A continuaciónSiguiente guía
Indicaciones socráticas que hacen que la IA te enseñe
Idioma IA
GUÍA de IA en idiomas
De menor a mayor estímulo
Las indicaciones de menor a mayor dividen un problema difícil en una secuencia de subproblemas más simples y los resuelven en orden para que cada respuesta alimente la siguiente.
Escuche esta guíaNarrado por IA · ~2 min
En esta pagina2 minutos de lectura
Descripción general
Es importante porque permite a los modelos abordar cuestiones mucho más difíciles que los ejemplos que se les mostraron.
Buceo profundo
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.
Implementación en el mundo real
Resolver un problema escrito de varios pasos enumerando primero las cantidades a calcular y luego calculándolas en orden
Tareas de lenguaje compositivo como traducir instrucciones largas en secuencias de acción a partir de ejemplos cortos.
Responder una pregunta de investigación compleja dividiéndola en subpreguntas cuyas respuestas se combinan en la respuesta final
Escribir un programa descomponiéndolo en funciones auxiliares resueltas una a la vez, cada una reutilizada en pasos posteriores
El futuro del estímulo de menor a mayor
Las ideas de menos a más ahora sustentan muchas arquitecturas de agentes y planificadores que dividen los objetivos en subtareas ordenadas antes de actuar. Espere híbridos con uso de herramientas, donde cada subpregunta puede desencadenar una calculadora, una búsqueda o una llamada de código, y con coherencia propia para respuestas secundarias más sólidas. La investigación también está explorando la descomposición automática que adapta la profundidad a la dificultad del problema y la combina con la verificación para que una subanrespuesta temprana incorrecta no corrompa silenciosamente toda la cadena descendente.
Poniéndolo en práctica
Por qué es importante
- Velocidad y escala. Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
- Acceso y alcance. Amplía el acceso a través de idiomas y estilos de comunicación.
- Decisiones más claras. Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
cuidado con
- Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
- La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
- Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Próximos pasos
- Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
- Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
- Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
- Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Least-to-Most Prompting quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es el estímulo de menor a mayor?
Las indicaciones de menor a mayor dividen un problema difícil en una secuencia de subproblemas más simples y los resuelven en orden para que cada respuesta alimente la siguiente. Es importante porque permite a los modelos abordar cuestiones mucho más difíciles que los ejemplos que se les mostraron.
¿Cuáles son las dos etapas principales de la motivación de menor a mayor?
Primero divide el problema en un conjunto ordenado de subpreguntas más sencillas y luego resuelve cada una de ellas en secuencia.
¿En qué se diferencia el de menor a mayor de las indicaciones de cadena de pensamiento estándar?
Razones en cadena de pensamiento de una sola vez; de menor a mayor descompone explícitamente y encadena subrespuestas.
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.
¿Por qué es importante el orden de las subpreguntas?
Los subproblemas están organizados de manera que cada uno dependa únicamente de los resueltos previamente, lo que permite que las respuestas se desarrollen correctamente.
¿Cómo se utilizan las respuestas intermedias durante la etapa de resolución?
Cada subanrespuesta resuelta se agrega al mensaje en ejecución para que los pasos siguientes tengan los resultados que necesitan.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.