MACM: Utilizing a Multi-Agent System for Condition Mining in Solving Complex Mathematical Problems

最近大型语言模型（例如GPT-4）的发展，在处理标准查询方面展示了出色的能力。尽管有了这些进展，它们在需要复杂的、多步骤逻辑推理的高级数学问题方面的表现大幅下降。为了增强它们的推理能力，当前的研究已经深入探讨了“提示工程”，例如Tree of Thought和Graph of Thought等方法。然而，这些现有方法存在两个显著的限制。首先，它们在解决复杂的数学问题方面的有效性有些受限。其次，需要为单个问题设计不同的提示，这妨碍了它们的通用性。为了应对这些限制，本文介绍了“条件挖掘多智能体系统”（MACM）提示方法。它不仅解决了复杂的数学问题，而且在各种数学环境下展示了强大的泛化能力。在MACM的帮助下，GPT-4 Turbo在MATH数据集中最具挑战性的五级数学问题的准确性从54.68%提高到76.73%。该代码可在\url{https://github.com/bin123apple/MACM}上获得。

MACM: 一种解决数学问题的多智能体提示方法

该论文提出了一种名为MACM的多智能体提示方法，以解决复杂的数学问题，并展示了其强大的泛化能力。相比现有的提示方法，MACM不需要为每个问题设计单独的提示，可以应对各种数学问题。

该论文使用MACM方法显著提高了GPT-4 Turbo在MATH数据集中最具挑战性的五级数学问题上的准确性，从54.68％提高到76.73％。该论文还开源了代码，可在GitHub上获得。

最近的研究集中在通过提示工程来增强语言模型的推理能力，例如Tree of Thought和Graph of Thought方法。然而，这些现有方法在解决复杂数学问题方面的效果受到限制。