कम से कम सबसे अधिक संकेत देने वाला
कम से कम-अधिकतम संकेत एक कठिन समस्या को सरल उप-समस्याओं के अनुक्रम में तोड़ता है, उन्हें इस क्रम में हल करता है ताकि प्रत्येक उत्तर अगले को फीड कर सके।
सिंहावलोकन
It matters because it lets models tackle questions far harder than the examples they were shown.
गहरा गोता
2022 में Google में झोउ और सहकर्मियों द्वारा शुरू की गई कम से कम-से-ज्यादा प्रॉम्प्टिंग के दो चरण हैं। सबसे पहले, मॉडल को एक जटिल प्रश्न को आसान उपप्रश्नों की क्रमबद्ध सूची में विघटित करने के लिए प्रेरित किया जाता है। दूसरा, यह उन उपप्रश्नों को एक-एक करके हल करता है, प्रत्येक हल किए गए उत्तर को संदर्भ में जोड़ता है ताकि बाद के चरण पहले वाले पर आधारित हो सकें। यह विचार-श्रृंखला से भिन्न है, जो स्पष्ट विघटन के बिना एक ही मार्ग में कारण बनता है। शीर्षक परिणाम मजबूत आसान-से-कठिन सामान्यीकरण था: SCAN संरचना-सामान्यीकरण बेंचमार्क पर, कम से कम-से-अधिक संकेत ने लंबे आदेशों के एक बड़े बहुमत को हल किया, भले ही त्वरित उदाहरण छोटे थे, जहां मानक श्रृंखला-विचार काफी हद तक विफल रहा।
तकनीकी अंतर्दृष्टि
शक्ति योजना को क्रियान्वयन से अलग करने से आती है। अपघटन एक निर्भरता-आदेशित श्रृंखला का निर्माण करता है ताकि उप-समस्या एन केवल पहले से ही हल की गई उप-समस्याओं पर निर्भर हो। प्रत्येक हल किए गए उत्तर को रनिंग प्रॉम्प्ट में संयोजित किया जाता है, जिससे मॉडल को एक छलांग में सब कुछ पकड़ने के लिए कहने के बजाय आवश्यक मध्यवर्ती परिणाम मिलते हैं। यह प्रत्येक व्यक्तिगत कदम के लिए आवश्यक तर्क को कम कर देता है, यही कारण है कि मॉडल किसी भी एकल प्रदर्शन की तुलना में लंबे और कठिन इनपुट को सामान्यीकृत करते हैं।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
कम से कम सबसे अधिक संकेत देने का भविष्य
कम से कम अधिकांश विचार अब कई एजेंट और योजनाकार आर्किटेक्चर को रेखांकित करते हैं जो कार्य करने से पहले लक्ष्यों को क्रमबद्ध उपकार्यों में विभाजित करते हैं। टूल के उपयोग के साथ हाइब्रिड की अपेक्षा करें, जहां प्रत्येक उपप्रश्न एक कैलकुलेटर, खोज, या कोड कॉल को ट्रिगर कर सकता है, और अधिक मजबूत उपउत्तरों के लिए स्व-संगति के साथ। अनुसंधान स्वचालित अपघटन की भी खोज कर रहा है जो समस्या की कठिनाई के अनुसार गहराई को अनुकूलित करता है, और इसे सत्यापन के साथ जोड़ रहा है ताकि एक गलत प्रारंभिक उपउत्तर पूरी डाउनस्ट्रीम श्रृंखला को चुपचाप भ्रष्ट न कर दे।
वास्तविक विश्व कार्यान्वयन
पहले गणना करने के लिए मात्राओं को सूचीबद्ध करके, फिर उन्हें क्रम में गणना करके एक बहु-चरणीय शब्द समस्या को हल करना
संरचनागत भाषा के कार्य जैसे लंबे निर्देशों को छोटे उदाहरणों से क्रिया अनुक्रमों में अनुवाद करना
किसी जटिल शोध प्रश्न को उप-प्रश्नों में तोड़कर उत्तर देना, जिनके उत्तर मिलकर अंतिम प्रतिक्रिया बनाते हैं
किसी प्रोग्राम को सहायक फ़ंक्शंस में विघटित करके लिखने से एक समय में एक हल हो जाता है, प्रत्येक को बाद के चरणों में पुन: उपयोग किया जाता है
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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
अगली गाइड
योजना-और-समाधान संकेत
अक्सर पूछे जाने वाले प्रश्नों
What is Least-to-Most Prompting?
कम से कम-अधिकतम संकेत एक कठिन समस्या को सरल उप-समस्याओं के अनुक्रम में तोड़ता है, उन्हें इस क्रम में हल करता है ताकि प्रत्येक उत्तर अगले को फीड कर सके। यह मायने रखता है क्योंकि यह मॉडलों को दिखाए गए उदाहरणों की तुलना में कहीं अधिक कठिन प्रश्नों से निपटने देता है।
न्यूनतम-से-अधिकतम संकेतन के दो मुख्य चरण क्या हैं?
यह पहले समस्या को आसान उपप्रश्नों के क्रमबद्ध सेट में तोड़ता है, फिर प्रत्येक को क्रम से हल करता है।
न्यूनतम-से-अधिकतम मानक विचार श्रृंखला प्रेरणा से किस प्रकार भिन्न है?
एक बार में विचार श्रृंखला के कारण; कम से कम-से-अधिक स्पष्ट रूप से विघटित होता है और उपउत्तरों को एक साथ जोड़ता है।
SCAN बेंचमार्क पर सबसे कम-से-ज्यादा ने कौन सी क्षमता उल्लेखनीय रूप से प्रदर्शित की?
केवल छोटे उदाहरण देखने और आसान से कठिन सामान्यीकरण दिखाने के बावजूद इसने लंबे कंपोजिटल कमांड को हल किया।
उपप्रश्नों का क्रम क्यों महत्वपूर्ण है?
उपसमस्याओं को इस प्रकार व्यवस्थित किया गया है कि प्रत्येक केवल पहले हल की गई समस्याओं पर निर्भर करती है, जिससे उत्तर सही ढंग से बनते हैं।
हल करने के चरण के दौरान मध्यवर्ती उत्तरों का उपयोग कैसे किया जाता है?
प्रत्येक हल किए गए उपउत्तर को रनिंग प्रॉम्प्ट में जोड़ा जाता है ताकि बाद के चरणों में उनके लिए आवश्यक परिणाम हों।