LegközelebbKövetkező útmutató
Socratic felszólítások, amelyek az AI-t tanítják
Nyelvi AI
Nyelvi AI ÚTMUTATÓ
A legkevesebbtől a legtöbbig felszólítás egy nehéz feladatot egyszerűbb részproblémák sorozatára bont, és sorrendben oldja meg őket, így minden válasz táplálja a következőt.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It matters because it lets models tackle questions far harder than the examples they were shown.
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.
Többlépéses szöveges feladat megoldása úgy, hogy először felsorolja a kiszámítandó mennyiségeket, majd sorrendben számítja ki őket
Kompozíciós nyelvi feladatok, mint például a hosszú utasítások lefordítása rövid példákból műveletsorokká
Egy összetett kutatási kérdés megválaszolása részkérdésekre bontással, amelyek válaszai a végső válaszban egyesülnek
Program írása úgy, hogy egyenként megoldott segítő függvényekre bontja, mindegyiket későbbi lépésekben újra felhasználják
A „Least-to-Most” ötletek ma már számos ügynök- és tervezőarchitektúra alapját képezik, amelyek a célokat rendezett részfeladatokra osztják fel, mielőtt cselekednének. Várható hibridek az eszközhasználattal, ahol minden részkérdés számológépet, keresést vagy kódhívást indíthat el, valamint önkonzisztenciával a robusztusabb részválaszok érdekében. A kutatások az automatikus lebontást is vizsgálják, amely a mélységet a probléma nehézségeihez igazítja, és ezt verifikációval kombinálja, hogy egy rossz korai részválasz ne rontsa csendben a teljes alsó láncot.
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
A legkevesebbtől a legtöbbig felszólítás egy nehéz feladatot egyszerűbb részproblémák sorozatára bont, és sorrendben oldja meg őket, így minden válasz táplálja a következőt. Ez azért fontos, mert lehetővé teszi a modellek számára, hogy sokkal nehezebb kérdéseket oldjanak meg, mint a bemutatott példák.
Először egyszerűbb részkérdések rendezett halmazára bontja a problémát, majd mindegyiket sorrendben oldja meg.
Gondolatlánc-okok egy menetben; a legkevésbé a legkifejezetten bontja és összeláncolja a részválaszokat.
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.
A részfeladatok úgy vannak elrendezve, hogy mindegyik csak a korábban megoldottakon múlik, így a válaszok helyesen épülhetnek fel.
Minden egyes megoldott részválasz hozzáadódik a futó prompthoz, így a következő lépések meghozzák a szükséges eredményeket.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Socratic felszólítások, amelyek az AI-t tanítják
Nyelvi AI