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.
Descripción general
It matters because it lets models tackle questions far harder than the examples they were shown.
Buceo profundo
Las indicaciones de menor a mayor, presentadas por Zhou y sus colegas en Google en 2022, tienen dos etapas. Primero, se solicita al modelo que descomponga una pregunta compleja en una lista ordenada de subpreguntas más sencillas. En segundo lugar, resuelve esas subpreguntas una a la vez, añadiendo cada respuesta resuelta al contexto para que los pasos posteriores puedan basarse en los anteriores. Esto difiere de la cadena de pensamiento, que razona en un solo paso sin descomposición explícita. El resultado principal fue una generalización fuerte, fácil a difícil: en el punto de referencia de generalización composicional de SCAN, las indicaciones de menor a mayor resolvieron una gran mayoría de comandos largos a pesar de que los ejemplos de indicaciones eran cortos, donde la cadena de pensamiento estándar fallaba en gran medida.
Información técnica
El poder proviene de separar la planificación de la ejecución. La descomposición produce una cadena ordenada por dependencia, de modo que el subproblema N solo depende de subproblemas ya resueltos. Cada respuesta resuelta se concatena en el mensaje en ejecución, lo que le da al modelo los resultados intermedios que necesita en lugar de pedirle que mantenga todo de un solo salto. Esto reduce el razonamiento que debe realizar cada paso individual, razón por la cual los modelos se generalizan a las entradas durante más tiempo y con mayor dificultad que cualquier demostración individual.
Impacto Estratégico
Speed and scale
Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
Access and reach
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.
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.
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
Riesgos y barandillas
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.
Hoja de ruta de implementación
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
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
Siguiente guía
Indicaciones para planificar y resolver
Preguntas frecuentes
What is Least-to-Most Prompting?
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.
¿Qué capacidad demostró de menor a mayor en particular en el punto de referencia SCAN?
Resolvió comandos de composición largos a pesar de ver solo ejemplos cortos, lo que muestra una generalización fácil a difícil.
¿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.