研究人员提出了一种全新的语言模型推理框架——「思维树」（ToT）

【导读】由普林斯顿和谷歌DeepMind联合提出的全新「思维树」框架，让GPT-4可以自己提案、评估和决策，推理能力最高可提升1750%。

2022年，前谷歌大脑华人科学家Jason Wei在一篇思维链的开山之作中首次提出，CoT可以增强LLM的推理能力。

但即便有了思维链，LLM有时也会在非常简单的问题上犯错。

最近，来自普林斯顿大学和Google DeepMind研究人员提出了一种全新的语言模型推理框架——「思维树」（ToT）。

ToT将当前流行的「思维链」方法泛化到引导语言模型，并通过探索文本（思维）的连贯单元来解决问题的中间步骤。

论文地址：https://arxiv.org/abs/2305.10601

项目地址：https://github.com/kyegomez/tree-of-thoughts

简单来说，「思维树」可以让LLM：

· 自己给出多条不同的推理路径

· 分别进行评估后，决定下一步的行动方案

· 在必要时向前或向后追溯，以便实现进行全局的决策

论文实验结果显示，ToT显著提高了LLM在三个新任务（24点游戏，创意写作，迷你填字游戏）中的问题解决能力。

比如，在24点游戏中，GPT-4只解决了4％的任务，但ToT方法的成功率达到了74％。

让LLM「反复思考」

用于生成文本的大语言模型GPT、PaLM，现已经证明能够执行各种广泛的任务。

所有这些模型取得进步的基础仍是最初用于生成文本的「自回归机制」，以从左到右的方式一个接一个地进行token级的决策。

那么，这样一个简单的机制能否足以建立一个通向「解决通用问题的语言模型」？如果不是，哪些问题会挑战当前的范式，真正的替代机制应该是什么？

恰恰关于「人类认知」的文献为这个问题提供了一些线索。

「双重过程」模型的研究表明，人类有两种决策模式：快速、自动、无意识模式——「系统1」和缓慢、深思熟虑、有意识模式——「系统2」。

语言模型简单关联token级选择可以让人联想到「系统1」，因此这种能力可能会从「系统2」规划过程中增强。

「系统1」可以让LLM保持和探索当前选择的多种替代方案，而不仅仅是选择一个，而「系统2」评估其当前状态，并积极地预见、回溯以做出更全局的决策。

为了设计这样一个规划过程，研究者便追溯到人工智能和认知科学的起源，从科学家Newell、Shaw和Simon在20世纪50年代开始探索的规划过程中汲取灵感。

Newell及其同事将问题解决描述为「通过组合问题空间进行搜索」，表示为一棵树。

一个真正的问题解决过程包括重复使用现有信息来探索，反过来，这将发现更多的信息，直到最终找到解决方法。            

这个观点突出了现有使用LLM解决通用问题方法的2个主要缺点：

1. 局部来看，LLM没有探索思维过程中的不同延续——树的分支。

2. 总的来看，LLM不包含任何类型的计划、前瞻或回溯，来帮助评估这些不同的选择。

为了解决这些问题，研究者提出了用语言模型解决通用问题的思维树框架（ToT），让LLM可以探索多种思维推理路径。

ToT四步法

当前，现有的方法，如IO、CoT、CoT-SC，通过采样连续的语言序列进行问题解决。

而ToT主动维护了一个「思维树」。每个矩形框代表一个思维，并且每个思维都是一个连贯的语言序列，作为解决问题的中间步骤。

ToT将任何问题定义为在树上进行搜索，其中每个节点都是一个状态

，表示到目前为止输入和思维序列的部分解。

ToT执行一个具体任务时需要回答4个问题: 如何将中间过程分解为思维步骤；如何从每个状态生成潜在的想法；如何启发性地评估状态；使用什么搜索算法。1. 思维分解CoT在没有明确分解的情况下连贯抽样思维，而ToT利用问题的属性来设计和分解中间的思维步骤。 根据不同的问题，一个想法可以是几个单词（填字游戏） ，一条方程式（24点） ，或者一整段写作计划（创意写作）。 一般来说，一个想法应该足够「小」，以便LLM能够产生有意义、多样化的样本。比如，生成一本完整的书通常太「大」而无法连贯 。 但一个想法也应该「大」，足以让LLM能够评估其解决问题的前景。例如，生成一个token通常太「小」而无法评估。2. 思维生成器

给定树状态

，通过2种策略来为下一个思维步骤生成k个候选者。

（a）从一个CoT提示采样思维：

在思维空间丰富（比如每个想法都是一个段落），并且导致多样性时，效果更好。

（b）使用「proposal prompt」按顺序提出想法：

。这在思维空间受限制（比如每个思维只是一个词或一行）时效果更好，因此在同一上下文中提出不同的想法可以避免重复。

3. 状态求值器

给定不同状态的前沿，状态评估器评估它们解决问题的进展，作为搜索算法的启发式算法，以确定哪些状态需要继续探索，以及以何种顺序探索。 虽然启发式算法是解决搜索问题的标准方法，但它们通常是编程的（DeepBlue）或学习的（AlphaGo）。这里，研究者提出了第三种选择，通过LLM有意识地推理状态。 在适用的情况下，这种深思熟虑的启发式方法可以比程序规则更灵活，比学习模型更有效率。与思维生成器，研究人员也考虑2种策略来独立或一起评估状态：对每个状态独立赋值；跨状态投票。4. 搜索算法最后，在ToT框架中，人们可以根据树的结构，即插即用不同的搜索算法。 研究人员在此探索了2个相对简单的搜索算法： 算法1——广度优先搜索（BFS），每一步维护一组b最有希望的状态。 算法2——深度优先搜索（DFS），首先探索最有希望的状态，直到达到最终的输出，或者状态评估器认为不可能从当前的为阈值解决问题。在这两种情况下，DFS都会回溯到s的父状态以继续探索。

由上，LLM通过自我评估和有意识的决策，来实现启发式搜索的方法是新颖的。

实验

为此，团队提出了三个任务用于测试——即使是最先进的语言模型GPT-4，在标准的IO提示或思维链（CoT）提示下，都是非常富有挑战的。

24点（Game of 24）

24点是一个数学推理游戏，目标是使用4个数字和基本算术运算（+-*/）来得到24。

例如，给定输入「4 9 10 13」，答案的输出可能是「(10-4)*(13-9)=24」。

ToT设置

团队将模型的思维过程分解为3个步骤，每个步骤都是一个中间方程。

如图2(a)所示，在每个节点上，提取「左边」的数字并提示LLM生成可能的下一步。（每一步给出的「提议提示」都相同）

其中，团队在ToT中进行宽度优先搜索（BFS），并在每一步都保留最好的b=5个候选项。

如图2(b)所示，提示LLM评估每个思维候选项是「肯定/可能/不可能」达到24。基于「过大/过小」的常识消除不可能的部分解决方案，保留剩下的「可能」项。

结果

如表2所示，IO，CoT和CoT-SC提示方法在任务上的表现不佳，成功率仅为7.3%，4.0%和9.0%。相比之下，ToT在广度为b=1时已经达到了45%的成功率，而在b=5时达到了74%。

团队还考虑了IO/CoT的预测设置，通过使用最佳的k个样本（1≤k≤100）来计算成功率，并在图3(a)中绘出5个成功率。

不出所料，CoT比IO扩展得更好，最佳的100个CoT样本达到了49%的成功率，但仍然比在ToT中探索更多节点（b>1）要差。

错误分析

图3(b)分析了CoT和ToT样本在哪一步失败了任务，即思维（在CoT中）或所有b个思维（在ToT中）都是无效的或无法达到24。

值得注意的是，大约60%的CoT样本在第一步就已经失败了，或者说，是前三个词（例如「4+9」）。

创意写作

接下来，团队设计了一个创意写作任务。

其中，输入是四个随机句子，输出应该是一个连贯的段落，每段都以四个输入句子分别结束。这样的任务开放且富有探索性，挑战创造性思维以及高级规划。

值得注意的是，团队还在每个任务的随机IO样本上使用迭代-优化（k≤5）方法，其中LLM基于输入限制和最后生成的段落来判断段落是否已经「完全连贯」，如果不是，就生成一个优化后的。

ToT设置

团队构建了一个深度为2（只有1个中间思维步骤）的ToT。

LLM首先生成k=5的计划并投票选择最佳的一个（图4），然后根据最佳计划生成k=5的段落，然后投票选择最佳的一个。

一个简单的zero-shot投票提示（「分析以下选择，然后得出哪个最有可能实现指令」）被用来在两个步骤中抽取5票。

结果

图5(a)显示了100个任务中的GPT-4平均分数，其中ToT（7.56）被认为比IO（6.19）和CoT（6.93）平均生成更连贯的段落。

虽然这样的自动评测可能会有噪音，但图5(b)通过显示人类在100个段落对中有41个更喜欢ToT而只有21个更喜欢CoT（其他38对被认为「同样连贯」）来确认这一发现。

最后，迭代优化在这个自然语言任务上更有效——将IO连贯性分数从6.19提高到7.67，将ToT连贯性分数从7.56提高到7.91。

团队认为它可以被看作是在ToT框架下生成思维的第三种方法，新的思维可以通过优化旧的思维而产生，而不是i.i.d.或顺序生成。

迷你填字游戏

在24点游戏和创意写作中，ToT相对较浅——最多需要3个思维步骤就能完成输出。

最后，团队决定通过5×5的迷你填字游戏，来设置一个更难的问题。

同样，目标不仅仅是解决任务，而是研究LLM作为一个通用问题解决者的极限。通过窥视自己的思维，以有目的性的推理作为启发，来指导自己的探索。

ToT设置

团队利用深度优先搜索保持探索最有可能成功的后续单词线索，直到状态不再有希望，然后回溯到父状态以探索替代的思维。

为了使搜索可行，后续的思维被限制不改变任何已填写的单词或字母，这样ToT最多有10个中间步骤。

对于思维生成，团队在每个状态下将所有现有的思维（例如，「h2.motor; h1.tasks」对于图6(a)中的状态）转换为剩余线索的字母限制（例如，「v1.To heap: tm___;...」），从而得到下一个单词填写位置和内容的候选。

重要的是，团队也提示LLM给出不同思维的置信度，并在提案中汇总这些以获得下一个要探索的思维的排序列表（图6(a)）。

对于状态评估，团队类似地将每个状态转换为剩余线索的字母限制，然后评估每个线索是否可能在给定限制下填写。

如果任何剩余的线索被认为是「不可能」的（例如，「v1. To heap: tm_s_」），那么该状态的子树的探索就被剪枝，并且DFS回溯到其父节点来探索下一个可能的候选。

结果

如表3所示，IO和CoT的提示方法在单词级成功率上表现不佳，低于16%，而ToT显著改善了所有指标，实现了60%的单词级成功率，并解决了20个游戏中的4个。

鉴于IO和CoT缺乏尝试不同线索、改变决策或回溯的机制，这种改善并不令人惊讶。

局限性与结论

ToT是一个让LLM可以更自主、更智能地做决策和解决问题的框架。

它提高了模型决策的可解释性以及与人类对齐的机会，因为ToT所生成的表征表形式是可读的、高级的语言推理，而不是隐式的、低级的token值。

对于那些GPT-4已经十分擅长的任务来说，ToT可能并是不必要的。

此外，像ToT这样的搜索方法需要更多的资源（如GPT-4 API成本）来提高任务性能，但ToT的模块化灵活性让用户可以自定义这种性能-成本平衡。

不过，随着LLM被用于更多真实世界的决策应用（如编程、数据分析、机器人技术等），ToT可以为研究那些即将出现的更为复杂的任务，提供新的机会。

审核编辑 ：李倩