СледваСледващо ръководство
Сократови съвети, които карат AI да ви учи
Езиков AI
Език AI РЪКОВОДСТВО
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.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
It matters because it lets models tackle questions far harder than the examples they were shown.
Дълбоко гмуркане
Least-to-Most prompting, introduced by Zhou and colleagues at Google in 2022, has two stages. First, the model is prompted to decompose a complex question into an ordered list of easier subquestions. Second, it solves those subquestions one at a time, appending each solved answer to the context so later steps can build on earlier ones. This differs from chain-of-thought, which reasons in a single pass without explicit decomposition. The authors evaluated symbolic manipulation, math reasoning, and SCAN, a compositional-generalization benchmark built from natural-language commands. For the specific SCAN setup using GPT-3 code-davinci-002 and 14 exemplars, Least-to-Most reached at least 99% accuracy across the tested splits, including the length split, compared with 16% for chain-of-thought prompting. This is a result for that model, prompt setup, and benchmark, not a general accuracy guarantee.
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
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.
Прилагайки го на практика
Защо има значение
- Скорост и мащаб. Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
- Достъп и обхват. Той разширява достъпа между езици и стилове на комуникация.
- По-ясни решения. Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Внимавайте за
- 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.
Следващи стъпки
- 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
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Least-to-Most Prompting quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
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.
What kind of task does the SCAN benchmark use to test compositional generalization?
SCAN tests compositional generalization using commands that map language to action sequences; the Least-to-Most paper evaluates whether prompts transfer to harder command compositions.
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.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема