Suggerimenti dal minimo al massimo
Il suggerimento dal minimo al massimo suddivide un problema difficile in una sequenza di sottoproblemi più semplici, risolvendoli in ordine in modo che ciascuna risposta alimenti quella successiva.
Panoramica
È importante perché consente ai modelli di affrontare domande molto più difficili rispetto agli esempi mostrati.
Immersione profonda
Il suggerimento Least-to-Most, introdotto da Zhou e colleghi presso Google nel 2022, ha due fasi. Innanzitutto, al modello viene richiesto di scomporre una domanda complessa in un elenco ordinato di sottodomande più semplici. In secondo luogo, risolve le sottodomande una alla volta, aggiungendo ciascuna risposta risolta al contesto in modo che i passaggi successivi possano basarsi su quelli precedenti. Ciò differisce dalla catena di pensiero, che ragiona in un unico passaggio senza scomposizione esplicita. Il risultato principale è stata una forte generalizzazione da facile a difficile: sul benchmark di generalizzazione composizionale SCAN, i suggerimenti dal minimo al massimo hanno risolto una grande maggioranza di comandi lunghi anche se gli esempi di prompt erano brevi, dove la catena di pensiero standard in gran parte ha fallito.
Approfondimento tecnico
Il potere deriva dalla separazione della pianificazione dall’esecuzione. La scomposizione produce una catena ordinata per dipendenza in modo che il sottoproblema N si basi solo su sottoproblemi già risolti. Ogni risposta risolta viene concatenata nel prompt in esecuzione, fornendo al modello i risultati intermedi di cui ha bisogno invece di chiedergli di tenere tutto in un solo salto. Ciò riduce il ragionamento che ogni singolo passaggio deve eseguire, motivo per cui i modelli si generalizzano a input più lunghi e più difficili di ogni singola dimostrazione.
Impatto strategico
Velocità e scala
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza.
Accedere e raggiungere
Espande l'accesso attraverso lingue e stili di comunicazione.
Decisioni più chiare
I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione.
Il futuro del suggerimento dal minimo al massimo
Le idee del metodo meno-a-più sono ora alla base di molte architetture di agenti e pianificatori che dividono gli obiettivi in sottoattività ordinate prima di agire. Aspettatevi ibridi con l'uso di strumenti, in cui ciascuna domanda secondaria può attivare una calcolatrice, una ricerca o una chiamata di codice e con autocoerenza per risposte secondarie più robuste. La ricerca sta anche esplorando la scomposizione automatica che adatta la profondità alla difficoltà del problema e combinandola con la verifica in modo che una risposta secondaria errata non corrompe silenziosamente l'intera catena a valle.
Implementazione nel mondo reale
Risolvere un problema di parole in più passaggi elencando prima le quantità da calcolare, quindi calcolandole in ordine
Compiti del linguaggio compositivo come tradurre lunghe istruzioni in sequenze di azioni da brevi esempi
Rispondere a una domanda di ricerca complessa suddividendola in sotto-domande le cui risposte si combinano nella risposta finale
Scrivere un programma scomponendolo in funzioni helper risolte una alla volta, ciascuna riutilizzata dai passaggi successivi
Rischi e guardrail
Fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca.
La sensibilità tempestiva può creare risultati incoerenti tra richieste simili.
I dati di testo sensibili potrebbero essere esposti se i controlli di accesso sono deboli.
Tabella di marcia per l'implementazione
Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione.
Risposte concrete con fonti attendibili ogni volta che la precisione è importante.
Mantenere un checkpoint di revisione umana per i risultati ad alto rischio.
Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro.
Continua a esplorare
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
Prossima guida
Prompt Pianifica e Risolvi
Domande frequenti
Cos'è il prompt dal minimo al massimo?
Il suggerimento dal minimo al massimo suddivide un problema difficile in una sequenza di sottoproblemi più semplici, risolvendoli in ordine in modo che ciascuna risposta alimenti quella successiva. È importante perché consente ai modelli di affrontare domande molto più difficili rispetto agli esempi mostrati.
Quali sono le due fasi principali del prompt Least-to-Most?
Innanzitutto suddivide il problema in una serie ordinata di sottodomande più semplici, quindi le risolve ciascuna in sequenza.
In che modo il metodo Least-to-Most differisce dai suggerimenti standard della catena di pensiero?
Ragioni di catena di pensiero in un solo passaggio; dal meno al più scompone esplicitamente e concatena insieme le risposte secondarie.
Quali capacità ha dimostrato in particolare il metodo Least-to-Most sul benchmark SCAN?
Ha risolto lunghi comandi compositivi nonostante vedesse solo brevi esempi, mostrando generalizzazioni da facili a difficili.
Perché l'ordine delle sottodomande è importante?
I sottoproblemi sono organizzati in modo che ciascuno dipenda solo da quelli risolti in precedenza, consentendo alle risposte di formarsi correttamente.
Come vengono utilizzate le risposte intermedie durante la fase di risoluzione?
Ogni risposta secondaria risolta viene aggiunta al prompt in esecuzione in modo che i passaggi successivi dispongano dei risultati necessari.