devils advocate

악마의 옹호자

계획 및 개선을위한 간단하지만 효과적인 LLM 추론 프레임 워크.

작동 방식

두 개의 LLM 모델에는 다른 역할이 제기됩니다

1. 질문자, 일명 악마의 옹호자
2. 설득자

해결해야 할 일이 주어지면 설득자는 질문자가 제안 솔루션에 동의하도록 설득하려고 최선을 다합니다. 반면에 질문자는 설득자의 제안에서 논리적 불일치와 허점을 찾으려고 노력하고 자세한 질문을합니다. 설득자와 질문자 사이의 채팅은 질문자가 설득자와 "동의"할 때까지 계속됩니다.

결과적으로 LLM은 결국 과제를 해결하기위한 매우 상세한 계획을 제공합니다.

사용하는 방법

1. 저장소를 복제하십시오

2. 최신 OpenAI 라이브러리가 설치되어 있는지 확인하십시오. pip install -U openai

3. devil_advocate.py 코드에 OpenAI API 키를 첨부하십시오.

4. task.txt 파일을 필요에 맞게 수정하십시오. 현재 task.txt 파일에는 샘플 작업이 있습니다.

5. python devil_advocate.py 사용하여 실행하십시오

더 많은 생각

이것은 조건부 생성 적대적 네트워크 및 최첨단 자체 감독 패러다임 (BYOL, DINOV2 등)과 공명합니다. 이러한 패러다임은 "비대칭"모델에 대한 헤드 버팅을 통해 최적화하는 것이보다 세밀하고 강력한 상황 표현을 제공한다는 것을 경험적으로 발견했습니다. 추가 연구를 통해 LLM 추론 프레임 워크가 동일한 결과를 초래할 것인지 궁금합니다.

이 저장소 가이 아이디어를 확장하고 멋진 발견을 할 수 있기를 바랍니다.

부인 성명

이것은 진행중인 작업입니다. 그러나 나는 여러분 모두가 그것을 시험해 볼 수 있도록 내 아이디어와 간단한 코드를 공유하고 싶었습니다. 매우 간단하지만 놀랍도록 효과적입니다.

• Openai Gpt 4 및 3.5 터보에서 테스트.