Los autores proponen Deep Interaction, un método eficiente de interacción humano-IA diseñado para corregir errores de razonamiento en modelos de lenguaje grandes sin requerir la regeneración completa de la respuesta. Este mecanismo permite a los usuarios editar directamente la respuesta original de Chain-of-Thought, preservando los pasos correctos mientras se corrigen los errores.
- El enfoque refina el CoT editado en un prompt destilado para guiar al modelo a lo largo del camino corregido.
- Logra una mejora superior al 25% en la tasa de éxito de corrección en tareas STEM en comparación con las líneas base.
- El uso de tokens se reduce aproximadamente un 40% en relación con los enfoques de línea base.
Este método aborda la ineficiencia de los patrones de interacción actuales donde los usuarios deben marcar laboriosamente los pasos defectuosos o aceptar errores recurrentes.