Liberando a Sinergia Cognitiva em Modelos de Linguagem de Grande Escala: Um Agente de Resolução de Tarefas por meio da Autocolaboração Multipersonalidade

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

Resumo

A inteligência humana prospera com o conceito de sinergia cognitiva, onde a colaboração e a integração de informações entre diferentes processos cognitivos produzem resultados superiores em comparação com processos cognitivos individuais isolados. Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham demonstrado desempenho promissor como agentes gerais de resolução de tarefas, eles ainda enfrentam dificuldades com tarefas que exigem conhecimento intensivo de domínio e raciocínio complexo. Neste trabalho, propomos o Solo Performance Prompting (SPP), que transforma um único LLM em um sinergista cognitivo, engajando-o em uma colaboração interna de múltiplos turnos com várias personas. Um sinergista cognitivo refere-se a um agente inteligente que colabora com múltiplas mentes, combinando seus pontos fortes e conhecimentos individuais, para aprimorar a resolução de problemas e o desempenho geral em tarefas complexas. Ao identificar e simular dinamicamente diferentes personas com base nas entradas da tarefa, o SPP libera o potencial da sinergia cognitiva nos LLMs. Descobrimos que atribuir múltiplas personas detalhadas aos LLMs elicita melhores habilidades de resolução de problemas em comparação com o uso de uma única persona ou de um número fixo de personas. Avaliamos o SPP em três tarefas desafiadoras: Escrita Criativa de Trivia, Codenames Colaborativo e Quebra-Cabeça de Grade Lógica, abrangendo tanto tipos intensivos em conhecimento quanto em raciocínio. Diferente de trabalhos anteriores, como o Chain-of-Thought, que apenas aprimoram as habilidades de raciocínio nos LLMs, o SPP efetivamente elicita habilidades internas de aquisição de conhecimento, reduz alucinações e mantém fortes capacidades de raciocínio. Código, dados e prompts podem ser encontrados em: 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.