Reasoning in LLMs : les articles comparés côte à côte

Un exemple réel : ce que vous obtenez

5 articles comparés sur 5 colonnes.

• Colonnes : Question, Méthode, Données, Résultats principaux, Limites
• 23 des 23 cellules avec leur passage de l’article
• 3 points d’accord
• 5 points de désaccord
• 5 questions qu’aucun ne traite
• Cellules corrigeables à la main, export CSV, discussion avec les articles

Les premiers résultats

1. Chain of Thought Prompting Elicits Reasoning in Large Language Models Question: Étudier si l’incitation à produire un raisonnement intermédiaire améliore les performances des grands modèles de langage sur les tâches de raisonnement.
2. Self-Consistency Improves Chain of Thought Reasoning in Language Models Question: Évaluer si l’agrégation de plusieurs réponses générées améliore la précision du raisonnement des grands modèles de langage.
3. STaR: Bootstrapping Reasoning With Reasoning Question: Permettre à un modèle d’améliorer ses capacités de raisonnement en apprenant de ses propres justifications, à partir de peu d’exemples annotés.
4. Let's Verify Step by Step Question: Comparer la supervision des étapes intermédiaires à celle du seul résultat final pour améliorer la fiabilité des solutions mathématiques.
5. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning Question: Développer des modèles de raisonnement et explorer l’émergence de ces capacités par apprentissage par renforcement à grande échelle, sans ajustement supervisé préalable.

Voir un exemple complet, expliqué pas à pas →