图上计划：基于知识图谱的大型语言模型自我纠正自适应规划
原文中文，约400字，阅读约需1分钟。发表于：。本文解决了大型语言模型（LLM）在知识获取和推理过程中面临的过时知识和错误推理路径的问题。提出了一种新颖的自我纠正自适应规划方法（Plan-on-Graph），通过分解问题、适应性探索推理路径并持续反思，显著提高了模型在复杂任务中的效率和准确性。实验结果表明，该方法在三个真实数据集上均表现出优越的效果。
本文测试了5种大型语言模型在图形推理问题上的表现，设计了10个复杂性递增的图形遍历问题。分析发现模型存在限制和偏见，k-shot提示对推理任务产生负面影响。最后提出的新提示技术PathCompare显著提升了模型性能。
