我国知名白癜风专家 http://m.39.net/pf/a_4325801.html作者
谢年年
在初学算术加法或乘法时，我们通过数小棍的方式逐步从1+1=2，1+2=3等例子中得出1+3=4，这是一种依赖记忆中的数学表格进行演绎推理的过程。
后来老师告诉我们前辈们总结了一套完备的求和或乘法表，只要背住，做简单算术题根本不成问题，也不需要数小棍啦！这样一套完备的求和或乘法表可以看做是一套规则库，从大量的演绎推理中总结出来的。
如果大模型也掌握了这样一套规则库，那么即使当任务偏离常规知识，大模型也能hold住，大大减少“幻觉”的问题，即减少生成看似合理，但与现实世界知识相矛盾的输出。
受此启发，谷歌团队提出了一种"Hypotheses-to-Theories"（HtT）框架，它能让LLMs在推理任务中自动形成规则库，来减少语言模型中的"幻觉"现象。
HtT方法包括归纳阶段和演绎阶段，两者都通过少样本提few-shotprompt来实现。在归纳阶段，让LLMs为训练集中的问题-答案对生成规则并进行验证，然后根据它们的出现次数和与正确答案的关联频率进行筛选，形成演绎阶段的规则库,即HtT中的Hypotheses（假说）。在演绎阶段，让LLM从规则库中检索适合的规则（Theories理论）来解决推理问题，以减少LLM生成幻觉的可能性。
论文链接：
