No chapters are available for this episode.
Source: https://arxiv.org/pdf/2505.15817
Ces sources explorent une nouvelle approche pour améliorer le raisonnement logique des modèles linguistiques de grande taille (LLMs) en leur permettant d’utiliser plusieurs méthodes de pensée complémentaires. Le cadre proposé, baptisé Mixture-of-Thought (MoT), intègre le raisonnement basé sur le langage naturel, le code et les tables de vérité. Contrairement aux méthodes antérieures qui se limitaient souvent à une seule modalité, MoT utilise une formation auto-évolutive qui apprend des raisonnements auto-générés à travers ces modalités et une inférence par vote majoritaire pour combiner les résultats. Des expérimentations sur des benchmarks de raisonnement logique, comme FOLIO et ProofWriter, démontrent que MoT surpasse les baselines classiques basées sur une seule modalité, en particulier sur les problèmes les plus difficiles, confirmant la valeur de l’apprentissage inter-modalités pour une meilleure performance.