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

最近大型语言模型的进展，例如GPT-4，在处理标准查询方面表现出了显著的能力。尽管有了这些进展，它们在需要复杂的多步逻辑推理的高级数学问题上的表现显著下降。为了增强它们的推理能力，目前的研究已经涉足“提示工程”，例如Tree of Thought和Graph of Thought等方法。尽管如此，这些现有方法遇到了两个重要的限制。首先，它们在解决复杂的数学问题方面的有效性受到一定的限制。其次，为单个问题设计不同的提示会影响它们的泛化能力。为了应对这些限制，本文介绍了“条件挖掘的多智能体系统”（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中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上的准确率从54.68％提高到76.73％。代码可在\url{https://github.com/bin123apple/MACM}中找到。

本论文旨在解决现有大语言模型在处理复杂数学问题时表现不佳的问题，并提出了一种新的提示方法来增强推理能力和泛化能力。

论文提出了一种多智能体系统提示方法（MACM），可以有效地解决复杂的数学问题，并在各种数学环境下展现出强大的泛化能力。

论文使用MACM提示方法，将GPT-4 Turbo在MATH数据集中最具挑战性的五级数学问题的准确率从54.68％提高到76.73％。该论文的代码已在GitHub上公开发布。

最近的研究集中在通过提示工程来增强大语言模型的推理能力。其中一些方法包括思维树和思维图。