基于新颖性的思维树搜索用于大语言模型推理与规划

尽管思维链、思维树及强化学习等技术提升了大语言模型在推理与规划任务中的表现，但其仍显脆弱且成本高昂。受规划领域中基于宽度的搜索启发，本文探索将“新颖性”概念引入语言领域以优化思维树推理。文章提出一种可量化的新颖性指标，用于衡量新节点相对于搜索树中已有节点的独特性，并借此剪枝以缩小搜索范围。该方法虽增加了单状态提示次数，但通过减小整体树规模降低了总令牌成本。实验在多个语言规划与通用推理基准上验证了该方法的有效性。