Подканяне по аналог и стъпка назад
Аналогичното подсказване и стъпката назад насочват модела към разсъждение първо на по-високо ниво: аналоговата подкана го кара да си припомни подобни решени проблеми, докато стъпка назад го кара да изведе основния принцип, преди да се заеме с конкретните неща.
Преглед
They matter because abstraction often beats diving straight into details.
Дълбоко гмуркане
Това са две свързани Google-изследователски техники от 2023 г. за подобряване на разсъжденията. Аналогичното подсказване, от Yasunaga и колеги, изисква от модела да генерира самостоятелно няколко подходящи примера, подобни проблеми, които е виждал ефективно, и техните решения, преди да реши целевия проблем, премахвайки необходимостта от ръкописни примери. Подканянето за стъпка назад, от Zheng и колегите, вместо това първо задава абстрактен въпрос („какъв общ принцип или факт управлява това?“), извлича или обосновава този принцип, след което го прилага към конкретния въпрос. И двете отблъскват модела от преждевременните детайли. Step-Back показа печалби при въпроси по физика и химия и при разсъждения с множество скокове, докато аналоговото подсказваше подобрена математика и генериране на код чрез приспособяване на примери към всеки конкретен проблем.
Техническа информация
Стъпка назад работи, защото основаването на отговора върху заявен принцип (да речем закон за идеалния газ или дефиниция) ограничава последващите подробни разсъждения и намалява пропуските на междинните стъпки. Аналогичното подсказване работи, защото самогенерираните примери са съпоставени с точния проблем, често по-уместни от фиксираните примери с няколко изстрела, и те подготвят подходящ модел за решение. И двете изместват изчисленията първо към извличане на правилната абстракция, след което извършват обоснована подробна работа.
Стратегическо въздействие
Speed and scale
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Access and reach
Той разширява достъпа между езици и стилове на комуникация.
Clearer decisions
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Бъдещето на аналоговото и отстъпчивото подсказване
Очаквайте тези модели на първо ниво на абстракция да се слеят със системите за извличане, където принципът на стъпка назад се превръща в прецизно запитване в база от знания, и с плановиците на агенти, които разсъждават за стратегия преди тактика. Изследванията се усъвършенстват, когато самогенерираните аналогии помагат, вместо когато въвеждат неуместни или грешни примери и комбинират стъпка назад с проверка, така че избраният принцип да бъде проверен, преди върху него да се изградят тежки разсъждения. Те вероятно ще бъдат по подразбиране в модели, настроени на разсъждение.
Внедряване в реалния свят
Отговор на въпрос по физика, като първо се посочи съответният закон (напр. вторият закон на Нютон) чрез стъпка назад, след което се добавят числа
Решаване на нов математически проблем, като накарате модела да си спомни няколко подобни решени проблема чрез аналогово подсказване
Справяне с въпрос с любопитни факти с няколко хопа, като се върнете към по-широката категория или обект, преди да свържете факти
Генериране на код чрез самостоятелно генериране на аналогичен алгоритъм и неговото решение, след което адаптирането му към текущата задача
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Наземни отговори с доверени източници винаги, когато точността има значение.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Analogical and Step-Back Prompting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Подсказване от най-малко към най-много
Frequently asked questions
What is Analogical and Step-Back Prompting?
Аналогичното подсказване и стъпката назад насочват модела към разсъждение първо на по-високо ниво: аналоговата подкана го кара да си припомни подобни решени проблеми, докато стъпка назад го кара да изведе основния принцип, преди да се заеме с конкретните неща. Те имат значение, защото абстракцията често е по-добра от гмуркането направо в детайлите.
Какво изисква аналоговото подсказване от модела, преди да реши целевия проблем?
Аналогичното подсказване кара модела да генерира свои собствени подходящи примери и решения, съобразени с проблема.
Коя е първата стъпка в подсказването на Step-Back?
Step-Back първо задава абстрактен въпрос, за да покаже принципа или факта, който управлява проблема.
Защо основаването на отговор на заявен принцип (Step-Back) помага?
Посочването на ръководния принцип първо насочва и ограничава подробните стъпки, като намалява вероятността от грешки.
При какви видове задачи подсказването Step-Back показа забележими ползи?
Step-Back подобри производителността по научни въпроси и разсъждения с множество скачки, като първо абстрахира.
Какъв е отбелязаният риск от аналогово подсказване?
Тъй като моделът измисля свои собствени аналогии, тези примери понякога могат да бъдат неуместни или неправилни, което наранява отговора.