Najmniej lub najbardziej podpowiadające
Podpowiadanie od najmniejszego do większości dzieli trudny problem na sekwencję prostszych podproblemów i rozwiązuje je w takiej kolejności, aby każda odpowiedź zasilała następną.
Przegląd
It matters because it lets models tackle questions far harder than the examples they were shown.
Głębokie nurkowanie
Podpowiadanie od najmniejszego do największego, wprowadzone przez Zhou i współpracowników w Google w 2022 r., składa się z dwóch etapów. Po pierwsze, model jest proszony o rozłożenie złożonego pytania na uporządkowaną listę łatwiejszych pytań podrzędnych. Po drugie, rozwiązuje te pytania cząstkowe pojedynczo, dołączając każdą rozwiązaną odpowiedź do kontekstu, aby późniejsze kroki mogły opierać się na wcześniejszych. Różni się to od łańcucha myślowego, który uzasadnia w jednym przejściu bez wyraźnego rozkładu. Głównym rezultatem było mocne uogólnienie od łatwych do trudnych: w teście porównawczym uogólnienia kompozycji SCAN podpowiedzi od najmniejszego do większości rozwiązały większość długich poleceń, mimo że przykłady podpowiedzi były krótkie, gdzie standardowy łańcuch myślowy w dużej mierze zawiódł.
Wgląd techniczny
Siła pochodzi z oddzielenia planowania od wykonania. Dekompozycja tworzy łańcuch uporządkowany według zależności, tak że podproblem N opiera się tylko na podproblemach już rozwiązanych. Każda rozwiązana odpowiedź jest łączona w działającym podpowiedzi, dając modelowi potrzebne wyniki pośrednie, zamiast wymagać od niego utrzymania wszystkiego w jednym skoku. Ogranicza to rozumowanie, jakie musi wykonać każdy pojedynczy krok, dlatego modele uogólniają dane wejściowe dłuższe i trudniejsze niż jakakolwiek pojedyncza demonstracja.
Wpływ strategiczny
Szybkość i skala
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności.
Dostęp i zasięg
Rozszerza dostęp w różnych językach i stylach komunikacji.
Jaśniejsze decyzje
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością.
Przyszłość podpowiedzi od najmniejszego do największego
Pomysły „najmniej do większości” stanowią obecnie podstawę wielu architektur agentów i planistów, które przed podjęciem działań dzielą cele na uporządkowane podzadania. Spodziewaj się hybryd z wykorzystaniem narzędzi, w których każde pytanie podrzędne może uruchomić kalkulator, wyszukiwanie lub wywołanie kodu, a także z zachowaniem spójności w celu uzyskania bardziej solidnych odpowiedzi podrzędnych. W badaniach bada się także automatyczną dekompozycję, która dostosowuje głębokość do trudności problemu, i łączy ją z weryfikacją, tak aby zła wczesna odpowiedź podrzędna nie powodowała cichego uszkodzenia całego łańcucha dalszego.
Implementacja w świecie rzeczywistym
Rozwiązywanie wieloetapowego zadania tekstowego poprzez wypisanie najpierw wielkości do obliczenia, a następnie obliczenie ich w odpowiedniej kolejności
Zadania języka kompozycyjnego, takie jak tłumaczenie długich instrukcji na sekwencje akcji na podstawie krótkich przykładów
Odpowiadanie na złożone pytanie badawcze poprzez podzielenie go na pytania podrzędne, których odpowiedzi łączą się w ostateczną odpowiedź
Pisanie programu poprzez rozłożenie go na funkcje pomocnicze rozwiązywane pojedynczo, z których każda jest ponownie wykorzystywana w późniejszych krokach
Zagrożenia i poręcze
Halucynacyjne fakty mogą po cichu trafiać do raportów, strumieni wsparcia lub wyników badań.
Szybka czułość może spowodować niespójne wyniki w przypadku podobnych żądań.
Wrażliwe dane tekstowe mogą zostać ujawnione, jeśli kontrola dostępu jest słaba.
Plan wdrożenia
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy.
Odkrywaj dalej
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
Następny poradnik
Podpowiadanie „Zaplanuj i rozwiąż”.
Często zadawane pytania
What is Least-to-Most Prompting?
Podpowiadanie od najmniejszego do większości dzieli trudny problem na sekwencję prostszych podproblemów i rozwiązuje je w takiej kolejności, aby każda odpowiedź zasilała następną. Ma to znaczenie, ponieważ pozwala modelom stawić czoła problemom znacznie trudniejszym niż w przykładach, które im pokazano.
Jakie są dwa główne etapy podpowiedzi od najmniejszego do największego?
Najpierw dzieli problem na uporządkowany zestaw łatwiejszych pytań podrzędnych, a następnie rozwiązuje każde z nich po kolei.
Czym różni się metoda od najmniejszego do większości od standardowego podpowiadania w ramach łańcucha myślowego?
Powody wynikające z łańcucha myślowego w jednym przejściu; od najmniej do najbardziej wyraźnie rozkłada i łączy pododpowiedzi razem.
Jakie możliwości wykazała metoda „od najmniejszego do największego” w teście porównawczym SCAN?
Rozwiązywał długie polecenia składu, mimo że widział tylko krótkie przykłady, pokazując łatwe do trudnego uogólnienia.
Dlaczego kolejność pytań dodatkowych jest ważna?
Podproblemy są ułożone w taki sposób, że każdy zależy tylko od wcześniej rozwiązanych problemów, co pozwala na prawidłowe budowanie odpowiedzi.
W jaki sposób odpowiedzi pośrednie są wykorzystywane na etapie rozwiązywania?
Każda rozwiązana odpowiedź podrzędna jest dodawana do bieżącego monitu, dzięki czemu kolejne kroki dają oczekiwane wyniki.