Geringste bis größte Aufforderung
Beim Least-to-Most-Prompt wird ein schwieriges Problem in eine Folge einfacherer Teilprobleme zerlegt und diese der Reihe nach gelöst, sodass jede Antwort in die nächste einfließt.
Übersicht
It matters because it lets models tackle questions far harder than the examples they were shown.
Tiefer Einblick
Das von Zhou und Kollegen bei Google im Jahr 2022 eingeführte Least-to-Most-Prompting besteht aus zwei Phasen. Zunächst wird das Modell aufgefordert, eine komplexe Frage in eine geordnete Liste einfacherer Unterfragen zu zerlegen. Zweitens werden diese Unterfragen einzeln gelöst und jede gelöste Antwort an den Kontext angehängt, sodass spätere Schritte auf früheren aufbauen können. Dies unterscheidet sich von der Gedankenkette, die in einem einzigen Durchgang ohne explizite Zerlegung argumentiert. Das Hauptergebnis war eine starke Verallgemeinerung von einfach zu schwer: Beim SCAN-Benchmark zur kompositorischen Generalisierung löste die Eingabeaufforderung mit der geringsten bis zur größten Eingabeaufforderung einen Großteil der langen Befehle, obwohl die Eingabeaufforderungsbeispiele kurz waren und die Standard-Gedankenkette weitgehend versagte.
Technischer Einblick
Die Kraft liegt in der Trennung von Planung und Ausführung. Durch die Zerlegung entsteht eine nach Abhängigkeiten geordnete Kette, sodass Teilproblem N nur auf bereits gelösten Teilproblemen beruht. Jede gelöste Antwort wird in der laufenden Eingabeaufforderung verkettet, wodurch das Modell die Zwischenergebnisse erhält, die es benötigt, anstatt es aufzufordern, alles in einem Sprung zu speichern. Dies reduziert die Argumentation, die jeder einzelne Schritt ausführen muss, weshalb die Verallgemeinerung von Modellen auf Eingaben länger und schwieriger ist als bei jeder einzelnen Demonstration.
Strategische Auswirkungen
Geschwindigkeit und Umfang
Sprachworkflows können schneller ablaufen, ohne dass die Konsistenz darunter leidet.
Zugang und Erreichbarkeit
Es erweitert den Zugang über Sprachen und Kommunikationsstile hinweg.
Klarere Entscheidungen
Teams können mehr Zeit für die Beurteilung aufwenden, während die Automatisierung die Wiederholungen bewältigt.
Die Zukunft des Least-to-Most-Prompting
Least-to-Most-Ideen liegen mittlerweile vielen Agenten- und Planerarchitekturen zugrunde, die Ziele vor der Umsetzung in geordnete Teilaufgaben aufteilen. Erwarten Sie Hybriden mit Tool-Einsatz, bei denen jede Unterfrage einen Taschenrechner, eine Suche oder einen Codeaufruf auslösen kann, und mit Selbstkonsistenz für robustere Unterantworten. Die Forschung erforscht außerdem die automatische Zerlegung, die die Tiefe an die Problemschwierigkeit anpasst, und kombiniert sie mit der Verifizierung, damit eine falsche frühe Teilantwort nicht stillschweigend die gesamte nachgelagerte Kette beschädigt.
Reale Umsetzung
Lösung einer mehrstufigen Textaufgabe, indem zunächst die zu berechnenden Größen aufgelistet und dann der Reihe nach berechnet werden
Kompositorische Sprachaufgaben wie die Übersetzung langer Anweisungen in Aktionssequenzen aus kurzen Beispielen
Beantwortung einer komplexen Forschungsfrage durch Aufteilung in Unterfragen, deren Antworten sich zur endgültigen Antwort zusammenfügen
Das Schreiben eines Programms durch Zerlegen in Hilfsfunktionen, die einzeln gelöst und in späteren Schritten wiederverwendet werden
Risiken und Leitplanken
Halluzinierte Fakten können still und leise in Berichte, Support-Flows oder Forschungsergebnisse einfließen.
Eine schnelle Sensibilität kann bei ähnlichen Anfragen zu inkonsistenten Ergebnissen führen.
Sensible Textdaten können offengelegt werden, wenn die Zugriffskontrollen schwach sind.
Implementierungs-Roadmap
Definieren Sie vor dem Rollout Ausgabeformat, Ton und Qualitätsstandards.
Bodenantworten mit vertrauenswürdigen Quellen, wann immer es auf Genauigkeit ankommt.
Halten Sie einen Kontrollpunkt für die menschliche Überprüfung für Ergebnisse mit hohem Risiko ein.
Verfolgen Sie Fehlermuster und trainieren Sie Eingabeaufforderungen oder Arbeitsabläufe regelmäßig neu.
Entdecken Sie weiter
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
Nächster Leitfaden
Aufforderung zum Planen und Lösen
Häufig gestellte Fragen
What is Least-to-Most Prompting?
Beim Least-to-Most-Prompt wird ein schwieriges Problem in eine Folge einfacherer Teilprobleme zerlegt und diese der Reihe nach gelöst, sodass jede Antwort in die nächste einfließt. Es ist wichtig, weil es den Modellen ermöglicht, Fragen viel härter anzugehen als die Beispiele, die ihnen gezeigt wurden.
Was sind die beiden Hauptphasen des Least-to-Most-Prompting?
Das Problem wird zunächst in eine geordnete Reihe einfacherer Unterfragen unterteilt und dann jede nacheinander gelöst.
Wie unterscheidet sich „Least-to-Most“ von der Standard-Gedankenkettenaufforderung?
Gedankenkettengründe in einem Durchgang; „Least to Most“ zerlegt und verkettet Teilantworten explizit.
Welche Leistungsfähigkeit hat Least-to-Most beim SCAN-Benchmark besonders deutlich gezeigt?
Es löste lange Kompositionsbefehle, obwohl es nur kurze Beispiele sah, und zeigte eine einfache bis schwierige Verallgemeinerung.
Warum ist die Reihenfolge der Unterfragen wichtig?
Die Unterprobleme sind so angeordnet, dass jedes nur von zuvor gelösten Problemen abhängt, sodass sich die Antworten korrekt aufbauen können.
Wie werden Zwischenantworten während der Lösungsphase verwendet?
Jede gelöste Teilantwort wird zur laufenden Eingabeaufforderung hinzugefügt, sodass nachfolgende Schritte die benötigten Ergebnisse liefern.