Подсказване от най-малко към най-много
Подканянето от най-малко към най-много разделя труден проблем на поредица от по-прости подпроблеми, като ги решава по ред, така че всеки отговор захранва следващия.
Преглед
It matters because it lets models tackle questions far harder than the examples they were shown.
Дълбоко гмуркане
Подканянето от най-малко към най-много, въведено от Zhou и колеги от Google през 2022 г., има два етапа. Първо, моделът е подканен да разложи сложен въпрос в подреден списък от по-лесни подвъпроси. Второ, той решава тези подвъпроси един по един, като добавя всеки разрешен отговор към контекста, така че по-късните стъпки да могат да надграждат по-ранните. Това се различава от веригата на мислите, която разсъждава с едно преминаване без изрично разлагане. Резултатът от заглавието беше силно обобщение от лесно към трудно: при бенчмарка за композиционно обобщение на SCAN подканянето от най-малко към най-много решаваше голяма част от дългите команди, въпреки че примерите за подкани бяха кратки, където стандартната верига от мисли до голяма степен се провали.
Техническа информация
Силата идва от разделянето на планирането от изпълнението. Декомпозицията създава подредена по зависимост верига, така че подпроблем N разчита само на вече решени подпроблеми. Всеки решен отговор се свързва в текущата подкана, което дава на модела междинните резултати, от които се нуждае, вместо да го кара да държи всичко наведнъж. Това намалява разсъжденията, които всяка отделна стъпка трябва да извърши, поради което моделите се обобщават за входове по-дълго и по-трудно от която и да е отделна демонстрация.
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 подсказването от най-малко към най-много
Идеите за най-малко към най-много сега са в основата на много архитектури на агенти и планиращи, които разделят целите на подредени подзадачи, преди да действат. Очаквайте хибриди с използване на инструменти, където всеки подвъпрос може да задейства калкулатор, търсене или извикване на код, и със самосъгласуваност за по-стабилни подотговори. Изследванията също така изследват автоматичното разлагане, което адаптира дълбочината към трудността на проблема и комбинирането му с проверка, така че грешен ранен подотговор да не повреди тихо цялата верига надолу по веригата.
Внедряване в реалния свят
Решаване на текстов проблем с много стъпки, като първо се изброят количествата за изчисляване, след което се изчислят по ред
Композиционни езикови задачи като превод на дълги инструкции в поредици от действия от кратки примери
Отговор на сложен изследователски въпрос чрез разделянето му на подвъпроси, чиито отговори се комбинират в крайния отговор
Писане на програма чрез нейното разлагане на помощни функции, решавани една по една, всяка от които се използва повторно в по-късни стъпки
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 Least-to-Most 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
Планирайте и решавайте подкани
Frequently asked questions
What is Least-to-Most Prompting?
Подканянето от най-малко към най-много разделя труден проблем на поредица от по-прости подпроблеми, като ги решава по ред, така че всеки отговор захранва следващия. Има значение, защото позволява на моделите да се справят с много по-трудни въпроси от примерите, които са им показани.
Кои са двата основни етапа на подканването от най-малко към най-много?
Първо разделя проблема на подреден набор от по-лесни подвъпроси, след което решава всеки последователно.
Как се различава най-малко от най-малкото от стандартното подсказване по веригата на мислите?
Верига от мисли причини с едно преминаване; най-малко към най-много изрично разлага и свързва подотговорите заедно.
Каква способност по-специално демонстрира най-малкото към най-много при бенчмарка SCAN?
Решаваше дълги композиционни команди, въпреки че виждаше само кратки примери, показвайки лесни към трудни обобщения.
Защо редът на подвъпросите е важен?
Подзадачите са подредени така, че всеки зависи само от предварително решени, което позволява на отговорите да се натрупват правилно.
Как се използват междинните отговори по време на етапа на решаване?
Всеки решен подотговор се добавя към текущата подкана, така че следващите стъпки да имат нужните резултати.