LLMs（大型语言模型）在组合性与知识性之间常常难以平衡，我们称之为组合-知识二分法。为了解决这一问题，我们提出了具体化命题提示（Concretized Proposition Prompting，CPP）框架，该框架明确具体化与问题相关的命题。
实验结果表明，CPP显著提升了推理性能，尤其是在医疗基准测试中，精确知识至关重要，同时在数学基准测试中，CPP的表现也具竞争力。
额外实验显示，CPP可以扩展到各种基础模型和参数规模，成为连接基于组合和基于知识的方法的基础范式。因此，CPP通过提供一个逻辑组织和事实基础推理的坚实基础，成功解决了组合-知识二分法的问题。
博主点评： CPP 的提出为大型语言模型的推理能力开辟了新局面，特别是在需要精确知识的领域。这种方法不仅提升了模型的表现，也为未来的研究提供了新的思路。将组合性与知识性结合的框架，将推动更多实际应用的实现。