增强大型语言模型在狼人杀游戏中的推理能力
人工智能
2024-04-01 v2 计算与语言
摘要
本文提出了一个创新框架，将大型语言模型（LLMs）与外部Thinker模块集成，以增强基于LLM的智能体的推理能力。与通过提示工程增强LLM不同，Thinker直接利用数据库中的知识并采用各种优化技术。该框架形成了一个推理层次，其中LLM处理直观的系统1任务（如自然语言处理），而Thinker专注于需要复杂逻辑分析和特定领域知识的认知系统2任务。我们使用需要双系统推理的9人狼人杀游戏来展示我们的框架。我们介绍了LLM与Thinker之间的通信协议，并使用来自18800场人类对局的数据和强化学习来训练Thinker。实验证明了该框架在演绎推理、发言生成和在线游戏评估中的有效性。此外，我们将一个6B LLM进行微调，使其在与Thinker集成时超越GPT4。本文还贡献了迄今为止最大的社交推理游戏数据集。
引用
@article{arxiv.2402.02330,
title = {Enhance Reasoning for Large Language Models in the Game Werewolf},
author = {Shuang Wu and Liwen Zhu and Tao Yang and Shiwei Xu and Qiang Fu and Yang Wei and Haobo Fu},
journal= {arXiv preprint arXiv:2402.02330},
year = {2024}
}