思维不确定性：不确定性感知规划增强大语言模型的信息寻求能力

面对不确定性时，*寻求信息*的能力至关重要。在许多实际应用中，例如医疗诊断和故障排除，解决任务所需的信息最初并未给出，必须通过提出后续问题（例如，医生向患者询问更多关于其症状的细节）来主动寻求。在这项工作中，我们引入了思维不确定性（Uncertainty of Thoughts, UoT）算法，以增强大语言模型通过提出有效问题来主动寻求信息的能力。UoT结合了：1）一种*不确定性感知模拟方法*，使模型能够模拟可能的未来场景及其发生的可能性；2）由信息增益驱动的*基于不确定性的奖励*，激励模型寻求信息；以及3）一种*奖励传播方案*，以最大化期望奖励的方式选择要提出的最优问题。在医疗诊断、故障排除和“20个问题”游戏的实验中，与直接提示相比，UoT在多个大语言模型上实现了平均38.1%的任务成功率提升，并且还提高了效率（即完成任务所需的问题数量）。我们的代码已在此[链接](https://github.com/zhiyuanhubj/UoT)发布。