以ChatGPT为主的大语言模型出现已有半年时间，研究逐渐从针对模型本身的进化和功能，延展到如何更为有效地利用大模型，将它与其它工具结合，落地，以解决实际领域中的问题。

这里的增强主要指让大语言模型（LM）与外部扩展模块相结合，从而获得超越单纯的自然语言建模的能力。具体能力包含：推理、使用工具、行动。它不仅能解决更多类型的问题，在连接外部模块后，其处理自然语言处理能力也得到突破性进展。

本文介绍一篇增强语言模型综述，以及几篇最近发表的具体应用方法和框架的文章。

增强语言模型综述

英文题目: Augmented Language Models: a Survey
中文题目: 增强语言模型综述
论文地址: http://arxiv.org/abs/2302.07842
解读：https://blog.csdn.net/xieyan0811/article/details/130910473?spm=1001.2014.3001.5501
（将近5000字，太长就不贴了）

一篇综述性文章，来Meta，发布时间为2023-02-15。
文章从方法论的角论进入阐释。内容分为六部分：介绍，推理，使用工具和行动，学习方法，讨论，结论，正文22页。
对于比较关注 LM 领域的读者，这篇文章中并没有提到让人意外的特殊方法。然而，文章对现有方法进行了全面细致的整理，提供了全景视角的概览，详细引用了相关文献和软件示例。是对知识很好的概览和梳理，可作为入门读物。

Chameleon：使用大型语言模型进行即插即用的组合推理

本篇来自加州大学&微软，发布时间为2023-04-19。

英文题目: Chameleon: Plug-and-Play Compositional Reasoning with Large Language Models
中文题目: Chameleon：使用大型语言模型进行即插即用的组合推理
论文地址: http://arxiv.org/abs/2304.09842

解读：

• 目标：使用LLM与其它工具结合，解决具体领域的问题。在不同类型的数据和各种模型工具之间建立起了桥梁，利用LLM实现了之前需要人工设计的调用顺序和方法。
• 当前问题：自然语言大模型LLM由于其自身的限制，无法访问最新信息、无法使用外部工具，无法进行精确的数学推理。
• 效果：结合GPT-4，在ScienceQA（86.54%）和TabMWP（98.78）任务中，得到了显著的提升。
• 方法：
  提出chameleon（变色龙），即插即用的组合推理框架，该框架可以组合多种工具，其中可包含LLM模型、现成的视觉模型、网络搜索引擎、Python 函数和根据用户兴趣定制的基于规则的模块，并将LLM 作为自然语言规划器，将问题拆解成多种工具组合的链条（设计工作流程），然后调用工具协同解决问题，最后通过答案生成器生成回答。
  图-1展示了看图回答问题的三个示例，针对第二个问题，展示了从文本识别，信息检索，生成解决方法，最终生成答案的过程。

其中可使用的工具包含：

SuperICL：小型模型作为大型语言模型的插件

本篇来自加州大学&微软，发布时间为2023-05-15。

英文题目: Small Models are Valuable Plug-ins for Large Language Models
中文题目: 小型模型作为大型语言模型的插件
论文地址: http://arxiv.org/abs/2305.08848

解读

• 目标：利用自然语言大模型（LLM），提升对大规模的有监督数据的预测效果。
• 当前问题：由于上下文长度的限制，只能在对话中给LLM提供有限的上下文提示（In-Context Learning）。
• 效果：在效果评测，稳定性，多语言和可解释性方面均表现出其优越性。
• 方法
  文中提出了SuperICL，将LLM视为黑盒，与本地经过调优的小模型相结合，以提升有监督任务的能力。
  之前只是将有监督的示例和待预测的测试数据传递给LLM来获得答案。文中提出的方法，首先针对训练集和测试集数据训练了本地模型，预测标签和置信度。然后将这些结果和测试数据一起传递给LLM，从而使LLM不仅学习了推理结果，还学习了决策过程，从而实现了更好的推理和解释能力。

图-1(a)部分展示了ICL的工作过程（之前），它从训练集的上下文中采样，再结合测试集数据一起传给LLM，得到输出；
图-1(b)展示了SuperICL的工作过程，分为三步：

• 通过从训练数据中随机抽样并结合本地模型的预测构建上下文，包括预测标签及其相应的置信度分数。
• 测试输入连接在上下文之后，并附加了本地模型对测试数据的预测。
• 语言模型生成最终预测以及解释。

PKG：参数化知识指导的增强大语言模型

本篇来自香港大学&微软，发布时间为2023-05-18。

英文题目: Augmented Large Language Models with Parametric Knowledge Guiding
中文题目: 参数化知识指导的增强大语言模型
论文地址: http://arxiv.org/abs/2305.04757
解读：

• 目标：促进大模型LLM在领域知识密集型任务中的应用
• 当前问题：在解决具体问题时，涉及更多领域相关的知识，最新的知识，以及私有数据。
• 效果：提升了模型在一系列领域知识密集型任务上的性能，包括事实 (+7.9%)、表格 (+11.9%)、医学 (+3.0%) 和多模态 (+8.1%) 知识。
• 方法：
  提出PKG（Parametric Knowledge Guiding）参数化知识引导框架，结合本地模型和LLM模型，本地模型基于开源的自然语言模型（Llama），它可以存储离线的领域知识，将领域知识转化成参数输出，作为background和问题一起传入大模型。
  文中的图-1展示了PKG的工作过程：