Enhancing the Reliability of Large Language Models: Integrating Chain of Thought, Retrieval-Augmented Generation, Self-Consistency, and Self-Verification

本文针对大型语言模型在复杂任务中产生虚假信息的问题，提出结合思维链（CoT）和检索增强生成（RAG）的新方法，以减少虚假信息并提高准确性。研究显示，通过引入外部知识和自我验证策略，可以显著改善模型的响应质量和推理深度，为现实应用提供了更可靠的解决方案。

本文提出了一种结合思维链与检索增强生成的方法，以解决大型语言模型在复杂任务中产生虚假信息的问题。研究表明，外部知识和自我验证策略的引入显著提升了模型的响应质量和推理深度。

models 外部知识思维链检索增强生成自我验证虚假信息