arxiv: https://arxiv.org/abs/2305.14992

问题背景：当前LLM推理受到几个关键因素的限制：

（1）LLM缺乏世界模型（一种人类就有的对环境的心理表征，可以模拟行动以及活动对外部世界状态的影响）去预测世界状态和模拟执行动作产生的长期结果影响，从而导致规划能力和执行动作能力不足。

（2）缺乏奖励机制来评估和引导推理走向理想状态。

（3）无法平衡探索（未访问过的节点）与利用（访问过的节点），从而无法有效地探索广阔的推理空间。

本文方法概述：提出RAP（Resoning via Planning）框架，让LLM能够以接近人类意识规划的方式进行推理。RAP通过世界模型增强LLM，并通过有指导准则的规划进行推理，让后续产生有高奖励值的推理路径。

本文方法框架：

语言模型作为世界模型

• 用自然语言在prompt中定义状态和动作。
• 根据定义的状态和动作，将推理过程描述为马尔可夫过程（MDP）。

奖励设计

• 动作的log概率作为奖励。
• 采样多次世界模型的答案，使用生成最多的答案比例作为置信度。根据当前状态下得到的置信度会作为奖励。
• 让LLM自己去评估结果。（LLM识别推理错误，要比避免在生成中产生错误更容易）
• 根据特定任务可以启发式的插入就爱你老公i函数。

采用蒙特卡洛树搜索进行规划

• MCTS迭代式的构建了一颗搜索树，节点代表状态，边代表活动和在当前状态下应用动作生成下一个状态的过渡。
• 选择
  使用上限置信界限（UCT）去选择节点，来平衡探索（未访问的节点）和利用（访问过的高价值的节点）
  

其中N(s)是节点s在之前的迭代中被访问的次数，c(s,a)是状态s下进行动作a的子节点。之前访问的子节点越少（即该子节点的不确定性越高），方程中第二项就越高。权重w控制着探索和里用的平衡。当w为0时，退化为贪心搜索方式。当w不为0时，若某一条路径经常被选择， 会逐渐减小未来会产生的收益增益，让LLM对探索较少的路径进行探索。

• 扩展
  当节点不为终端节点的时候，将根据叶结点的状态，使用LLM对d个可能的动作进行采样，然后使用LLM预测各自的下一个状态，从而产生新的子节点，直至达到叶子结点为止。
• 反向传播
  当达到叶结点时候进行反向传播。
• 构架完成进行推理
  达到预订MCTS的迭代次数，则终止算法并从构建的树中选择最终的推理轨迹进行评估。选择方式有两种；1）从根节点开始，每次选择Q值最高的动作，直到达到终端叶子结点。2）从生成高奖励的迭代中选择路径，或者选择访问次数最多的叶结点。本文在实践中发现方法二效果更好。
• 路径融合
  RAP可以从不同的MCTS迭代中产生多个轨迹和答案，这些轨迹和答案将聚合形成最终的答案。但是，像规划生成、逻辑推理的问题需要完整的推理轨迹作为输出，这一类不会被使用路径融合。

实验情况

• 实验场景：规划生成、数学推理问题、逻辑推理
• 实验设置：基座模型Llama-33B、temperature=0.8
• 基线方法：COT、Least-to-Most、Self-Consistency（SC）
• 实验效果：

  • 规划生成

    • 采用Blocksworld数据集，该数据集主要用于让Agent移动不同颜色的方块，达到目标要求。
      
      

  • 数学推理

    • 采用GSM8K数据集
      

  • 逻辑推理

    • 采用PrOntoQA数据集，提供一组事实和逻辑规则，模型需要基于事实应用逻辑规则，来验证事实的真假。