SelanjutnyaPanduan berikutnya
Anjuran Socrates yang Membuat AI Mengajari Anda
Bahasa AI
PANDUAN AI Bahasa
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.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Hal ini penting karena memungkinkan model menjawab pertanyaan yang jauh lebih sulit daripada contoh yang ditunjukkan.
Menyelam Lebih Dalam
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.
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
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.
Mempraktikkannya
Mengapa itu penting
- Kecepatan dan skala. Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
- Akses dan jangkauan. Ini memperluas akses lintas bahasa dan gaya komunikasi.
- Keputusan yang lebih jelas. Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Hati-hati
- 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.
Langkah selanjutnya
- 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
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Least-to-Most Prompting quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa yang dimaksud dengan 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. 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.
What kind of task does the SCAN benchmark use to test compositional generalization?
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.
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.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini