$T^2$ 思考：温度树驱动大语言模型的推理能力

大型语言模型（LLM）已成为人工智能领域的强大工具，尤其在复杂决策场景中展现出巨大潜力，但其静态的解决策略常常限制了在动态环境下的适应性。我们通过温度树（Temperature Tree，简称 $T^2$）提示技术，引入一种启发式算法，称为 $T^2$ 的思考（$T^2oT$），来增强大语言模型的推理能力。本研究的核心目标是通过动态调整搜索参数，尤其是温度，以提升决策过程的准确性而不增加计算负担。我们通过实证研究验证，混合的 $T^2oT$ 方法在单解准确率、多解生成和文本生成质量方面均取得提升。我们的发现表明，尽管基于温度的动态搜索深度调整可能带来混合结果，但固定的搜索深度若结合 $T^2oT$ 的自适应能力，将提供更可靠且更具通用性的解决策略。本工作突显了在优化基础语言模型与算法交互方面的潜力，尤其是在24点游戏和创意写作任务中得到的验证。