![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-zLxnXviRPl4bdpSOfKAHS5dj.png?st=2024-08-30T10%3A10%3A32Z&se=2024-08-30T12%3A10%3A32Z&sp=r&sv=2024-08-04&sr=b&rscd=inline&rsct=image\/png&skoid=d505667d-d6c1-4a0a-bac7-5c84a87759f8&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-08-29T19%3A09%3A35Z&ske=2024-08-30T19%3A09%3A35Z&sks=b&skv=2024-08-04&sig=bDhvOPUJzS\/34TSgay4cNbc7%2BCHIYlLTdx8PyMfqMa0%3D\")
<\/p>\n<\/p>\n
La mont\u00e9e en puissance des grands mod\u00e8les de traitement du langage naturel, tels que GPT-3 et GPT-4, a r\u00e9volutionn\u00e9 le domaine. Bas\u00e9s sur des capacit\u00e9s de raisonnement impressionnantes, ces mod\u00e8les peuvent comprendre et g\u00e9n\u00e9rer du texte similaire \u00e0 celui des humains. Le raisonnement peut \u00eatre divis\u00e9 en deux cat\u00e9gories : le raisonnement d\u00e9ductif, tirant des conclusions sp\u00e9cifiques de principes g\u00e9n\u00e9raux, et le raisonnement inductif, g\u00e9n\u00e9ralisant \u00e0 partir d’exemples particuliers. Il est crucial de comprendre comment les mod\u00e8les manipulent ces types de raisonnement pour \u00e9valuer leur v\u00e9ritable potentiel.<\/p>\n
Un des d\u00e9fis majeurs est de d\u00e9terminer quel raisonnement est plus difficile pour ces mod\u00e8les. Alors que GPT-3 et GPT-4 excellent, des questions persistent sur leur capacit\u00e9 \u00e0 raisonner v\u00e9ritablement ou \u00e0 imiter des sch\u00e9mas appris. Une nouvelle \u00e9tude explore cette question en analysant s\u00e9par\u00e9ment le raisonnement d\u00e9ductif et inductif des LLM. Des recherches ant\u00e9rieures utilisaient des t\u00e2ches diverses mais ne s\u00e9paraient pas ces raisonnement, rendant difficile une \u00e9valuation individuelle.<\/p>\n
Une \u00e9quipe de chercheurs de l’Universit\u00e9 de Californie \u00e0 Los Angeles et d’Amazon a introduit le cadre SolverLearner, visant \u00e0 dissocier l’induction de la d\u00e9duction. Ce cadre teste les capacit\u00e9s inductives pures des LLM en utilisant des exemples contextuels sans r\u00e8gles pr\u00e9programm\u00e9es. SolverLearner fonctionne en deux phases : proposition et ex\u00e9cution de fonction. La premi\u00e8re phase consiste pour le LLM \u00e0 s\u00e9lectionner une fonction mappant des points d’entr\u00e9e aux valeurs de sortie, similaire au raisonnement inductif humain. Ensuite, la fonction est ex\u00e9cut\u00e9e par un interpr\u00e9teur de code externe pour en v\u00e9rifier l’exactitude.<\/p>\n
Les r\u00e9sultats indiquent que les mod\u00e8les LLM, notamment GPT-4, excellent en raisonnement inductif, affichant une pr\u00e9cision quasi parfaite et une capacit\u00e9 \u00e0 g\u00e9n\u00e9raliser \u00e0 partir d\u2019exemples contextuels. Cependant, des d\u00e9fis subsistent en raisonnement d\u00e9ductif, particuli\u00e8rement dans des t\u00e2ches n\u00e9cessitant des capacit\u00e9s contrefactuelles o\u00f9 les performances se d\u00e9gradent. Cette \u00e9tude met en lumi\u00e8re les forces et les limites des LLM, soulignant la n\u00e9cessit\u00e9 de recherches futures pour am\u00e9liorer le raisonnement d\u00e9ductif, surtout dans des contextes nouveaux. En somme, bien que des progr\u00e8s remarquables aient \u00e9t\u00e9 r\u00e9alis\u00e9s, la compr\u00e9hension et l’am\u00e9lioration des capacit\u00e9s de raisonnement des LLM restent une priorit\u00e9.<\/p>\n","protected":false},"excerpt":{"rendered":"
La mont\u00e9e en puissance des grands mod\u00e8les de traitement du langage naturel, tels que GPT-3 et GPT-4, a r\u00e9volutionn\u00e9 le domaine. Bas\u00e9s sur des capacit\u00e9s de raisonnement impressionnantes, ces mod\u00e8les peuvent comprendre et g\u00e9n\u00e9rer du texte similaire \u00e0 celui des humains. Le raisonnement peut \u00eatre divis\u00e9 en deux cat\u00e9gories : le raisonnement d\u00e9ductif, tirant des […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-236","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n