iCLP：基于隐式认知潜在规划的LLM推理

本文介绍了 iCLP，一个通过利用隐式认知来改进大型语言模型 (LLM) 推理的新框架。它解决了生成显式文本计划的挑战，通过使用潜在计划，即有效推理指令的紧凑编码。该方法涉及提取计划、学习离散表示和微调 LLM。主要贡献是在潜在空间中进行规划，同时在语言空间中进行推理，从而提高了准确性、效率和跨领域泛化能力，同时保持了可解释性。

• •iCLP 框架使 LLM 能够生成潜在计划以改进推理。
• •它利用矢量量化自动编码器进行离散计划表示。
• •该方法提高了准确性、效率和跨领域泛化能力。
• •保持链式思考推理的可解释性。