查看“WikiEdge:ArXiv-2311.17371/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2311.17371/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''[[大型语言模型]]（[[Large Language Models]], LLMs）的潜力与挑战'''：
#* [[大型语言模型]]（LLMs）在多种领域展现出了回应查询的潜力，但确保生成代理提供准确和可靠的答案仍然是一个持续的挑战。
#* 为了提高这些系统的推理能力，研究者们开始关注于[[提示策略]]，例如[[少样本学习]]和[[思维链提示]]。
# '''[[多代理辩论]]（[[Multi-Agent Debate]], MAD）策略的提出'''：
#* [[多代理辩论]]（MAD）作为一种增强LLMs真实性的有前途的策略，通过多个代理之间的交互推理来提高答案的准确性。
#* 尽管多代理方法在[[语言生成]]、[[机器翻译]]和[[算术推理]]等领域的应用日益增多，但如何有效利用多个代理进行交互推理仍是一个亟待解决的研究问题。
# '''不同[[提示策略]]的比较与评估'''：
#* 本文通过基准测试不同的[[提示策略]]，包括MAD，来探索它们在[[事实准确性]]、[[时间]]和[[成本]]之间的权衡。
#* 作者提供了一个开源的单代理和MAD实现套件，以便研究社区在此基础上进一步构建和评估MAD系统。
综上所述，这篇文献的背景强调了在[[大型语言模型]]领域中对提高问题回答准确性的需求，以及[[多代理辩论]]策略在实现这一目标中的潜力和挑战。