$T^2$ of Thoughts: Temperature Tree Elicits Reasoning in Large Language Models

大型语言模型（LLMs）已成为人工智能中强大的工具，特别是在复杂的决策场景中，但它们的静态问题解决策略常常限制了它们对动态环境的适应能力。我们通过粒子群优化，通过温度树（$T^2$）提示来探索增强LLMs的推理能力，称为思维的$T^2$（$T^2oT$）。主要关注的是通过动态调整搜索参数，特别是温度，以提高准确性而不增加计算需求，从而增强决策过程。我们通过实验证实，我们的混合$T^2oT$方法提高了单一解决方案的准确性、多重解决方案的生成和文本生成质量。我们的发现表明，虽然基于温度的动态搜索深度调整可能会产生不同的结果，但固定的搜索深度，当与$T^2oT$的自适应能力相结合时，提供了一种更可靠和多功能的问题解决策略。这项工作强调了未来优化算法与基础语言模型交互的探索潜力，特别是我们为“24点游戏”和创意写作任务开发的模型。

提高静态问题解决策略的自适应能力，以解决动态环境下的决策问题。

通过使用温度树提示和粒子群优化的混合方法，动态调整搜索参数，提高LLMs的推理能力。

实验证明，该方法在单解准确性、多解生成和文本生成质量方面都有提高。固定搜索深度，配合自适应的$T^2oT$能力，提供更可靠、更灵活的问题解决策略。该研究为未来优化基础语言模型的算法交互提供了潜力，特别是在24点游戏和创意写作任务方面。

近期的相关研究包括：1）GPT-3的研究；2）使用深度学习和强化学习的自适应问题解决策略研究；3）基于温度的搜索策略研究。