访问官网
Github
文档
论文项目简介
Tree of Thoughts (ToT) 是一个创新的大型语言模型 (LLM) 问题解决框架。该项目由普林斯顿大学的研究团队开发，旨在提高 LLM 在复杂任务中的推理能力。
核心思想
ToT 的核心思想是将问题解决过程视为一棵思维树。与传统的单一思路方法不同，ToT 允许 LLM 同时探索多条思路，并在解题过程中进行深思熟虑的决策。这种方法模仿了人类解决复杂问题时的思考过程，能够产生更加全面和创新的解决方案。
主要特点
-
多思路探索：ToT 可以同时生成和评估多个潜在的解决方案。
-
灵活的搜索算法：项目支持广度优先搜索 (BFS) 和深度优先搜索 (DFS) 等算法，以适应不同类型的问题。
-
可定制的评估机制：用户可以选择独立评估每个状态（value 方法）或对多个状态进行投票（vote 方法）。
-
多种任务支持：ToT 框架已在多个任务上进行了测试，包括 24 点游戏、创意写作和填字游戏等。
技术实现
ToT 项目主要使用 Python 实现，并利用 OpenAI 的 GPT 模型作为底层语言模型。项目提供了一个名为 tot 的 Python 包，使用户能够方便地在自己的项目中集成 ToT 功能。
使用方法
用户可以通过 PyPI 安装 tot 包，或者从 GitHub 仓库克隆源代码并安装。项目提供了简单的 API，允许用户自定义问题解决过程中的各个参数，如思路生成方法、评估方法和选择策略等。
实验结果
研究团队在多个任务上对 ToT 进行了测试，结果表明 ToT 在复杂推理任务中显著优于传统的单一思路方法。例如，在 24 点游戏中，使用 GPT-4 作为底层模型的 ToT 达到了约 70% 的解题成功率。
扩展性
ToT 框架设计灵活，便于添加新的任务。用户只需创建新的任务类和相应的提示模板，就可以将 ToT 应用于自定义的问题领域。
未来展望
Tree of Thoughts 为 LLM 的问题解决能力开辟了新的研究方向。随着进一步的优化和更多任务的应用，ToT 有望在人工智能领域产生深远的影响，为更复杂的推理任务提供解决方案。
