Graph of Thoughts (GoT) is a framework that advances prompting capabilities in large language models (LLMs) by modeling LLM thoughts as an arbitrary graph, enabling combination, distillation, and enhancement of thoughts, offering advantages over existing paradigms and allowing for extensibility with new thought transformations.

Aug, 2023

本文介绍了 Graph-of-Thought（GoT）模型，这是一种用于工作流自动化的新模型，提高了复杂任务执行中大型语言模型（LLMs）的灵活性和效率。GoT 通过图形结构超越传统的线性和树状认知模型，实现了动态路径选择。开源引擎 GoTFlow 展示了 GoT 的实际应用，促进了在各个领域中的自动化、数据驱动决策制定。尽管存在复杂性和透明度方面的挑战，GoTFlow 在改进业务流程方面具有巨大潜力，通过持续发展能够提高效率和决策质量。

Jan, 2024

使用 T5 预训练模型实现了图形思维推理模型，提高了基于文本推理任务 GSM8K 的性能和面向多模态的推理任务 ScienceQA 的准确率，通过较少的骨干模型参数与基于 700M 参数的 Multimodal-CoT 模型获得相当的结果，探索了非线性思考的建模方法。

May, 2023

利用 Graph of Thoughts (GoT) 和 prompting engineering 技术，我们的方法在解决多步骤逻辑推理问题方面超越了 GPT-4，分别获得了 89.7%、86% 和 56% 的准确率提升，并且相较于最先进的 Tree of Thought (ToT) 方法，我们的方法在准确率上平均提升了 23%、24% 和 15%。

Aug, 2023

利用大语言模型（LLMs）在检索增强的上下文学习中的层次图思路（HGOT），该框架通过将复杂查询细分为可管理的子查询，并使用最近提出的引文召回和精度指标来评估思想的质量，从而增强了 LLMs 的真实性。

Feb, 2024

我们提出了一种新颖的 Aggregation-Graph-of-Thought (AGoT) 机制，用于在多模态表示学习中进行软提示调整，该机制将人类思维过程建模为链式加以思维图，并且通过聚合和流动操作的提示将整个思考过程转化为优化问题，实验证明，我们的多模态模型采用了 AGoT 软提示的方法在文本 - 图像检索、视觉问答和图像识别等任务上获得了良好的结果，同时也因为更好的推理能力在领域泛化方面表现出色。

Apr, 2024

本文提出了 'Logic-Query-of-Thoughts' (LGOT) 方法，首次将大型语言模型 (LLMs) 与基于知识图谱的逻辑查询推理相结合，通过将复杂的逻辑查询拆解为易答的子问题，并利用知识图谱推理和 LLMs 共同解答，最终获得准确的结果。实验结果显示 LGOT 在性能上得到了大幅提升，相比 ChatGPT 提高了 20%。

Mar, 2024

使用 Graph-CoT 框架，通过对图进行迭代推理，将大型语言模型（LLMs）与图相结合，从而提高知识密集型任务中的性能。

Apr, 2024

通过 Tree of Thoughts (ToT) 框架，可以弥补语言模型在考虑多种不同推理路径时的局限性，进而提高语言模型在需要问题解决的任务中的表现。实验表明，使用 ToT 的方法大大提高了语言模型在三个需要非平凡计划或搜索的任务的解决能力：24 点游戏、创意写作和小型填字游戏。

May, 2023

通过在知识图谱（KG）上选择推理路径并结合思维链（CoT）和 PageRank 的子图检索方法，本文整合和优化了一个基于大型语言模型（LLM）的管道，可以减少对 LLM 的依赖。最终，RoK 证明了使用较少的 LLM 调用可以达到相同的结果。

Apr, 2024