数据：
推理时间成功率提升，从5%提升到95%；DeepMind推出的Mind Evolution结合遗传算法，显著降低成本。
线索：
DeepMind的新研究表明，利用进化搜索策略和语言模型的结合，能够显著提升规划任务的成功率，这为未来在自然语言处理和人工智能领域的投资机会提供了契机。然而，相关技术的快速更新也可能带来市场竞争风险。
正文：
DeepMind的新研究关注推理时扩展（Inference-time scaling），推出了名为“Mind Evolution”的进化搜索策略，旨在优化大语言模型（LLMs）在规划和推理中的表现。通过该方法，使得Gemini 1.5 Flash的任务成功率从原来的5%提升至95%，并且使用的tokens数量仅为传统方法的几分之一。
Mind Evolution的一个优势是，它可以直接处理自然语言问题，而不需要将问题形式化，也就是说，传统方法中复杂的任务转化为机器可处理的形式的步骤可以省略，这样的创新很大程度上提升了适用范围。
该方法结合了两大关键组成部分：搜索算法和遗传算法。搜索算法帮助LLMs找到最佳推理路径，而遗传算法则通过迭代优化候选解决方案，以更好地满足任务目标。
在实验中，Mind Evolution的表现优异，尤其在复杂任务中，如旅行规划和会议规划，其任务成功率的提升显著。与传统方法Sequential Revisions+相比，Mind Evolution在使用率和成功率上都显示出更高的优势。此外，采用Mind Evolution技术后，未解决的问题甚至可以通过1.5Pro模型进一步提升成功率。
新任务“StegPoet”的测试结果也表明，Mind Evolution在需要逻辑推理与创造性表达的高度复杂任务中表现出色。综上所述，Mind Evolution通过有效结合广泛搜索与深度搜索，推动了模型在规划和推理方面的显著升级。
发布时间：
2025-01-23 16:52:12
评论 ( 0 )