一周热点：基于向量的推理，而非文本

大型语言模型（LLMs）：大型语言模型（如GPT-2）可以通过生成思维链（CoT）来提高性能。CoT是将回应提示的过程分解为一系列步骤的中间文本标记。然而，大部分CoT文本旨在保持流畅性（例如“a”、“of”、“we know that”），而非推理（例如“a² + b² = c²”）。这导致了效率低下。

Coconut方法：加州大学圣地亚哥分校和Meta的Shibo Hao、Sainbayar Sukhbaatar及其同事推出了Coconut（连续思维链），这是一种训练大型语言模型（LLMs）将思维链处理为向量而非单词的方法。

模型结构：大型语言模型（LLM）可以分为嵌入层、Transformer和分类层。为了从输入文本生成下一个文本标记，嵌入层对文本进行嵌入；给定文本，Transformer输出一个隐藏向量；分类层将向量映射到文本标记概率。基于这些概率，解码算法选择下一个要生成的标记，该标记反馈到输入文本序列中以生成下一个向量，依此类推。

向量的优势：