Kurang-ke-Paling Mendorong
Permintaan yang paling sedikit kepada Kebanyakan memecahkan masalah yang sukar kepada urutan submasalah yang lebih mudah, menyelesaikannya mengikut urutan supaya setiap jawapan memberi suapan seterusnya.
Gambaran keseluruhan
Ini penting kerana ia membolehkan model menangani soalan dengan lebih sukar daripada contoh yang ditunjukkan kepada mereka.
Menyelam dalam
Paling kurang kepada yang paling menggesa, yang diperkenalkan oleh Zhou dan rakan sekerja di Google pada tahun 2022, mempunyai dua peringkat. Pertama, model digesa untuk menguraikan soalan yang kompleks ke dalam senarai tersusun bagi subsoalan yang lebih mudah. Kedua, ia menyelesaikan subsoalan tersebut satu demi satu, melampirkan setiap jawapan yang telah diselesaikan pada konteks supaya langkah-langkah kemudian boleh membina yang lebih awal. Ini berbeza daripada rantaian pemikiran, yang menyebabkan dalam satu laluan tanpa penguraian yang jelas. Keputusan tajuk adalah generalisasi mudah-ke-keras yang kuat: pada penanda aras penggeneralan gubahan SCAN, dorongan paling sedikit hingga paling banyak menyelesaikan sebahagian besar perintah panjang walaupun contoh segera adalah pendek, di mana rantaian pemikiran standard sebahagian besarnya gagal.
Wawasan Teknikal
Kuasa datang daripada memisahkan perancangan daripada pelaksanaan. Penguraian menghasilkan rantaian tertib kebergantungan supaya submasalah N hanya bergantung pada submasalah yang telah diselesaikan. Setiap jawapan yang diselesaikan digabungkan ke dalam gesaan berjalan, memberikan model hasil perantaraan yang diperlukan dan bukannya memintanya untuk menahan segala-galanya dalam satu lompatan. Ini mengurangkan alasan setiap langkah individu mesti lakukan, itulah sebabnya model membuat generalisasi kepada input lebih lama dan lebih keras daripada mana-mana demonstrasi tunggal.
Kesan Strategik
Kelajuan dan skala
Aliran kerja bahasa boleh bergerak lebih pantas tanpa mengorbankan konsistensi.
Akses dan capai
Ia meluaskan akses merentas bahasa dan gaya komunikasi.
Keputusan yang lebih jelas
Pasukan boleh menghabiskan lebih banyak masa untuk membuat pertimbangan manakala automasi mengendalikan pengulangan.
Masa Depan yang Paling Kurang Mendorong
Idea yang paling sedikit kepada Kebanyakan kini menyokong banyak seni bina ejen dan perancang yang membahagikan matlamat kepada subtugas yang teratur sebelum bertindak. Jangkakan hibrid dengan penggunaan alat, di mana setiap subsoalan boleh mencetuskan kalkulator, carian atau panggilan kod dan dengan ketekalan diri untuk subjawapan yang lebih mantap. Penyelidikan juga sedang meneroka penguraian automatik yang menyesuaikan kedalaman kepada kesukaran masalah, dan menggabungkannya dengan pengesahan supaya subjawapan awal yang salah tidak merosakkan keseluruhan rantaian hiliran secara senyap.
Pelaksanaan Dunia Sebenar
Menyelesaikan masalah perkataan berbilang langkah dengan menyenaraikan terlebih dahulu kuantiti untuk dikira, kemudian mengiranya mengikut urutan
Tugas bahasa komposisi seperti menterjemah arahan yang panjang kepada urutan tindakan daripada contoh ringkas
Menjawab soalan kajian yang kompleks dengan memecahkannya kepada sub-soalan yang jawapannya digabungkan menjadi respons akhir
Menulis atur cara dengan menguraikannya menjadi fungsi pembantu diselesaikan satu demi satu, setiap satu digunakan semula oleh langkah-langkah seterusnya
Risiko & Pengawal
Fakta halusinasi boleh memasukkan laporan, aliran sokongan atau hasil penyelidikan secara senyap-senyap.
Sensitiviti segera boleh mencipta hasil yang tidak konsisten merentas permintaan yang serupa.
Data teks sensitif mungkin terdedah jika kawalan akses lemah.
Hala Tuju Pelaksanaan
Tentukan format output, nada dan standard kualiti sebelum pelancaran.
Respons asas dengan sumber yang dipercayai apabila ketepatan penting.
Simpan pusat pemeriksaan semakan manusia untuk output berkepentingan tinggi.
Jejaki corak kegagalan dan latih semula gesaan atau aliran kerja dengan kerap.
Teruskan Meneroka
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
Panduan seterusnya
Merancang-dan-Menyelesaikan Gesaan
Soalan lazim
Apakah yang Paling Kurang Mendorong?
Permintaan yang paling sedikit kepada Kebanyakan memecahkan masalah yang sukar kepada urutan submasalah yang lebih mudah, menyelesaikannya mengikut urutan supaya setiap jawapan memberi suapan seterusnya. Ini penting kerana ia membolehkan model menangani soalan dengan lebih sukar daripada contoh yang ditunjukkan kepada mereka.
Apakah dua peringkat utama gesaan Paling Kurang kepada Paling?
Ia mula-mula memecahkan masalah kepada satu set tersusun subsoalan yang lebih mudah, kemudian menyelesaikan setiap satu dalam urutan.
Bagaimanakah Least-to-Most berbeza daripada gesaan rantaian pemikiran standard?
Alasan berantai dalam satu pas; terurai paling tidak hingga paling jelas dan merantai subjawapan bersama-sama.
Apakah keupayaan yang paling ketara ditunjukkan pada penanda aras SCAN?
Ia menyelesaikan arahan gubahan yang panjang walaupun hanya melihat contoh pendek, menunjukkan generalisasi yang mudah ke sukar.
Mengapakah susunan subsoalan penting?
Submasalah disusun supaya masing-masing hanya bergantung pada masalah yang telah diselesaikan sebelum ini, membiarkan jawapan dibina dengan betul.
Bagaimanakah jawapan perantaraan digunakan semasa peringkat penyelesaian?
Setiap subjawapan yang diselesaikan ditambahkan pada gesaan yang sedang berjalan supaya langkah-langkah berikutnya mempunyai hasil yang mereka perlukan.