怎样才能让大模型“涌现”？如果你是一名 AI 大模型研发人员，这可能是你最近一直在思考的问题。

在大模型领域，“涌现”是指当模型突破某个规模时，性能显著提升并表现出让人意想不到的能力，就好像 AI 有了“人”的意识一样。强大的逻辑推理是大模型“智能涌现”的核心能力之一，而推理能力的关键，在于一个技术——思维链 (Chain of Thought / CoT)。

CoT 和 ReAct (Reason+Act) 是提示工程 (Prompt Engineering) 的两个重要概念，他们本质上都是在帮助大模型学习人类解决问题的思路和方法。

今天我们就来聊一聊澳鹏 Appen 如何帮助 AI 大模型训练这种“人”的能力。

CoT 标注

突出思维链推理的标注

类 GPT 应用通常会在哪里“翻车”？——大多是数学算术题、逻辑思考题等。这类需要精确推理的问题，正是思维链能够重点解决的。

在大模型热潮的当下，高质量的思维链训练却比较稀少。CoT 思维链训练离不开人工构建推理过程：将一系列中间的推理步骤进行描述，让大模型通过学习推理过程，在算数推理、常识推理、符号推理等任务中取得更加理想的结果。

澳鹏 Appen 思维链数据标注，针对给定的一段逻辑推理过程，可以分解出前提条件和结论，并论证逻辑的正确性。我们的标注工具提供针对原始文本的修改和打分机制，能够进一步解析每一段文本的细节属性。

下面是一个数学题的例子：

标注工具的标记内容适配各种不同的公式表达，可以在各种专业领域提供个性化的支持和扩展。

CoT 对于复杂问题的性能增益很大，但是它依赖于给定的前提和信息，有时会输出流畅但不合逻辑的错误结果，就像在“一本正经地胡说八道”。

此时结合 ReAct 可以进一步帮助大模型提升能力。

ReAct 标注

突出工具调用的标注

ReAct，Reason+Act，“行为”和“推理”的协同作用，就像人类能够学习新任务并做出决策和推理的过程。

最新研究表明，ReAct 和 CoT 方法的结合是提升 LLM 推理能力并减少幻觉的最佳方法之一。ReAct 框架允许大语言模型与外部工具交互来获得额外的信息，并得出更加可靠的返回。

澳鹏 ReAct 标注工具让人类标注员检查 ReAct 推理轨迹并做出少量手动编辑和标记，替换推理轨迹中的错误输出。事实核查、上下文一致性检查，以及调整工具调用过程中的错误使用等，可帮助模型调整其行为，简洁高效地解决任务。

如何将工具可视化地展示给标注员，加快他们对于 API 的理解？又如何在理解的基础上正确高效地进行标注？以下界面展示的是澳鹏 ReAct 工具调用的过程，我们内嵌的多模态编辑器可以对工具调用返回的 JSON 格式数据做结构化的展示。

澳鹏 ReAct 标注的工具定义悬浮窗口支持 1 万个以上的工具定义，帮助标注员快速查看和掌握工具的用途以及输入输出参数。

在构建 ReAct 数据标注模版的背后，离不开强大而灵活的澳鹏自定义模版引擎。

自定义模板

灵活的数据标注底座，赋能大模型千变万化的标注需求

澳鹏自定义模版引擎为多变的项目规则而生，具有高度灵活性，可以帮助项目经理在最快 5 分钟内根据标注需求适配出一个定制的标注模版，极大地降低了项目实施难度，对于 NLP, 大语言模型等文本和多模态数据标注项目具有极高的友好性。

我们的模版引擎定义了一套类似 HTML 的模版语言，可以自定义标签并嵌入项目标注所需的数据字段，比如文本内容、图片地址、音频地址等。同时，默认集成常用的表单元素，如单选框、多选框、单行/多行文本输入框等，提供多样化的数据标注方式。

模版语言对于使用者有一定的网页编写技能要求，但我们也为特定场景预定义了大量元素标签。例如，大语言模型 LLM 对话类数据标注工具，仅仅需要一行就可以加载出一个多轮对话的标注页面。

根据输入的数据，展现的对话标注界面：

还可以实现 NER 类型的数据标注：

根据输入的数据进行界面展示：

澳鹏 Appen 自定义模板引擎还为更多复杂的标注场景预定义了模版标签，如音频标注、图像标注、视频标注、地图标注等。