NastępnyNastępny poradnik
Sokratejskie podpowiedzi, które sprawiają, że sztuczna inteligencja cię uczy
Językowa sztuczna inteligencja
PRZEWODNIK Językowy AI
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.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~2 min
Na tej stronie2 minuty czytania
Przegląd
It matters because it lets models tackle questions far harder than the examples they were shown.
Głębokie nurkowanie
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.
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
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.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- 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.
Uważaj na
- 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.
Kolejne kroki
- 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
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the Least-to-Most Prompting quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
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.
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.
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.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat