Anjuran Paling Sedikit hingga Paling Banyak
Prompt Least-to-Most memecah masalah sulit menjadi serangkaian sub-masalah yang lebih sederhana, menyelesaikannya secara berurutan sehingga setiap jawaban memenuhi jawaban berikutnya.
Ikhtisar
It matters because it lets models tackle questions far harder than the examples they were shown.
Menyelam Lebih Dalam
Dorongan dari Paling Sedikit ke Paling Banyak, yang diperkenalkan oleh Zhou dan rekan-rekannya di Google pada tahun 2022, memiliki dua tahap. Pertama, model diminta untuk menguraikan pertanyaan kompleks menjadi daftar subpertanyaan yang lebih mudah. Kedua, ini menyelesaikan subpertanyaan tersebut satu per satu, menambahkan setiap jawaban yang terselesaikan ke dalam konteks sehingga langkah selanjutnya dapat melanjutkan langkah sebelumnya. Hal ini berbeda dengan rantai pemikiran, yang bernalar dalam satu alur tanpa dekomposisi eksplisit. Hasil utamanya adalah generalisasi yang mudah dan sulit: pada tolok ukur generalisasi komposisi SCAN, perintah yang paling sedikit hingga paling banyak menyelesaikan sebagian besar perintah yang panjang meskipun contoh cepatnya pendek, di mana rantai pemikiran standar sebagian besar gagal.
Wawasan Teknis
Kekuatan berasal dari pemisahan perencanaan dari pelaksanaan. Dekomposisi menghasilkan rantai terurut ketergantungan sehingga submasalah N hanya bergantung pada submasalah yang sudah diselesaikan. Setiap jawaban yang terselesaikan digabungkan ke dalam prompt yang sedang berjalan, memberikan model hasil antara yang dibutuhkan daripada memintanya untuk menahan semuanya dalam satu lompatan. Hal ini mengurangi alasan yang harus dilakukan setiap langkah, itulah sebabnya model menggeneralisasi masukan lebih lama dan lebih sulit daripada demonstrasi tunggal.
Dampak Strategis
Kecepatan dan skala
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Access and reach
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Clearer decisions
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Masa Depan dari Dorongan Paling Sedikit hingga Paling Banyak
Ide-ide yang Paling Sedikit hingga Paling Banyak kini mendukung banyak arsitektur agen dan perencana yang membagi tujuan menjadi sub-tugas yang diurutkan sebelum bertindak. Harapkan hibrida dengan penggunaan alat, di mana setiap subpertanyaan dapat memicu kalkulator, pencarian, atau panggilan kode, dan dengan konsistensi mandiri untuk subjawaban yang lebih kuat. Penelitian juga mengeksplorasi dekomposisi otomatis yang menyesuaikan kedalaman kesulitan masalah, dan menggabungkannya dengan verifikasi sehingga subjawaban awal yang salah tidak secara diam-diam merusak seluruh rantai hilir.
Implementasi Dunia Nyata
Memecahkan masalah kata multi-langkah dengan terlebih dahulu membuat daftar besaran yang akan dihitung, kemudian menghitungnya secara berurutan
Tugas bahasa komposisi seperti menerjemahkan instruksi panjang menjadi rangkaian tindakan dari contoh singkat
Menjawab pertanyaan penelitian yang kompleks dengan memecahnya menjadi sub-pertanyaan yang jawabannya digabungkan menjadi respon akhir
Menulis program dengan mendekomposisinya menjadi fungsi-fungsi pembantu yang diselesaikan satu per satu, masing-masing digunakan kembali pada langkah-langkah berikutnya
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Terus Menjelajah
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
Next guide
Anjuran Rencanakan dan Selesaikan
Pertanyaan yang sering diajukan
What is Least-to-Most Prompting?
Prompt Least-to-Most memecah masalah sulit menjadi serangkaian sub-masalah yang lebih sederhana, menyelesaikannya secara berurutan sehingga setiap jawaban memenuhi jawaban berikutnya. Hal ini penting karena memungkinkan model menjawab pertanyaan yang jauh lebih sulit daripada contoh yang ditunjukkan.
Apa saja dua tahap utama dari bisikan Paling Sedikit ke Paling Banyak?
Pertama-tama, pemecahan masalah menjadi serangkaian subpertanyaan yang lebih mudah, kemudian menyelesaikan masing-masing pertanyaan secara berurutan.
Apa perbedaan Least-to-Most dengan dorongan rantai pemikiran standar?
Alasan rantai pemikiran sekaligus; paling sedikit hingga paling banyak secara eksplisit menguraikan dan menyatukan subjawaban.
Kemampuan apa yang secara khusus ditunjukkan oleh Least-to-Most pada benchmark SCAN?
Ini menyelesaikan perintah komposisi yang panjang meskipun hanya melihat contoh singkat, menunjukkan generalisasi yang mudah hingga sulit.
Mengapa urutan subpertanyaan penting?
Submasalah disusun sedemikian rupa sehingga masing-masing hanya bergantung pada submasalah yang telah diselesaikan sebelumnya, sehingga jawaban dapat disusun dengan benar.
Bagaimana jawaban perantara digunakan selama tahap penyelesaian?
Setiap subjawaban yang terselesaikan ditambahkan ke perintah yang sedang berjalan sehingga langkah selanjutnya memberikan hasil yang diperlukan.