言語AIガイド
最も少ないプロンプトから最も多いプロンプトまで
Least-to-Most プロンプトは、難しい問題を一連の単純なサブ問題に分割し、それぞれの答えが次の答えにつながるように順番に解決します。
このガイドを聴くAIによるナレーション · ~2 min
概要
It matters because it lets models tackle questions far harder than the examples they were shown.
ディープダイブ
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.
現実世界の実装
最初に計算する量をリストし、次にそれらを順番に計算することによって、複数のステップの文章題を解く
長い命令を短い例からアクションシーケンスに変換するなどの構成言語タスク
複雑なリサーチの質問をサブ質問に分割し、その回答を組み合わせて最終的な回答を得ることで回答する
一度に 1 つずつ解決されるヘルパー関数に分解してプログラムを作成し、それぞれが後のステップで再利用されます。
最も少ないプロンプトから最も多いプロンプトの未来
Least-to-Most のアイデアは、行動する前に目標を順序付けられたサブタスクに分割する多くのエージェントとプランナーのアーキテクチャを支えています。各サブ質問が計算機、検索、またはコード呼び出しをトリガーできるツールの使用と、より堅牢なサブ回答のための自己一貫性を備えたハイブリッドが期待されます。研究では、問題の難易度に深さを適応させる自動分解や、それを検証と組み合わせて、初期の間違ったサブアンサーが下流のチェーン全体をひっそりと破損させないようにすることも研究されています。
実践する
なぜそれが重要なのか
- 速度とスケール. 言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
- アクセスと到達範囲. 言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
- より明確な判決. 自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
気をつけてください
- 幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
- 迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
- アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
次のステップ
- 展開する前に、出力形式、トーン、品質基準を定義します。
- 正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
- 一か八かの成果物については人間によるレビュー チェックポイントを維持します。
- 失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
よくある質問
What is Least-to-Most Prompting?
Least-to-Most プロンプトは、難しい問題を一連の単純なサブ問題に分割し、それぞれの答えが次の答えにつながるように順番に解決します。これが重要なのは、モデルが示された例よりもはるかに難しい問題に取り組むことができるからです。
Least-to-Most プロンプトの 2 つの主な段階は何ですか?
まず問題をより簡単なサブ質問の順序付きセットに分割し、次にそれぞれを順番に解決します。
最小から最大へのプロンプトは、標準的な思考連鎖プロンプトとどのように異なりますか?
一連の思考の理由を 1 回のパスで説明します。最小から最大へは、サブアンサーを明示的に分解して連鎖させます。
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.
サブ質問の順序が重要なのはなぜですか?
サブ問題は、それぞれが以前に解決した問題のみに依存するように配置されており、答えが正しく構築されます。
中間の答えは解く段階でどのように使用されますか?
解決された各サブアンサーは実行中のプロンプトに追加されるため、後続のステップで必要な結果が得られます。