Solicitação do mínimo para o máximo
A solicitação do menor para o maior divide um problema difícil em uma sequência de subproblemas mais simples, resolvendo-os em ordem para que cada resposta alimente a próxima.
Visão geral
It matters because it lets models tackle questions far harder than the examples they were shown.
Mergulho profundo
A solicitação do mínimo para o máximo, introduzida por Zhou e colegas da Google em 2022, tem dois estágios. Primeiro, o modelo é solicitado a decompor uma questão complexa em uma lista ordenada de subquestões mais fáceis. Em segundo lugar, ele resolve essas subquestões uma de cada vez, anexando cada resposta resolvida ao contexto para que as etapas posteriores possam se basear nas anteriores. Isso difere da cadeia de pensamento, que raciocina em uma única passagem, sem decomposição explícita. O resultado principal foi uma forte generalização fácil-a-difícil: no benchmark de generalização composicional SCAN, a solicitação do menor para o maior resolveu a grande maioria dos comandos longos, embora os exemplos de solicitação fossem curtos, onde a cadeia de pensamento padrão falhou em grande parte.
Visão Técnica
O poder vem de separar o planejamento da execução. A decomposição produz uma cadeia ordenada por dependência de modo que o subproblema N depende apenas de subproblemas já resolvidos. Cada resposta resolvida é concatenada no prompt em execução, dando ao modelo os resultados intermediários necessários, em vez de solicitar que ele mantenha tudo de uma só vez. Isso reduz o raciocínio que cada etapa individual deve realizar, e é por isso que os modelos generalizam para entradas por mais tempo e com mais dificuldade do que qualquer demonstração única.
Impacto Estratégico
Velocidade e escala
Os fluxos de trabalho de idiomas podem avançar mais rapidamente sem sacrificar a consistência.
Acesso e alcance
Ele expande o acesso entre idiomas e estilos de comunicação.
Decisões mais claras
As equipes podem gastar mais tempo julgando enquanto a automação cuida da repetição.
O futuro da solicitação do mínimo para o máximo
As ideias do menor para o maior agora sustentam muitas arquiteturas de agentes e planejadores que dividem as metas em subtarefas ordenadas antes de agir. Espere híbridos com uso de ferramentas, onde cada subquestão pode acionar uma calculadora, pesquisa ou chamada de código, e com autoconsistência para subrespostas mais robustas. A investigação também está a explorar a decomposição automática que adapta a profundidade à dificuldade do problema e a combiná-la com a verificação para que uma subresposta inicial errada não corrompa silenciosamente toda a cadeia a jusante.
Implementação no mundo real
Resolver um problema de palavras de várias etapas, primeiro listando as quantidades a serem computadas e, em seguida, computando-as em ordem
Tarefas de linguagem composicional, como traduzir instruções longas em sequências de ação a partir de exemplos curtos
Responder a uma questão de pesquisa complexa dividindo-a em subquestões cujas respostas se combinam na resposta final
Escrever um programa decompondo-o em funções auxiliares resolvidas uma de cada vez, cada uma reutilizada em etapas posteriores
Riscos e guarda-corpos
Fatos alucinados podem entrar silenciosamente em relatórios, fluxos de apoio ou resultados de pesquisas.
A sensibilidade do prompt pode criar resultados inconsistentes em solicitações semelhantes.
Dados de texto confidenciais podem ser expostos se os controles de acesso forem fracos.
Roteiro de implementação
Defina o formato de saída, o tom e os padrões de qualidade antes da implementação.
Respostas terrestres com fontes confiáveis sempre que a precisão for importante.
Mantenha um ponto de verificação de revisão humana para resultados de alto risco.
Rastreie padrões de falha e treine novamente prompts ou fluxos de trabalho regularmente.
Continue explorando
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
Próximo guia
Solicitação de planejar e resolver
Perguntas frequentes
What is Least-to-Most Prompting?
A solicitação do menor para o maior divide um problema difícil em uma sequência de subproblemas mais simples, resolvendo-os em ordem para que cada resposta alimente a próxima. É importante porque permite que os modelos resolvam questões muito mais difíceis do que os exemplos que lhes foram mostrados.
Quais são os dois estágios principais da solicitação do menos para o mais?
Primeiro, ele divide o problema em um conjunto ordenado de subquestões mais fáceis e, em seguida, resolve cada uma delas em sequência.
Como o Menos para o Mais difere da solicitação de cadeia de pensamento padrão?
Razões de cadeia de pensamento em uma única passagem; menos para o mais decompõe explicitamente e encadeia subrespostas.
Que capacidade o Least-to-Most demonstrou notavelmente no benchmark SCAN?
Resolveu longos comandos de composição, apesar de ver apenas exemplos curtos, mostrando generalização fácil a difícil.
Por que a ordem das subquestões é importante?
Os subproblemas são organizados de forma que cada um dependa apenas dos já resolvidos, permitindo que as respostas sejam construídas corretamente.
Como as respostas intermediárias são usadas durante a fase de resolução?
Cada subresposta resolvida é adicionada ao prompt em execução para que as etapas subsequentes tenham os resultados necessários.