LegközelebbKövetkező útmutató
Socratic felszólítások, amelyek az AI-t tanítják
Nyelvi AI
Nyelvi AI ÚTMUTATÓ
Az analóg és a Step-Back felszólítás egyaránt elvezeti a modellt a magasabb szintű érveléshez: az analóg felszólítás hasonló megoldott problémákra emlékeztet, míg a visszalépés a mögöttes elvet vezeti le, mielőtt a konkrétumokat kezelné.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Fontosak, mert az absztrakció gyakran felülmúlja a részletekbe való belemerülést.
Ez két kapcsolódó Google-kutatási technika 2023-ból az érvelés javítására. Yasunaga és munkatársai analóg felszólítás arra kéri a modellt, hogy a célprobléma megoldása előtt generáljon magának néhány releváns példát, hasonló problémákat, amelyeket hatékonyan látott, és azok megoldásait, mielőtt megoldaná a célprobléma megoldását, így nincs szükség kézzel írott példákra. A Zheng és munkatársai által írt Step-Back felszólítás ehelyett először egy absztrakciós kérdést tesz fel ("milyen általános elv vagy tény szabályozza ezt?"), előkeresi vagy indokolja ezt az elvet, majd alkalmazza a konkrét kérdésre. Mindkettő távol tartja a modellt az idő előtti részletektől. A Step-Back javulást mutatott a fizika és a kémia kérdéseiben, valamint a többugrásos érvelésben, míg az analógiával a matematika és a kódgenerálás jobb lett azáltal, hogy az egyes problémákhoz példákat szabott.
Fizikai kérdés megválaszolása először a vonatkozó törvény (pl. Newton második törvénye) kimondásával visszalépéssel, majd számok megadásával
Egy új matematikai feladat megoldása úgy, hogy a modell felidéz néhány hasonló megoldott feladatot analóg felszólítással
Egy többugrásos triviális kérdés megválaszolása úgy, hogy visszalép a szélesebb kategóriához vagy entitáshoz, mielőtt a tényeket láncolná
Kód előállítása egy analóg algoritmus öngenerálásával és megoldásával, majd adaptálása az aktuális feladathoz
Várhatóan ezek az absztrakciós minták összeolvadnak a visszakereső rendszerekkel, ahol a visszalépés elve egy tudásbázis pontos lekérdezésévé válik, valamint az ügynöktervezőkkel, akik a stratégiát a taktikázás előtt okosítják. A kutatás finomodik, amikor a saját generált analógiák segítenek, szemben azzal, amikor irreleváns vagy téves példákat vezetnek be, és a visszalépést a verifikációval kombinálják, így a választott elvet ellenőrizni kell, mielőtt súlyos érvelés épülne rá. Valószínűleg alapértelmezettek az érvelésre hangolt modellekben.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az analóg és a Step-Back felszólítás egyaránt elvezeti a modellt a magasabb szintű érveléshez: az analóg felszólítás hasonló megoldott problémákra emlékeztet, míg a visszalépés a mögöttes elvet vezeti le, mielőtt a konkrétumokat kezelné. Fontosak, mert az absztrakció gyakran felülmúlja a részletekbe való belemerülést.
Az analóg felszólítás arra készteti a modellt, hogy saját releváns példákat és megoldásokat generáljon a problémára szabva.
A Step-Back először egy absztrakciós kérdést tesz fel, hogy felszínre hozza a problémát irányító elvet vagy tényt.
Az irányadó elv megfogalmazása először irányítja és korlátozza a részletes lépéseket, csökkentve a hibák esélyét.
A Step-Back javította a teljesítményt a tudományos kérdésekben és a többugrásos érvelésben azáltal, hogy először elvonatkoztatott.
Mivel a modell feltalálja a maga analógiáit, ezek a példák néha irrelevánsak vagy helytelenek, ami rontja a választ.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Socratic felszólítások, amelyek az AI-t tanítják
Nyelvi AI