration with multiple
personas. A cognitive synergist refers to an intelligent agent that
collaborates with multiple minds, combining their individual strengths and
knowledge, to enhance problem-solving and overall performance in complex tasks.
By dynamically identifying and simulating different personas based on task
inputs, SPP unleashes the potential of cognitive synergy in LLMs. We have
discovered that assigning multiple, fine-grained personas in LLMs elicits
better problem-solving abilities compared to using a single or fixed number of
personas. We evaluate SPP on three challenging tasks: Trivia Creative Writing,
Codenames Collaborative, and Logic Grid Puzzle, encompassing both
knowledge-intensive and reasoning-intensive types. Unlike previous works, such
as Chain-of-Thought, that solely enhance the reasoning abilities in LLMs, SPP
effectively elicits internal knowledge acquisition abilities, reduces
hallucination, and maintains strong reasoning capabilities. Code, data, and
prompts can be found at:
https://github.com/MikeWangWZHL/Solo-Performance-Prompting.git.