PPDL:基于LLM的流程作为概率程序
摘要
本文介绍了PPDL,一种用于编程基于LLM的流程的概率语言,使开发者能够在整个应用中量化和传播不确定性,并提供了关于定理证明的实验和案例研究。
arXiv:2608.05234v1 公告类型:新
摘要:构建利用大型语言模型(LLM)的可靠应用仍然是一个重大挑战。尽管LLM在各种任务中展现了令人印象深刻的能力,但其输出往往缺乏准确性,并且没有提供明确的置信度度量。这种不确定性在多次调用LLM和其他工具的流程中会累积,使开发者和最终用户难以信任结果。本文介绍了一种用于编程基于LLM的流程的概率语言。它使开发者能够在应用的整个流程中量化和传播不确定性,并且无需在流程逻辑之外添加一行代码即可试验不同的推理扩展技术。我们进行了一项实验研究来展示这一能力,并提供了一个为Rocq定理证明器构建定理证明代理的案例研究。
查看缓存全文
缓存时间: 2026/08/07 07:48
# PPDL:基于LLM的流程作为概率程序 来源:https://arxiv.org/abs/2608.05234 查看PDF(https://arxiv.org/pdf/2608.05234) > 摘要:构建利用大型语言模型(LLMs)的可靠应用程序仍然是一个重大挑战。尽管LLMs在各种任务中展现了令人印象深刻的能力,但其输出往往缺乏准确性,并且没有提供明确的置信度度量。这种不确定性在多次调用LLMs和其他工具的流程中会累积,使开发者和最终用户难以信任结果。本文介绍了一种用于编程基于LLM的流程的概率语言。它使开发者能够在整个应用程序流程中量化和传播不确定性,并且无需在流程逻辑之外添加任何一行代码,即可试验不同的推理扩展技术。我们通过一项实验研究展示了这一能力,并提供了一个构建面向Rocq定理证明器的定理证明智能体的案例研究。 ## 提交历史 来自:Guillaume Baudart \[查看电子邮件(https://arxiv.org/show-email/b29d9212/2608.05234)\] **\[v1\]** 星期三,2026年8月5日 13:37:25 UTC(115 KB)
相似文章
FlowEdit:针对涉及冲突的不适定问题的LLM推理流的信息论控制
FlowEdit 是一个新颖的框架,利用信息论原理来调节LLMs的内部推理流,使其能够针对具有冲突条件的不适定问题在单次生成中输出多个替代回答。实验表明,与领先的专有模型相比,精确集合匹配准确率提升68%,回答信息量提升24%。
SPL:使用声明性确定性与概率组合编排工作流
SPL(结构化提示语言)是一种声明性语言,统一了大语言模型工作流中确定性和概率计算模式,可指定跨本地和云端节点运行的计算。它包含丰富的示例库和实验验证。
RLearner-LLM:通过混合直接偏好优化平衡大语言模型的逻辑基础与流畅性
本文介绍了RLearner-LLM,一个使用混合直接偏好优化(Hybrid-DPO)的框架,旨在平衡LLM生成解释的逻辑正确性和流畅性。该框架在多个领域和基础模型上实现了显著的NLI蕴含改进,同时减轻了标准偏好信号中的冗长偏差。
重复出现的 LLM 轨迹能否被合成为由类型化 ML 和 NLP 算子组成的确定性流水线?[D]
本文探讨了重复出现的 LLM 工作负载是否可以在适当情况下被自动合成的、由类型化 ML/NLP 算子组成的确定性流水线所替代,并征求关于可行性和方法的反馈。
管理虚拟实验室规划中LLM生成程序性知识的不确定性
本文介绍了一个原型框架,用于管理虚拟实验室规划中LLM生成的程序性知识的不确定性,通过使用结构化领域表示来修复不确定的程序步骤。