Du moins au plus d'invites
Les invites du moins au plus divisent un problème difficile en une séquence de sous-problèmes plus simples, les résolvant dans l'ordre afin que chaque réponse alimente la suivante.
Aperçu
It matters because it lets models tackle questions far harder than the examples they were shown.
Plongée profonde
L'incitation du moins au plus, introduite par Zhou et ses collègues à Google en 2022, comporte deux étapes. Premièrement, le modèle est invité à décomposer une question complexe en une liste ordonnée de sous-questions plus simples. Deuxièmement, il résout ces sous-questions une par une, en ajoutant chaque réponse résolue au contexte afin que les étapes ultérieures puissent s'appuyer sur les précédentes. Cela diffère de la chaîne de pensée, qui raisonne en un seul passage sans décomposition explicite. Le résultat principal a été une forte généralisation facile à difficile : sur le test de généralisation compositionnelle SCAN, les invites du moins au plus ont résolu une grande majorité de commandes longues, même si les exemples d'invites étaient courts, là où la chaîne de pensée standard a largement échoué.
Aperçu technique
Le pouvoir vient de la séparation entre la planification et l’exécution. La décomposition produit une chaîne ordonnée par dépendances de sorte que le sous-problème N ne repose que sur des sous-problèmes déjà résolus. Chaque réponse résolue est concaténée dans l'invite en cours d'exécution, donnant au modèle les résultats intermédiaires dont il a besoin plutôt que de lui demander de tout conserver d'un seul coup. Cela réduit le raisonnement que chaque étape individuelle doit effectuer, c'est pourquoi les modèles se généralisent à des entrées plus longues et plus difficiles que n'importe quelle démonstration unique.
Impact stratégique
Vitesse et échelle
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Accès et portée
Il étend l’accès à toutes les langues et styles de communication.
Décisions plus claires
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
L’avenir de l’incitation du moins au plus
Les idées du moins au plus sous-tendent désormais de nombreuses architectures d'agents et de planificateurs qui divisent les objectifs en sous-tâches ordonnées avant d'agir. Attendez-vous à des hybrides avec l'utilisation d'outils, où chaque sous-question peut déclencher une calculatrice, une recherche ou un appel de code, et avec une auto-cohérence pour des sous-réponses plus robustes. La recherche explore également la décomposition automatique qui adapte la profondeur à la difficulté du problème et la combine avec la vérification afin qu'une sous-réponse erronée ne corrompt pas silencieusement l'ensemble de la chaîne en aval.
Mise en œuvre dans le monde réel
Résoudre un problème de mots en plusieurs étapes en répertoriant d'abord les quantités à calculer, puis en les calculant dans l'ordre
Tâches de langage compositionnel telles que traduire de longues instructions en séquences d'action à partir d'exemples courts
Répondre à une question de recherche complexe en la divisant en sous-questions dont les réponses se combinent dans la réponse finale
Écrire un programme en le décomposant en fonctions d'assistance résolues une par une, chacune réutilisée lors d'étapes ultérieures
Risques et garde-fous
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
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
Guide suivant
Invite de planification et de résolution
Questions fréquemment posées
What is Least-to-Most Prompting?
Les invites du moins au plus divisent un problème difficile en une séquence de sous-problèmes plus simples, les résolvant dans l'ordre afin que chaque réponse alimente la suivante. C’est important car cela permet aux modèles d’aborder des questions bien plus difficiles que les exemples qui leur ont été présentés.
Quelles sont les deux étapes principales de l’incitation du moins au plus ?
Il divise d'abord le problème en un ensemble ordonné de sous-questions plus simples, puis les résout chacune dans l'ordre.
En quoi la méthode du moins au plus diffère-t-elle des invites de chaîne de pensée standard ?
Des raisons de chaîne de pensée en un seul passage ; du moins au plus décompose et enchaîne explicitement les sous-réponses.
Quelle capacité le moins au plus a-t-il notamment démontrée sur le benchmark SCAN ?
Il a résolu de longues commandes de composition malgré le fait de ne voir que de courts exemples, montrant une généralisation facile à difficile.
Pourquoi l’ordre des sous-questions est-il important ?
Les sous-problèmes sont organisés de manière à ce que chacun ne dépende que de ceux résolus précédemment, permettant ainsi aux réponses de s'accumuler correctement.
Comment les réponses intermédiaires sont-elles utilisées pendant la phase de résolution ?
Chaque sous-réponse résolue est ajoutée à l'invite en cours d'exécution afin que les étapes suivantes obtiennent les résultats dont elles ont besoin.