Making New Connections: LLMs as Puzzle Generators for The New York Times' Connections Word Game

本文研究了GPT系列的大型语言模型（LLMs）生成人类玩家挑战性和创意词语游戏的能力，其中Connections puzzle是由纽约时报（NYT）每日发行的一个词语联想游戏。在这个游戏中，玩家需要找到四个具有共同主题的词语组。解决一个给定的Connections puzzle需要语义知识和抽象推理，而生成新的难题则需要一种元认知形式：生成器必须能够准确地模拟潜在解题者的下游推理。本文提出了一种使用LLMs生成Connections puzzles的方法，通过适应“思维树”提示方法。我们通过进行用户研究来评估这种方法，要求人类玩家比较AI生成的难题和已发行的Connections puzzles。我们的研究结果表明，LLMs是有能力创造难度多样、有趣、具有创意的Connections puzzles，并且被人类用户认可。

论文旨在研究GPT系列的大型语言模型是否能够生成具有挑战性和创意的单词游戏，以解决Procedural Content Generation（PCG）领域中的独特挑战。

通过采用Tree of Thoughts（ToT）提示方法，将GPT系列的大型语言模型应用于单词游戏Connections的生成，可以生成多样化的、有趣的、具有挑战性和创意的单词游戏。

论文通过用户研究验证了GPT系列的大型语言模型在单词游戏生成方面的有效性，并展示了其生成的单词游戏的多样性和创意性。实验使用了已发布的Connections单词游戏和GPT-3模型，并提供了开源代码。

近期的相关研究包括使用GPT模型进行自然语言生成、使用GPT模型进行对话生成、使用神经网络进行游戏生成等。