Nejméně náročné
Výzva od nejméně po většinu rozděluje obtížný problém na posloupnost jednodušších dílčích problémů a řeší je tak, aby každá odpověď byla zdrojem další.
Přehled
Záleží na tom, protože to umožňuje modelům řešit otázky mnohem těžší, než jaké jim byly ukázány.
Hluboký ponor
Výzva od nejmenšího po většinu, kterou představil Zhou a kolegové na Google v roce 2022, má dvě fáze. Nejprve je model vyzván, aby rozložil složitou otázku na seřazený seznam snadnějších podotázek. Za druhé, řeší tyto dílčí otázky jednu po druhé a každou vyřešenou odpověď připojuje ke kontextu, takže pozdější kroky mohou stavět na dřívějších. To se liší od řetězu myšlenek, který zdůvodňuje jediným průchodem bez explicitního rozkladu. Výsledkem titulku byla silná, snadná až tvrdá generalizace: na benchmarku SCAN kompozičně-generalizace zobecnění vyřešilo nabádání od nejmenšího k největšímu velkou většinu dlouhých příkazů, i když příklady promptů byly krátké, kde standardní myšlenkový řetězec z velké části selhal.
Technický přehled
Síla pochází z oddělení plánování od provádění. Dekompozice vytváří řetězec uspořádaný podle závislostí, takže podproblém N spoléhá pouze na již vyřešené podproblémy. Každá vyřešená odpověď je zřetězena do běžící výzvy, což modelu dává mezivýsledky, které potřebuje, místo aby se po něm požadovalo, aby vše podržel jedním skokem. To snižuje nutnost uvažování, které musí každý jednotlivý krok provést, což je důvod, proč modely zobecňují na vstupy déle a tvrději než jakákoli jednotlivá demonstrace.
Strategický dopad
Rychlost a měřítko
Jazykové pracovní postupy se mohou pohybovat rychleji, aniž by byla obětována konzistentnost.
Přístup a dosah
Rozšiřuje přístup napříč jazyky a komunikačními styly.
Jasnější rozhodnutí
Týmy mohou strávit více času úsudkem, zatímco automatizace zvládne opakování.
Budoucnost pobízení od nejméně k většině
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.
Real-World Implementace
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
Rizika a zábradlí
Halucinovaná fakta mohou tiše vstupovat do zpráv, podpůrných toků nebo výstupů výzkumu.
Citlivost na výzvy může způsobit nekonzistentní výsledky napříč podobnými požadavky.
Citlivá textová data mohou být vystavena, pokud je řízení přístupu slabé.
Plán implementace
Před zavedením definujte výstupní formát, tón a standardy kvality.
Pozemní reakce s důvěryhodnými zdroji, kdykoli záleží na přesnosti.
Udržujte kontrolní bod lidské kontroly pro vysoce důležité výstupy.
Sledujte vzorce selhání a pravidelně opakujte výzvy nebo pracovní postupy.
Pokračujte v objevování
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
Další průvodce
Výzva naplánuj a vyřeš
Často kladené otázky
Co je to nejméně až nejvíc podnětů?
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.
Jaké jsou dvě hlavní fáze nabádání od nejméně k většině?
Nejprve rozdělí problém na uspořádanou sadu snadnějších podotázek a poté každou postupně řeší.
Jak se Least-to-Most liší od standardního myšlenkového nabádání?
Řetězce myšlenkových důvodů v jednom průchodu; nejméně-k-většinou explicitně rozkládá a spojuje dílčí odpovědi dohromady.
Jakou schopnost Least-to-Most výrazně prokázala v benchmarku SCAN?
Vyřešilo dlouhé kompoziční příkazy, přestože vidělo pouze krátké příklady, ukazující snadné až těžké zobecnění.
Proč je důležité pořadí podotázek?
Podproblémy jsou uspořádány tak, že každý závisí pouze na dříve vyřešených, aby se odpovědi vytvořily správně.
Jak se používají meziodpovědi ve fázi řešení?
Každá vyřešená dílčí odpověď je přidána do běžící výzvy, takže následné kroky mají výsledky, které potřebují.