CoTAR: Chain-of-Thought Attribution Reasoning with Multi-level Granularity

目前在问答任务中，最先进的性能是由采用大型语言模型（LLMs）的系统实现的，但这些模型往往会在其响应中产生虚假信息。一种方法是通过将给定输入的属性纳入输出来增强生成过程。然而，确定适当的属性并根据源验证其准确性的挑战是一项复杂的任务，需要在评估这些系统方面取得重大进展。我们引入了一种基于归因的思维链推理方法来增强属性的准确性。这种方法将推理过程集中在生成以属性为中心的输出上。在使用GPT-4对两个上下文增强的问答数据集进行评估时，我们证明了归因的准确性和正确性得到了提高。此外，我们的方法与微调的组合增强了两个较小LLM的响应和属性准确性，表明它们在某些情况下有超越GPT-4的潜力。

提高大型语言模型在问答任务中的准确性，解决其生成回答时出现的虚假信息问题。

引入基于归因的思维链推理方法，以增强归因的准确性，从而提高生成回答的准确性。

论文使用GPT-4在两个上下文增强型问答数据集上进行了评估，证明了基于归因的思维链推理方法可以提高归因和回答的准确性。此外，将该方法与微调相结合，可以提高两个较小的语言模型的回答和归因准确性，表明它们在某些情况下有超越GPT-4的潜力。

近期的相关研究包括：《A Survey of Question Answering for Explainable AI》、《Enhancing Explainability and Correctness of Question Answering Systems through Attentive Multi-Granularity Evidence Integration》等。