DalšíDalší průvodce
Sokratovy výzvy, díky nimž vás AI naučí
Jazyk AI
Jazyk AI GUIDE
Výzva od nejméně po většinu rozděluje obtížný problém na posloupnost jednodušších dílčích problémů a řeší je tak, aby každá odpověď byla zdrojem další.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Záleží na tom, protože to umožňuje modelům řešit otázky mnohem těžší, než jaké jim byly ukázány.
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.
Řešení vícekrokového slovního problému tak, že nejprve vypíšete množství, která se mají vypočítat, a poté je vypočítáte v pořadí
Úlohy v kompozičním jazyce, jako je překlad dlouhých instrukcí do akčních sekvencí z krátkých příkladů
Odpověď na složitou výzkumnou otázku jejím rozdělením na dílčí otázky, jejichž odpovědi se spojí do konečné odpovědi
Psaní programu jeho rozložením na pomocné funkce se vyřešilo jedna po druhé, přičemž každá byla znovu použita v pozdějších krocích
Nápady od nejméně po většinu nyní podporují mnoho architektur agentů a plánovačů, které rozdělují cíle do uspořádaných dílčích úkolů, než začnou jednat. Očekávejte hybridy s použitím nástrojů, kde každá dílčí otázka může spustit kalkulačku, vyhledávání nebo kódové volání, a se sebekonzistencí pro robustnější dílčí odpovědi. Výzkum také zkoumá automatickou dekompozici, která přizpůsobuje hloubku obtížnosti problému, a kombinuje ji s ověřováním, aby nesprávná časná dílčí odpověď v tichosti nenarušila celý downstreamový řetězec.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Výzva od nejméně po většinu rozděluje obtížný problém na posloupnost jednodušších dílčích problémů a řeší je tak, aby každá odpověď byla zdrojem další. Je to důležité, protože umožňuje modelům řešit otázky mnohem tvrději než příklady, které byly uvedeny.
Nejprve rozdělí problém na uspořádanou sadu snadnějších podotázek a poté každou postupně řeší.
Řetězce myšlenkových důvodů v jednom průchodu; nejméně-k-většinou explicitně rozkládá a spojuje dílčí odpovědi dohromady.
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.
Podproblémy jsou uspořádány tak, že každý závisí pouze na dříve vyřešených, aby se odpovědi vytvořily správně.
Každá vyřešená dílčí odpověď je přidána do běžící výzvy, takže následné kroky mají výsledky, které potřebují.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Sokratovy výzvy, díky nimž vás AI naučí
Jazyk AI