SeterusnyaPanduan seterusnya
Gesaan Socratic Yang Membuat AI Mengajar Anda
AI bahasa
PANDUAN AI Bahasa
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.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
Ini penting kerana ia membolehkan model menangani soalan dengan lebih sukar daripada contoh yang ditunjukkan kepada mereka.
Menyelam 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.
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
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.
Mempraktikkannya
Mengapa ia penting
- 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.
Berhati-hati untuk
- 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.
Langkah seterusnya
- 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
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Least-to-Most Prompting quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
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.
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.
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.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini