研究可能导致大型语言模型在复杂推理方面表现更佳
Researchers developed a way to make large language models more adaptable to challenging tasks like strategic planning or process optimization.
麻省理工学院的研究人员提出了一种“测试时训练”方法，通过临时更新大型语言模型（LLMs）的参数，显著提高其在复杂推理任务中的准确性，最多可提升六倍。这种方法结合上下文学习，使模型在医疗诊断等需要逻辑推理的应用中更具灵活性。研究表明，更新模型参数能有效提升性能，未来目标是开发能够自动选择最佳学习策略的LLM。
