STOC-TOT：用于多跳问答中复杂推理的蒙特卡尔树状思考方式

多跳问答 (MHQA) 需要模型从多个段落中检索信息并整合以回答复杂问题。最近的系统利用大型语言模型的强大能力，并整合证据检索与推理提示（例如链式思考推理）用于 MHQA 任务。然而，问题类型（桥接问题 vs. 比较问题）和推理类型（顺序推理 vs. 并行推理）的复杂性需要更具创新性和细粒度的提示方法来提升 MHQA 在零样本设置下的性能。本文提出 STOC-TOT，一种用于 MHQA 的蒙特卡尔树状思考推理提示方法，并对比评估了不同问题类型和推理类型下的其他推理提示。具体而言，我们通过提示模型将原始问题分解为更小的子问题，以形成不同的推理路径。此外，我们提示模型在每个推理步骤为每条推理路径提供概率估计。在答案生成时，我们对模型进行受限解码，以生成更可靠的答案并减少幻觉。实验表明，STOC-TOT 在两个 MHQA 数据集和五个大型语言模型上与其他推理提示相比具有显著优势。